Scientific Agent Skills: 面向研究代理的程序性知识库

# 科研代理的程序性知识库
来源：https://arxiv.org/html/2609.00065

## 科研代理技能：面向研究代理的程序性知识库
Vinayak Agarwal、Yuhuan He、Darshil Patel、Aubrey M. Brueckner
所属机构：K-Dense, Inc.
日期：2026年8月30日

### 摘要
要求语言模型代理分析实验时，它通常会返回可运行的代码。但分析结果是否站得住脚，则是另一个问题。一项经得起推敲的分析依赖于程序性选择：该领域接受哪种检验方法、哪个标识符命名空间具有权威性，以及结果必须附带哪些注意事项。我们推出“科研代理技能库”——一个包含163项此类程序的开源库，涵盖16个实践领域，包括基因组学、化学信息学、医学影像、研究设计与科学交流。每个技能都是围绕一个版本化、人类可读的指令文件构建的目录。代理仅在任务需要时加载该文件；目录中通常还包含参考材料和可运行脚本。我们未进行任务级评估，也未报告宿主选择率。该库采用开源许可证，可通过以下地址获取：https://github.com/K-Dense-AI/scientific-agent-skills。

![未标题图片](https://arxiv.org/html/2609.00065v1/figures/graphical_abstract.png)

## 1 引言
研究人员要求编码代理分析RNA测序实验时，通常会得到可运行的代码。但能否获得站得住脚的分析，则是另一个问题。例如，代理可能在未进行多重检验校正的情况下比较组别；对表示实验失败的-999999值列进行平均处理；将BED区间的零起始坐标视为从1开始计数；或从忽略了治疗混淆协变量的模型中报告风险比。每种错误都可能产生看似合理的代码，却使分析在特定条件下失效。相关惯例均有文档记载：多重检验校正是标准做法[1]，技术性混淆会影响高通量分析[2]，BED及相关格式采用明确的坐标约定[3]，遗漏协变量会导致Cox模型治疗估计偏差[4]，而电子表格转换基因符号的问题已扩散至已发表的研究中[5]。

一项针对真实科学请求的代理评估发现，在所有模型中，科学准确性均低于沟通能力，且过度主张是最常见的失败类型[6]。反复出现的问题具有程序性：代理需要领域特定的惯例来指定适用哪种检验、哪个标识符命名空间具有权威性，以及结果必须附带哪些注意事项。这些知识分散在包文档、报告指南、标准和各领域的隐性实践之中。为每个任务重新发现这些知识代价高昂，因此可以一次记录下来。科学界已为人类记录了此类知识。报告指南如ARRIVE[7]和MIQE[8]的存在，正是因为在已发表文献中反复出现同样的程序性错误[9]。Agent Skills[10]是一种为代理记录此类程序性知识的惯例。

技能是一个包含Markdown指令文件的目录，文件带有一个简短的YAML头部，可选地附带参考文档、可执行脚本和静态资源。代理宿主会扫描其已加载的技能，并将每个技能的名称和简短描述保留在其系统提示中。仅当任务看似需要该技能时，才会读取完整的指令文件。该规范未指定运行时、API或服务。由于该规范基于文件，技能可在不同宿主间移植，并可作为文本进行审查。

本文介绍“科研代理技能库”[11]——一个包含163个技能的开源库，由我们构建和维护，涵盖生物学、化学、医学、物理科学和科学交流领域的研究工作流程。我们撰写了其中大部分（附录B），因此这是对我们自身成果的描述，而非独立审计。第2节和第3节描述了技能的定义及库的内容，以便读者判断其是否与自身工作相关。随后，我们衡量了文档文件的两个属性：保留在上下文中的简短描述在词汇上的区分度（第4节），以及库中示例工作流所命名的技能是否能放入上下文窗口（第5节）。我们根据固定版本的仓库树重新计算所有数量，而非直接采用我们文档中的数据。第6节说明了哪些已测量、哪些未测量。附录包含完整的描述性统计、测量约定以及验证与范围记录。

这是一篇资源介绍论文：其目的在于介绍该库，而非验证安装任何单个技能的效果。我们已在https://www.k-dense.ai/benchmarks发布了几个技能的基准测试，但这些研究并未验证整个集合。每个技能都需要在其领域内针对适当的任务和结果进行评估，由本文所代表的社区进行更广泛的独立工作仍然是必要的。我们报告的两个测量是文档语料库的属性：它们说明了选择困难所在及选择成本，而非代理选择得有多好。

### 1.1 相关工作
近期系统为自主化学[12]、层次化多代理生物信息学分析[13]和端到端研究自动化[14]编写和运行科学代码；其他系统则在共享工具层上打包生物医学研究工作流[15]。编码代理也在仓库规模任务[16]和科学编程[17]上接受评估。对数据驱动发现基准的错误分析发现，大多数失败属于执行但语义不正确的程序，通常是因为错误使用了领域特定工具，而非无法运行的程序[18]。

先前的方法通过语料库检索[19]、工具接口[20, 21]或代理自身积累的例程[22]将知识放入模型上下文。技能与检索不同，因为每个技能是一个经过编写的程序，而非一个段落；与工具不同，因为技能不提供可供调用的运行时。检索在长上下文中可能性能下降[23]，因此第2节中的分层设计影响了库的运作方式，而不仅仅是其呈现方式。

