Agent Skills 进实验室：科学智能体技能库的信任难题

AI 编程领域的「技能库」模式正在被搬进实验室，但科学场景的失败代价远高于写错一段代码。

2026 年 10 月 16 日的 24 小时窗口内出现了三个值得放在一起看的信号：K-Dense-AI/scientific-agent-skills 在 GitHub Trending 上以日均 1,158 星的速度冲到 51,288 星，位列当日涨星第三；Sakana AI 的 David Ha 发布 AI Scientist v3，副标题是「The Agentic Scientist」，同时公开 MASS 论文；德国卡尔斯鲁厄理工学院的 E-MAP 平台继续用封闭手套箱中的机器人完成半导体墨水混合、薄膜沉积与表征。

三者指向同一件事：开发者工具领域跑通的 agent-skills 生态，正在被移植到科学研究中。而这次移植，正在把「发一个 SKILL.md 就完事」的模式逼到它从未面对过的边界——谁验证了这个协议？

Agent Skills 进实验室

K-Dense 科学技能库：177 个经过验证的技能长什么样

K-Dense-AI 的 scientific-agent-skills 不是提示词合集，而是一个覆盖生物学、化学、化学信息学、蛋白质组学、临床研究、材料科学与实验室自动化的精选技能库，共 177 个技能。每个技能沿用 Claude Code 与 Cursor 支持的 SKILL.md 格式，但内容与编程技能有本质区别。

编程技能通常写「当用户要求重构时，遵循红-绿-重构流程」。科学技能则写「当用户需要分析蛋白-配体结合亲和力时，使用 AutoDock Vina 并采用以下参数，将对接打分对照 PDBBind v2020 基准进行验证，任何低于 -7.0 kcal/mol 的结合能标记为潜在命中，需要 MD 模拟跟进」。

区别不只在领域词汇，而在于出错的后果。这个技能携带四类信息：

经验证的参数：不是猜出来的默认值，而是对照既有基准核验过的数值
依赖链：多数技能需要 uv 管理 Python 环境，不少还需要 BLAST、HMMER、RDKit 等特定生物信息学工具链
输出校验规则：技能明确说明正确结果长什么样，让 agent 在汇报前自检
安全约束：部分技能会明确拒绝为管制物质生成合成路线，或拒绝推荐剂量

项目原名「Claude Scientific Skills」，2026 年更名为「Scientific Agent Skills」，意在兼容所有支持开放式 Agent Skills 标准的 agent，包括 Cursor、Codex、Google Antigravity 等。MIT 协议允许任何人 fork 与改写。配套的 K-Dense BYOK 应用让研究者用自有 API key 在本地运行这些技能。

项目自称服务 25 万以上研究者，这个数字来自项目方、外部无法核实。但 GitHub 曲线是真实的：9 月约 44K 星，10 月中旬 51K，星速超过多数开发者工具仓库。需求信号本身成立，采用量则带有营销成分。

SKILL.md 与 Agent Skills 标准：Agent Skills 是 2025 年前后由 Anthropic 的 Claude Code 率先推行、随后被 Cursor 等工具采纳的一种开放式技能描述格式。一个技能通常就是一个目录，核心是 SKILL.md 文件，内含 YAML frontmatter（名称、描述、触发条件等元数据）与 Markdown 正文（执行步骤、示例、注意事项）。agent 在运行时按需加载匹配的技能，把正文当作上下文注入，从而在不重新训练模型的前提下扩展能力边界。该模式的优势是纯文本、可版本控制、可组合、可被任意 harness 解析；局限是缺少强类型 schema 与运行时强制校验，技能正确与否完全依赖作者与使用者。正因如此，把该格式用于科学场景时，才需要额外的验证元数据与安全护栏。

Sakana AI Scientist v3：从写论文到「智能体科学家」

同一天，Sakana AI 的 @hardmaru 发布 AI Scientist v3。初代 AI Scientist 在 2024 年 8 月实现了端到端研究自动化的突破——生成假设、写代码验证、分析结果、起草论文。其方法论论文于 2026 年 3 月发表在 Nature，是首个完全自动化的 AI 研究系统登上该刊，合作方包括 UBC、Vector Institute 与牛津大学。

v2 摆脱了对人工撰写模板的依赖，引入 agentic tree search，并泛化到多个 ML 领域，代价是单次运行成功率下降。v2 的一篇 workshop 稿件在 ICLR 2025 ICBINB workshop 拿到 6.33 分，但 Sakana 承认三篇生成论文均未达到主会发表门槛。

v3 与 MASS 论文同步发布。MASS 描述的是多个 agent 实例协作、互相批评、再收敛到研究方向的框架。从「AI Scientist」到「The Agentic Scientist」的改名点出了变化实质：v3 不再把 agent 当作执行线性流水线的单个研究者，而是当作一个团队——首席研究员拆解问题，委派型 agent 探索子问题，评审 agent 在成文前评估质量。

