Scientific Agent Skills: KI-Agenten für Wissenschaft und Forschung

Teil 1 dieser Serie beschrieb Skills als einen der interessantesten Aspekte neuer Agentensysteme: keine einzelnen Prompts mehr, sondern wiederverwendbare, parametrierbare Bausteine, die ein Agent kennt und bei passenden Aufgaben einsetzt. Scientific Agent Skills von K-Dense ist eines der konkretesten Beispiele dafür, was das in der Praxis bedeutet.

Das Projekt startete als „Claude Scientific Skills” — Skills speziell für Claude Code. Inzwischen wurde es umbenannt und auf den offenen Agent Skills Standard umgestellt. Derselbe Skill-Satz läuft heute mit Claude Code, Cursor, Codex, Gemini CLI und jedem anderen Agent, der den Standard unterstützt. Das Renaming ist kein Marketing-Detail, sondern zeigt, dass sich Skills-Infrastruktur gerade von einzelnen Anbietern löst.

GitHub: K-Dense-AI/scientific-agent-skills — ~25k ⭐, 2.6k Forks (Mai 2026)

Was das Projekt ist

138 fertig einsatzbare Skills für wissenschaftliche Arbeit — sortiert in 15 Kategorien, von Genomik und Drug Discovery bis zu Labor-Automatisierung und wissenschaftlicher Kommunikation. Dazu Zugriff auf über 100 wissenschaftliche Datenbanken: 78 davon über ein einheitliches Lookup-Skill (PubChem, ChEMBL, UniProt, ClinVar, ClinicalTrials.gov, KEGG, Reactome, USPTO, SEC EDGAR und weitere), ergänzt durch dedizierte Skills für spezialisierte Plattformen.

Die Kernidee hinter dem Skill-Ansatz: Ein KI-Agent kann Python-Pakete grundsätzlich auch ohne Skills verwenden — er liest Dokumentation und schreibt Code. Was Skills leisten ist eine andere Sache: kuratierte Dokumentation, validierte Beispiele, definierte Best Practices. Das Ergebnis ist nicht, dass der Agent mehr kann, sondern dass er bei diesen spezifischen Workflows zuverlässiger, schneller und korrekter ist.

Die Domänen im Überblick

Die Breite ist das auffälligste Merkmal. Einige Bereiche:

Bioinformatik und Genomik — Sequenzanalyse mit BioPython, Single-Cell-RNA-Sequenzierung mit Scanpy, Varianten-Annotation über Ensembl VEP und ClinVar, Differenzielle Expression mit PyDESeq2, Phylogenetik mit IQ-TREE 2. Dazu Datenbank-Zugriff auf NCBI, UniProt, Cellxgene Census.

Drug Discovery und Cheminformatik — Molekulare Eigenschaftsvorhersage mit RDKit und DeepChem, virtuelle Screening-Pipelines mit DiffDock, ADMET-Analyse, molekulare Dynamik mit OpenMM und MDAnalysis. ChEMBL und ZINC als Datenquellen.

Klinische Forschung — ClinicalTrials.gov-Suche, Varianten-Interpretation mit COSMIC und ClinPGx, Krebsgenomik über DepMap, klinische Entscheidungsunterstützung, FDA-Datenbanken für Arzneimittelsicherheit.

Multi-Omics und Systembiologie — Integration von RNA-seq, Proteomik und Metabolomik, Pathway-Analyse über KEGG und Reactome, Netzwerkbiologie mit STRING und NetworkX.

Wissenschaftliche Kommunikation — Literaturrecherche über zehn Datenbanken gleichzeitig (PubMed, bioRxiv, arXiv, Semantic Scholar und weitere), wissenschaftliches Schreiben, Peer Review, LaTeX-Poster, PPTX-Slides, Mermaid-Diagramme, Infografiken.

Weitere Bereiche: Materialwissenschaften, Quantencomputing (Qiskit, PennyLane), Geowissenschaften und Fernerkundung, Laborautomatisierung mit Opentrons, maschinelles Lernen.

Installation: ein Befehl

npx skills add K-Dense-AI/scientific-agent-skills

Das ist die offizielle Installationsmethode für alle Plattformen. Wer die GitHub CLI (ab v2.90.0) nutzt, kann auch gezielt einzelne Skills installieren:

# Einzelnen Skill für Claude Code
gh skill install K-Dense-AI/scientific-agent-skills scanpy --agent claude-code

# Alle Skills für Cursor
gh skill install K-Dense-AI/scientific-agent-skills --agent cursor

# Auf einen bestimmten Release pinnen
gh skill install K-Dense-AI/scientific-agent-skills --pin v1.0.0

Das gh skill-Kommando ist bemerkenswert: GitHub hat native Skill-Verwaltung in die CLI integriert, inklusive Provenance-Tracking für Supply-Chain-Integrität. Das ist ein Signal, dass Skills nicht nur ein Plugin-Mechanismus einzelner Tools sind, sondern Infrastruktur werden.

