Scientific Agent Skills

Scientific Agent Skills es una biblioteca de habilidades científicas de código abierto creada y mantenida por K-Dense Inc. Su propuesta es bastante clara: extraer de los flujos de investigación aquellas partes en las que los modelos de IA tienen más probabilidades de inventar información —consultas a bases de datos, llamadas a herramientas y procesos de análisis de datos— y convertirlas en módulos de habilidades estandarizados, comprobables, verificables y reutilizables.

En pocas palabras, no es una especie de magia que haga que la IA «sea más inteligente». Es un intento de ingeniería para externalizar, estructurar y convertir en elementos comprobables parte del conocimiento especializado necesario para hacer investigación científica.

También se puede entender como una especie de «npm registry de la ciencia»: un repositorio donde las habilidades científicas pueden distribuirse, instalarse y versionarse como paquetes de software.

Datos clave

• Fecha de creación: 19 de octubre de 2025 (primer commit)
• Desarrollador: K-Dense Inc. (startup especializada en AI for Science, respaldada por Accel y Google AI Futures Fund)
• GitHub Stars: 40.553+ (a 1 de septiembre de 2026)
• Usuarios: más de 175.000 científicos en todo el mundo
• Número de habilidades: 163 habilidades científicas listas para usar
• Bases de datos científicas: más de 100 (PubMed, ChEMBL, UniProt, ClinicalTrials.gov, etc.)
• Áreas cubiertas: 16 disciplinas científicas
• Licencia: MIT
• Última versión: v2.64.0 (aproximadamente una versión nueva cada 5-7 días)

Capacidades principales

163 habilidades listas para usar en 16 áreas científicas

Esta es la propuesta de valor central de Scientific Agent Skills. No se trata de una colección de prompts genéricos, sino de 163 habilidades científicas empaquetadas mediante un enfoque de ingeniería, que cubren áreas como:

• Bioinformática y genómica: análisis de secuencias, single-cell RNA-seq, redes de regulación génica y anotación de variantes.
• Quimioinformática y descubrimiento de fármacos: predicción de propiedades moleculares, cribado virtual, análisis ADMET y docking molecular.
• Proteómica y espectrometría de masas: procesamiento LC-MS/MS, identificación de péptidos y cuantificación de proteínas.
• Investigación clínica y medicina de precisión: ensayos clínicos, farmacogenómica e interpretación de variantes.
• Imagen médica y patología digital: procesamiento DICOM y análisis de imágenes de portaobjetos completos.
• Machine learning e IA: aprendizaje profundo, análisis de series temporales e interpretabilidad de modelos.
• Ciencia de materiales y química: análisis de estructuras cristalinas, diagramas de fases y modelado metabólico.
• Física y astronomía: análisis de datos astronómicos y cálculos cosmológicos.
• Escritura científica y revisiones bibliográficas: revisión por pares, redacción de artículos y gestión de referencias.
• Multi-ómica y biología de sistemas: integración de datos multimodales y análisis de rutas biológicas.

Cada habilidad es un complemento de ingeniería ejecutable

Esta es probablemente la diferencia más importante entre Scientific Agent Skills y una simple «colección de prompts».

Cada habilidad no consiste únicamente en instrucciones escritas, sino en un archivo SKILL.md estructurado acompañado de scripts de validación ejecutables.

Una habilidad típica incluye:

• YAML frontmatter: nombre, descripción, licencia, compatibilidad y otros metadatos legibles por máquinas.
• Instrucciones Markdown: documentación operativa que el agente puede interpretar.
• Scripts de validación: pruebas ejecutables para comprobar que la habilidad funciona correctamente.
• Información de versión: versión en pyproject.toml, metadata.version de cada habilidad y git tag/SHA pin.

Esto permite que las habilidades se revisen, versionen y sometan a pruebas de regresión como si fueran código, además de poder trasladarse entre diferentes entornos como Codex, Claude Code y Cursor.