Jurgen Schmidhuber 就此发声，重申自己 1987 年关于递归自我改进的优先权主张，同时披露已加入 Sakana AI 担任首席科学顾问。这个安排颇具象征意味：提出「机器应自我改进」构想的人，正在为最受关注的相关实现提供咨询。

agentic tree search 与多 agent 协作：agentic tree search 指 agent 在解决问题时维护一棵搜索树，节点是不同的中间产物（如实验方案、代码版本、分析结论），通过扩展、评估、回溯来探索多条路径，而非沿单一线性流程前进。它借鉴了传统树搜索（如 MCTS）的思想，但扩展与评估由 LLM agent 完成。MASS 框架则把这一思路推广到多 agent 层面：多个 agent 实例并行提出方向、相互批评、按预设标准打分，再收敛到少数值得推进的研究路线。这种「生成—批评—收敛」循环旨在用内部评审替代部分外部同行评审，缓解单 agent 流水线容易在早期错误假设上一条路走到黑的问题。其代价是计算开销与协调复杂度上升，且批评 agent 与被批评 agent 共享相似的盲区。

自驱动实验室：闭环的另一半

第三个信号发生在物理世界。KIT 的 E-MAP 代表了 K-Dense 技能在数字世界开环所做之事的闭环版本。在密封手套箱环境中，机器人系统完成材料制备、样品运输、薄膜沉积与表征，微流控模块自主混合半导体墨水。平台 2023 年动工，如今作为薄膜光伏与光电材料的自驱动实验室运行。

这一波不止 E-MAP。PNNL 的 AutoLabs 在 2026 年 6 月发表于 Scientific Reports，构建了一个把实验目标翻译成 Big Kahuna 机器人平台指令的翻译 agent，使研究者能开展的实验量达到人工的 5 到 10 倍。2026 年 7 月一篇 Nature Machine Intelligence 论文描述了在 SLAC 自主搭建并运行 X 射线实验、并在运行中调整参数的 AI agent。Helmholtz 协会则在筹划连接德国多个研究中心自驱动实验室的 Acceleration Alliance。

两者的咬合点很清楚：技能库提供「做什么」（协议、参数、校验规则），自驱动实验室提供「在哪做」（机器人执行、闭环测量）。缺任何一半都不成立。一个写明「150°C 沉积钙钛矿薄膜 30 分钟」的技能，没有能执行该指令的机器人就是空文；一台等待指令的机器人，没有整理好的协议告诉它沉积什么、什么温度、如何评估结果，同样无用。

自驱动实验室（Self-Driving Lab）：指把机器人执行、在线表征与 AI 决策规划整合为闭环的自动化实验系统。典型架构包含三部分：实验规划层（根据目标与历史数据选择下一个实验）、执行层（机械臂、液体处理、微流控等完成制备与操作）、表征层（光谱、衍射、显微等仪器即时测量）。测量结果回流到规划层，形成「设计—执行—测量—学习」的迭代，使系统能在无人值守下连续探索参数空间。与单纯的自动化流水线不同，自驱动实验室的关键在于决策闭环——下一步做什么由模型依据前一步结果决定。其瓶颈通常不在机器人硬件，而在实验协议的形式化、跨仪器数据标准化，以及结果可信度的自动判定。

社区反应：热情与冷水同时出现

NVIDIA 的 Jim Fan 开源了 ASPIRE v1.0，一个具备真实机器人技能发现与自我改进能力的智能体机器人框架。其定位值得注意：NVIDIA 把 agent 技能视为物理机器人的软件层，而不只是编程助手。ASPIRE 让机器人通过真实世界交互发现并打磨自己的技能，这与 K-Dense 为数字研究 agent 所做之事形成镜像。

另一条反馈则是一盆冷水。@arankomatsuzaki 指出一项基准测试：9 个前沿 agent 在 15 个开放科学后续问题上共生成 135 篇研究论文，多数失败。这揭示了「agent 会用科学工具」与「agent 会做科学」之间的差距——工具可用是必要条件，但远不充分。

@iScienceLuvr 则提出了许多研究者心里的元问题：「NLP 研究者当年是如何应对整个领域被 LLM 解决的？」这条获得 1.3K 点赞。潜台词是：如果 agent 技能能可靠执行标准研究协议，那些目前手工执行这些协议的研究生和技术员会怎样。这个问题并非假设——K-Dense 的用户基础显示，常规计算工作的自动化已经开始。