近期研究探讨了技能库如何构建、编目和评估[24, 25, 26]，其增长过程中如何表现[27]，当代理必须从大量未经筛选的集合中检索自身技能时会发生什么[28]，以及当其工具层已返回严格、经过模式验证的观察结果时会发生什么[29]。两者都报告了效益逐渐趋近于无技能得分的情况，在第一种情况下，一旦代理必须自行选择技能，效益就会下降。因此，第4节衡量了保留在上下文中的简短描述的独特性。

其他工作则将代理可加载的指令文件视为攻击面[30, 31, 32, 33, 34, 35]。附录E将该库的安全材料置于此背景下。附录A将技能与工作流引擎和数据标准联系起来，后者解决了管道中相同的程序性问题。

## 2 代理技能是什么
技能是一个目录。它至少包含`SKILL.md`：一个YAML头部，后跟为代理而非人类读者编写的Markdown指令。头部限于六个字段：`name`、`description`、`license`、`compatibility`、`allowed-tools`和`metadata`。任何其他顶层键都是规范错误。规范建议三个传统子目录：`references/`用于附加文档，`scripts/`用于代码，`assets/`用于模板和静态资源，同时允许其他文件和目录。

我们采用更严格的布局，每个技能内部仅允许`SKILL.md`和那三个子目录（附录D）。附录B描述了目录结构和指令文件内容，并展示了技能的分发形式。

对于我们自己撰写的技能，我们的创作工作流通常始于语言模型草稿。然后我们手动审查文本，并在技能工作流的环境可用时，测试其基本功能。我们在了解技能何时有效、何时无效时不断修订每个技能，借鉴我们自身的使用经验、社区反馈和外部贡献。这些步骤是创作和维护，而非领域验证；附录E说明了自动化检查涵盖的内容。

### 2.1 渐进式披露
该设计使几乎所有库内容都不进入常驻上下文。根据规范的披露模型，代理宿主在启动时读取每个已安装技能的`name`和`description`到其系统提示中。宿主在这些条目周围添加的内容因宿主而异，如第6节所述。当代理判断技能相关时，指令主体才会被读取；参考文档仅当指令主体指向它时才被读取。

披露模型分为三个层级，大小相差数个数量级（图1）。在整个库中，常驻层为14,246个令牌，每个技能中位数为67个令牌。常驻层背后的完整指令文件总计482,506个令牌，每个文件中位数为2,857个令牌。这些指令文件背后的参考文档总计2,480,674个令牌，分布在1,033个文件中。因此，83.7%的库文档除非被激活的技能指向，否则保持未读状态。在整个库可用的情况下，常驻上下文的占用成本仅为2,963,180个令牌语料库的0.48%，或200,000个令牌参考窗口的7.1%。这种低常驻成本允许宿主提供163个专业程序，而不会用当前任务不需要的程序填满其上下文窗口。

分层延迟了成本；它并未消除成本。代理从未读取的层级无法为其选择提供信息，因此整个库的路由仅依赖于常驻层。参考材料仅在真实任务期间保持延迟时，才节省上下文。第4节和第5节衡量了这些约束。这两个测量描述的是文档布局而非代理轨迹：它们显示了选择的成本及可能困难之处，而非任何代理是否选择正确。附录A说明了这些数字所依赖的分词器和语料库定义。

参考图注 **图1**：在标签v2.65.0下测量的三个披露层级的令牌成本，沿假设的任务路径显示。这些是语料库测量，而非代理轨迹。选择技能使用已处于常驻上下文中的描述，因此不会增加文档令牌；第4节单独处理该步骤。累计总数假设了一个中位数技能和一个中位数参考文件。第5节则计算库的文档化工作流的成本。

## 3 库涵盖的内容
库在`skills/`下按每个技能一个目录组织，该层级之上没有强制分组。我们自身的文档以三种不同且部分重叠的方式对技能进行分组，但没有一种能划分库。为了报告，我们为每个技能分配一个主要类别。这种分类法是我们的报告约定，并非仓库的属性。附录C提供了完整的分类法和每个类别的计数。

在该标签下，163个技能横跨16个类别，最大的是“科学交流与图表”、“科学计算与数据工程”以及“基因组学与序列分析”。105个技能在`scripts/`下提供可执行代码，154个技能提供参考文档（图2）。

![图2：每个类别的技能数，按技能是否在scripts/下提供文件划分。](https://arxiv.org/html/2609.00065v1/figures/skills_per_category_scripts.png)

库包含四种跨类别的常见技能类型：
- **包工作流**：记录如何正确使用特定的科学软件包，例如用于单细胞分析的Scanpy[36]或用于差异表达的PyDESeq2[37]；其内容最接近权威文档。
- **数据检索**技能处理针对命名资源的标识符解析和查询构建；仅`database-lookup`一个技能就记录了跨9个领域的78个数据库，其中57个无需凭证，18个需要密钥（图3）。
- **研究平台与实验室自动化**技能涉及仪器和平台接口。它们是最可能需要凭证的组别：整个库中有29个技能命名了27个类似凭证的环境变量之一。
- **方法与判断**技能编码程序而非工具，例如数据存在前的研究设计与随机化、样本量论证[38]、检验选择、假设检验以及显著性阈值的解释[39]，以及不确定性和单位传播。这一组最难评估，因为其价值最不类似于文档查询。附录C对所有四种类型进行了更详细的描述。

![图3：database-lookup技能在标签v2.65.0下记录的78个数据库。 (A) 按领域划分的数据库，使用技能自身的分组，我们已根据磁盘上的参考文件进行了核对。(B) 按凭证需求划分的数据库。](https://arxiv.org/html/2609.00065v1/figures/database_lookup_breakdown.png)