Integración con más de 100 bases de datos científicas

Scientific Agent Skills ya integra más de 100 bases de datos científicas, entre ellas:

• Biomedicina: PubMed, PubMed Central y ClinicalTrials.gov.
• Química y fármacos: PubChem, ChEMBL y UniProt.
• Genómica: COSMIC, ClinVar y 1000 Genomes.
• Finanzas y regulación: SEC EDGAR y FRED.
• Ciencias de la Tierra: USGS.

El agente puede consultar estas fuentes directamente mediante las habilidades correspondientes, en lugar de intentar generar resultados basándose únicamente en lo que «recuerda».

Estandarización y amplia compatibilidad

Scientific Agent Skills sigue el estándar abierto Agent Skills, por lo que es compatible con:

• Cursor, Claude Code, Codex, Google Antigravity, Pi, NemoClaw y OpenClaw
• Cualquier cliente que admita el estándar abierto Agent Skills

K-Dense BYOK: un asistente científico de IA que puede ejecutarse localmente

La herramienta complementaria K-Dense BYOK es un asistente científico de IA de escritorio, gratuito y de código abierto:

• Permite utilizar tu propia API Key y elegir entre más de 40 modelos.
• Incluye un espacio de trabajo científico completo: búsqueda web, procesamiento de archivos y acceso a más de 100 bases de datos científicas.
• Los datos permanecen en el ordenador local, con posibilidad de utilizar computación en la nube mediante Modal.
• Está diseñado para que incluso usuarios sin una formación técnica avanzada puedan empezar a utilizarlo.

Datos de rendimiento: cuánto mejora realmente con las habilidades

K-Dense ha publicado los siguientes resultados de pruebas:

Prueba	Sin habilidades	Con habilidades	Mejora
Análisis de espectrometría de masas con PyOpenMS	96 % de éxito	100 % de éxito	+4 %
Errores en llamadas a API	Base	-92 %	Gran reducción de errores
Coste por análisis	Base	aprox. -10 %	Optimización de costes
BixBench de bioinformática	65,3 % de precisión	92,0 % de precisión	+26,7 puntos porcentuales
SkillsBench 1.1	Base	+16,6 puntos porcentuales de media	Mejora consistente entre modelos

⚠️ Importante: estas mejoras son especialmente relevantes con modelos potentes, aproximadamente del nivel de Claude Sonnet o superior. En modelos más débiles, si el usuario no menciona explícitamente el nombre de la habilidad en el prompt, la tasa de activación automática puede ser de solo un 8 %.

Opiniones reales de los usuarios

Nota: los siguientes puntos se basan en discusiones y evaluaciones públicas encontradas en plataformas como Zhihu, ChooseAI y Clelp.

Lo que más gusta 👍

• «Como investigador en activo, es lo más parecido a un asistente de laboratorio real que he conectado a un agente.» — Evaluación de Clelp AI.
• «Lo interesante del proyecto no es su marketing, sino que separa precisamente aquellas partes del trabajo científico en las que los modelos suelen inventar información y las convierte en herramientas, documentación, fuentes de datos y límites que pueden comprobarse.» — Evaluación de Zhihu.
• «Las habilidades pueden revisarse, versionarse y someterse a pruebas de regresión como el código, además de migrarse entre Codex, Claude Code, Cursor y otros hosts.» — Evaluación de Zhihu.
• «Reduce considerablemente el tiempo necesario para montar flujos de trabajo que combinan múltiples herramientas.» — Evaluación de ChooseAI.
• «Cada nodo del diagrama lleva una marca SRC que permite volver al archivo y a la línea concretos. Es completamente diferente de esos diagramas generados de la nada.» — Evaluación de AI星球. Esta última valoración procede de una reseña de Archify, pero refleja una necesidad común entre los usuarios: la trazabilidad.