信任缺口：科学要求而编程不要求的东西

这是科学技能库模式与既有 agent 技能生态分道扬镳的地方，也是这件事超越星数的意义所在。

安装一个编程技能，最坏情况是 agent 写出跑不过测试的代码。反馈回路很快：跑测试、看失败、改技能，影响范围限于本地分支。

安装一个科学技能，失败模式完全不同：

不可复现：若技能给出错误的蛋白对接参数，结果看起来合理却无法复现。研究者发表，他人尝试重复，问题在数月后才浮现。反馈回路以发表周期计，而非 CI 运行。
安全：生成分子合成路线的技能需要编程技能从不需要的护栏。K-Dense 部分处理了这一点，但问题是组合性的——技能 A 与技能 B 各自无害，组合出的工作流 C 可能危险。
验证来源：177 个技能由谁审核？对照什么基准？上次更新是什么时候？编程世界里测试套件就是验证者，科学世界里验证需要技能使用者未必具备的领域专长。
合规：帮助设计临床试验的制药技能需要遵循 FDA 指南，建议化学组成的材料技能需要了解 REACH 法规。这些约束在编程世界并不存在。

此前讨论过的 agent 配置技能供应链攻击面，关注的是恶意技能注入代码。科学版本更隐蔽：善意技能产出错误结果，而使用者因为「已验证」的标签而未能察觉。

⚠️ 反方观点：技能库不过是包装更好的提示词合集。177 个 SKILL.md 文件造不出 AI 科学家，就像 177 张菜谱卡造不出厨师。没有闭环实验执行、没有实时仪器反馈、没有多年bench工作积累的默会知识，这些技能就是表演——让 agent 听起来像科学家，实际做的是把教科书朗读一遍的计算等价物。51K 星测的是希望，不是能力。9 个前沿 agent、15 个真实科学问题、多数失败的基准才是诚实信号，星数是营销信号，不要把两者混淆。

可复现性与验证来源：可复现性指他人依据相同输入、参数与流程能独立得到一致结果，是科学出版的基本要求。计算类技能的可复现性依赖三件事：软件环境锁定（如 uv 生成的 lockfile、容器镜像）、参数与随机种子的显式记录、以及对照公开基准的校验（如分子对接对照 PDBBind、序列比对对照已知标注集）。验证来源则追问：该技能由谁、依据什么基准、在何时、于何种条件下核验过。在编程领域，持续集成中的测试套件充当了事实上的验证者；科学领域缺少同等自动化的「通过/失败」判据，很多结果的正确性需要领域专家判断，这使得技能的来源元数据成为使用者评估风险的主要依据。

对 agent 构建者的四条要求

如果你在构建 agent harness，科学技能库模式会带来一些平台必须处理的新需求：

技能验证元数据：编程技能靠测试自证，科学技能需要显式元数据——谁验证、对照哪些基准、何时验证、在什么条件下验证。技能注册表需要在 SKILL.md 之外增加 validation 区块。
组合安全：用户从 K-Dense 安装 20 个技能时，其中一些可能以没人测试过的方式串联。harness 需要感知组合的安全性检查，至少在技能 A 的输出流入技能 B 的输入时给出提示。
审计轨迹：可复现性要求 agent 的每一步——调用了哪个技能、用了什么参数、产出什么——都以评审或监管者能审计的格式记录。技能市场的话题需要纳入来源追踪，而不只是发现与安装。
领域专用护栏：泛泛的「不要做危险的事」并不充分。科学技能需要领域护栏：不合成管制物质、不推荐超说明书剂量、不在缺少 IRB 级披露的情况下生成临床试验设计。这些护栏应进入技能标准本身，而不是由每个 harness 各自补丁。

对研究者的建议：从可对照已知基准验证输出的计算类技能入手（分子对接、序列比对、结构预测），不要从串联多个工具的工作流自动化技能开始，组合风险尚未被充分理解。对待每个技能，就像对待同事给的新实验协议：信任但验证，并记录你的验证过程。

生态分叉与下一步

agent 技能生态正在分叉。一支是开发者工具，会继续快跑、积累星数、优化开发者体验。另一支是科学与工业垂直领域，会走得更慢、积累引用而非星数、优化信任。

K-Dense 的技能库是两支之间的桥：以开发者工具的方式发布（MIT 协议、npx install、兼容 Claude Code），服务的是以可复现性而非部署速度衡量成功的科学受众。Sakana 的 AI Scientist v3 推进自主研究 agent 的能力边界。E-MAP 与自驱动实验室浪潮则证明，闭合 agent 决策与真实实验之间循环的物理基础设施正在当下被建成。

一个可检验的预测：未来一年内，星数排名前十的 agent 技能仓库中会至少出现三个科学或工业垂直领域。技能目录之争是 Act One——面向通用开发者的通用技能。Act Two 是面向领域专家的垂直技能，而实验室是 Act Two 的开场。