Nach der Installation entdeckt der Agent die Skills automatisch und setzt sie ein, wenn sie zu einer Aufgabe passen. Manuell aufrufen ist ebenfalls möglich — einfach den Skill-Namen im Prompt nennen.

Sicherheit: ein ehrlicher Hinweis

Das Projekt adressiert Sicherheitsrisiken explizit, was es von vielen anderen Skills-Sammlungen unterscheidet. Der Hinweis im README ist direkt: Skills können Code ausführen, Pakete installieren, Netzwerkanfragen machen und Dateien verändern. Ein schlecht geschriebener oder bösartiger Skill kann den Agenten in unerwünschtes Verhalten steuern.

K-Dense nutzt den Cisco AI Defense Skill Scanner zur wöchentlichen Sicherheitsprüfung aller Skills auf Prompt Injection, Datenexfiltration und Schadcode-Muster. Die Empfehlung: nicht alles auf einmal installieren, sondern nur die Skills, die tatsächlich gebraucht werden. Vor dem Installieren lohnt ein Blick in die SKILL.md der jeweiligen Skill.

Für eigene Prüfungen vor dem Einsatz community-beigetragener Skills:

uv pip install cisco-ai-skill-scanner
skill-scanner scan /path/to/skill --use-behavioral

K-Dense BYOK und K-Dense Web

Das Projekt hat zwei Begleit-Produkte, die das Ökosystem abrunden.

K-Dense BYOK ist eine kostenlose Desktop-App, die auf den 138 Skills basiert. Eigene API-Keys, 40+ Modelle zur Wahl, lokale Datenhaltung, optional Cloud-Compute via Modal für GPU-intensive Workloads. Das ist das Pendant zu Hermes in der wissenschaftlichen Variante: ein persönliches, lokal laufendes Agentensystem mit spezialisiertem Skill-Set.

K-Dense Web ist die gehostete Cloud-Version mit über 200 Skills (mehr als die Open-Source-Version), Cloud-GPUs, Zero-Setup und publikationsreifen Outputs. Für Forscher, die keine Infrastruktur verwalten wollen, aber komplexe Multi-Step-Pipelines brauchen.

Was das für den Skill-Trend bedeutet

Scientific Agent Skills zeigt, was passiert, wenn das Skill-Konzept auf ein spezifisches Fachgebiet trifft: Die Skills sind kein generischer Produktivitäts-Layer, sondern tief in Domänenwissen eingebettet. Ein Drug-Discovery-Workflow, der ChEMBL-Daten abfragt, RDKit für Strukturanalyse nutzt, DiffDock für Docking einsetzt und am Ende einen Report generiert — das ist kein einfacher Prompt, das ist eine mehrstufige Pipeline, die ohne die richtigen Skills erheblich mehr manuelle Arbeit erfordert.

Interessant ist auch der Übergang vom Claude-spezifischen Projekt zum offenen Standard. Die Agent Skills Spezifikation definiert, wie ein Skill-Verzeichnis strukturiert sein muss (SKILL.md mit definiertem Frontmatter, Namenskonventionen), damit verschiedene Agenten ihn verstehen. Das ist der Moment, in dem Skills aufhören, Plattform-Features zu sein, und Infrastruktur werden — ähnlich wie npm-Pakete keine Node-only-Artefakte mehr sind.

Einordnung

Scientific Agent Skills ist eines der umfangreichsten öffentlich verfügbaren Skill-Repositories. 138 Skills, 100+ Datenbanken, 15 Domänen, offener Standard — der Scope ist beachtlich für ein Projekt, das im Oktober 2025 gestartet hat.

Für Entwickler und Forscher, die mit wissenschaftlichen Daten arbeiten, ist das Projekt ein praktikabler Einstieg in agentengestützte Forschungsworkflows. Die Installation dauert einen Befehl, die Dokumentation pro Skill ist vorhanden, und der Sicherheitshinweis zur selektiven Installation ist ernst gemeint.

Was es zeigt: Skills sind nicht abstrakt. Sie sind Markdown-Dateien mit Kontext, Beispielen und Best Practices — und sie verändern, was ein Agent in einem bestimmten Bereich leisten kann. Das ist die praktische Seite dessen, was in Teil 1 als Trend beschrieben wurde.