Principales críticas 👎

• «163 Skills representan cobertura, no 163 conclusiones científicas revisadas de forma independiente.» — Una evaluación de Zhihu señala la necesidad de diferenciar entre el número de habilidades y la fiabilidad de las conclusiones.
• «Conectar una base de datos no significa que el razonamiento sea correcto. Un agente puede consultar correctamente una molécula o un artículo y, aun así, cambiar sutilmente el significado al comparar información procedente de distintas fuentes.» — Evaluación de Zhihu.
• «El rendimiento cae claramente con modelos débiles.» — ChooseAI señala que es preferible utilizar modelos potentes como Claude Sonnet 5, GPT-5.6 o Gemini 3.5.
• «Está principalmente adaptado a escenarios de investigación científica en inglés; hay pocas habilidades para medicina china, medicina tradicional y textos clásicos chinos.» — Evaluación de ChooseAI.
• «Los usuarios de Windows que no tengan WSL2 configurado no pueden utilizarlo directamente.» — Evaluación de AI Product Hub.
• «Ejecutarse localmente no significa que los datos sean automáticamente seguros. Cuando una Skill llama a una API externa, descarga datos o ejecuta scripts de terceros, el usuario sigue teniendo que comprobar los límites de datos de cada operación.» — Evaluación de Zhihu.

Scientific Agent Skills frente a proyectos similares

Proyecto	Número de habilidades/herramientas	Mecanismo de validación	Cobertura científica	¿Para quién?
Scientific Agent Skills	163	✅ Script de validación por habilidad	16 áreas: química, biología, medicina, física, materiales, etc.	Investigadores científicos
Anthropic Official Skills	14	Validación parcial	Escenarios generales	Usuarios de agentes generales
LangChain Tools	200+	❌ Sin validación	Escenarios generales	Desarrolladores generales
Microsoft AutoGen	50+	Validación parcial	Escenarios generales	Desarrolladores generales

Fuente de los datos: evaluación de ChooseAI.

La idea clave

• Scientific Agent Skills supera ampliamente a los proyectos similares en profundidad dentro del ámbito científico.
• LangChain Tools ofrece un mayor número de herramientas, pero se trata de una caja de herramientas generalista: intenta cubrir prácticamente de todo, por lo que la profundidad en cada área es menor.
• El mecanismo de validación es la diferencia fundamental entre Scientific Agent Skills y una simple colección de prompts.

Ventajas y desventajas

✅ Ventajas

1. 163 habilidades científicas listas para usar: cubren 16 disciplinas y ofrecen una escala líder dentro del segmento.
2. Cada habilidad es un complemento de ingeniería: incluye scripts de validación ejecutables y no se limita a instrucciones de texto.
3. Más de 100 bases de datos científicas: PubMed, ChEMBL, UniProt, ClinicalTrials.gov, etc.
4. Estandarización + amplia compatibilidad: funciona con Cursor, Claude Code, Codex, Antigravity y otros agentes principales.
5. Gobernanza de versiones en tres niveles: paquete → archivo → seguridad, permitiendo mantener las habilidades de forma similar al código.
6. Escaneo de seguridad: escaneo completo semanal + escaneo incremental de los PR, con resultados escritos automáticamente en SECURITY.md.
7. K-Dense BYOK en local: los datos permanecen localmente y existe la posibilidad de ampliar la capacidad mediante computación en la nube.
8. Licencia MIT: completamente gratuito y libre de utilizar y modificar.
9. Resultados de pruebas destacados: la precisión en BixBench pasa del 65,3 % al 92,0 %.

❌ Desventajas

1. Alta dependencia de modelos potentes: la activación automática con modelos débiles puede quedarse en solo un 8 %.
2. Principalmente orientado a investigación en inglés: la cobertura de medicina china, medicina tradicional y textos clásicos chinos todavía es limitada.
3. Requiere conocimientos técnicos: uso de línea de comandos y configuración de entornos Python.
4. Los usuarios de Windows necesitan WSL2: no ofrece soporte nativo completo.
5. Número de habilidades ≠ fiabilidad de las conclusiones: el usuario debe verificar la precisión de cada habilidad y de sus resultados.
6. La seguridad de los datos requiere supervisión: cuando se utilizan APIs externas, corresponde al usuario controlar los límites de los datos compartidos.

¿Quién debería utilizarlo?

✅ Recomendado para

• Investigadores o ingenieros de IA con cierta formación científica y capacidad para entender la documentación de las habilidades.
• Equipos que ya utilizan Claude Code o Cursor para sus proyectos y quieren integrar la IA en procesos de laboratorio húmedo o análisis de datos clínicos.
• Usuarios que trabajan con dianas farmacológicas, genómica o búsqueda de literatura clínica y están dispuestos a mencionar explícitamente las habilidades que necesitan.
• Equipos que necesitan flujos de trabajo científicos estandarizados y quieren que las habilidades sean versionables y reproducibles.
• Estudiantes de posgrado y investigadores posdoctorales: para validar rápidamente ideas de investigación y reducir el tiempo necesario para conectar múltiples herramientas.

❌ No recomendado para

• Investigadores de laboratorio húmedo que no quieran utilizar la línea de comandos.
• Investigadores de ciencias sociales o humanidades: la cobertura es limitada y no es su principal ámbito.
• Usuarios que buscan una ejecución completamente autónoma de principio a fin y no quieren revisar manualmente los resultados (ese escenario corresponde más al servicio web de pago de K-Dense).
• Usuarios de Windows que no tengan WSL2 configurado.

Puntuación final

Dimensión	Puntuación	Evaluación
Escala y cobertura de habilidades	5,0/5	163 habilidades, 16 disciplinas y una escala líder
Nivel de ingeniería	5,0/5	Cada habilidad incluye scripts de validación; no es una colección de prompts
Estandarización y compatibilidad	5,0/5	Estándar abierto Agent Skills y compatibilidad con los principales agentes
Gobernanza de versiones y seguridad	4,5/5	Gobernanza en tres niveles + escaneo de seguridad
Resultados prácticos	4,5/5	BixBench mejora +26,7 puntos porcentuales, aunque depende de modelos potentes
Facilidad de uso	3,0/5	Requiere línea de comandos, entorno Python y cierta formación técnica
Soporte de idiomas distintos del inglés	2,5/5	Principalmente orientado al inglés y con cobertura científica en chino limitada

Puntuación global: 4,2/5

(Evaluación basada en su posicionamiento como «biblioteca de habilidades para agentes científicos»: destaca por escala y estandarización, ofrece un nivel de ingeniería muy superior al de proyectos similares y presenta resultados prácticos sólidos. Sin embargo, la dependencia de modelos potentes y la barrera técnica son sus principales debilidades. Para investigadores con formación técnica, la valoración puede alcanzar 4,5/5; para investigadores de laboratorio húmedo sin experiencia técnica, puede quedarse alrededor de 3,0/5.)

Conclusión final: ¿merece la pena?

La respuesta depende de tu experiencia técnica y de si ya utilizas herramientas de programación con IA.

Scientific Agent Skills es en 2026 una de las bibliotecas de Agent Skills científicas de mayor escala y estandarización del sector. Más de 40.000 GitHub Stars, más de 175.000 científicos, 163 habilidades de ingeniería y más de 100 bases de datos científicas muestran que el proyecto aborda un problema real:

los modelos de IA pueden ser muy inteligentes, pero no necesariamente saben cómo utilizar correctamente una herramienta científica, consultar una base de datos concreta o ejecutar un flujo de análisis especializado.

Pero hay una cuestión importante:

no es una herramienta que simplemente instalas y empieza a funcionar perfectamente por sí sola.

La tasa de activación automática de solo un 8 % con modelos débiles significa que necesitas modelos aproximadamente del nivel de Claude Sonnet 5, GPT-5.6 o Gemini 3.5. Además, requiere línea de comandos y un entorno Python, algo que puede resultar suficiente para descartar la herramienta para muchos investigadores de laboratorio húmedo.

Y hay que recordar otra distinción fundamental:

163 habilidades representan cobertura, no 163 conclusiones científicas verificadas de forma independiente.

Por tanto, el usuario sigue teniendo que revisar y validar los resultados.

Scientific Agent Skills merece especialmente la pena si:

• Ya utilizas Cursor, Claude Code o Codex u otras herramientas de programación con IA.
• Tienes cierta formación técnica, sabes ejecutar comandos y configurar un entorno Python.
• Tu área es bioinformática, quimioinformática, descubrimiento de fármacos, investigación clínica u otra disciplina cubierta.
• Estás dispuesto a mencionar explícitamente el nombre de las habilidades en lugar de confiar completamente en la detección automática.
• Tu principal idioma de trabajo científico es el inglés.

Conviene pensárselo dos veces si:

• Eres un investigador de laboratorio húmedo que no quiere utilizar la línea de comandos.
• Trabajas principalmente en ciencias sociales o humanidades, donde la cobertura es limitada.
• Eres usuario de Windows y todavía no tienes WSL2 configurado.
• Tu trabajo se desarrolla principalmente en medicina china, medicina tradicional o textos clásicos chinos, donde hay menos habilidades disponibles.
• Utilizas un modelo relativamente débil, como modelos de la gama GPT-4o mini.

En una frase

Scientific Agent Skills está pensado para investigadores con formación técnica que ya utilizan herramientas de programación con IA. Es una de las bibliotecas de habilidades científicas más grandes y estandarizadas de 2026, pero su dependencia de modelos potentes y sus requisitos técnicos hacen que sea mucho más adecuada para investigadores que saben utilizar herramientas de IA que para investigadores centrados exclusivamente en el trabajo experimental.

Si ya utilizas Cursor o Claude Code, Scientific Agent Skills es una de las bibliotecas de habilidades que más merece la pena probar en 2026.

Preguntas frecuentes (FAQ)

¿Scientific Agent Skills es gratuito?

Sí, es completamente gratuito y de código abierto bajo licencia MIT. La instalación, el uso, la modificación y el uso comercial son gratuitos.

¿Qué entorno necesita Scientific Agent Skills?

Necesita Python ≥ 3.13, uv como gestor de paquetes recomendado y Node.js para utilizar el comando npx. Algunas habilidades concretas también pueden requerir bibliotecas científicas como rdkit, scanpy o biopython.

¿Cuál es el comando de instalación?

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

¿Scientific Agent Skills admite español?

Las habilidades están principalmente escritas en inglés, pero los agentes compatibles, como Claude Code, pueden recibir instrucciones en español. La documentación y los scripts de las habilidades están optimizados principalmente para escenarios de investigación científica en inglés.

¿Cuál es la diferencia entre Scientific Agent Skills y las Skills oficiales de Anthropic?

Scientific Agent Skills ofrece 163 habilidades frente a las 14 de Anthropic, cubre 16 áreas científicas frente a escenarios generales y proporciona scripts de validación para cada habilidad, mientras que Anthropic ofrece validación solo en determinados casos.

Por eso, Scientific Agent Skills se posiciona como una de las bibliotecas de Agent Skills de mayor escala dentro del ámbito científico.

¿Para qué sirve Scientific Agent Skills?

Sus principales casos de uso incluyen análisis bioinformático, quimioinformática y descubrimiento de fármacos, análisis de datos clínicos, procesamiento de imágenes médicas, escritura científica y revisión bibliográfica e integración de datos multi-ómicos.

No está especialmente pensado para usuarios sin conocimientos técnicos, ciencias sociales y humanidades o escenarios de laboratorio húmedo que requieran una experiencia completamente independiente de la línea de comandos.