Original en inglés: https://argusic.com/subject/scientific-agent-skills
scientific-agent-skills
Convierte cualquier AI agent en un AI Scientist. La biblioteca de Agent Skills #1 para ciencia, usada por 250,000+ científicos en todo el mundo. 177 skills validados listos para usar, más 100+ bases de datos científicas que cubren biología, química, medicina y descubrimiento de fármacos. Compatible con Cursor, Claude Code, Codex, Pi, Antigravity y el estándar abierto de Agent Skills.
Funciona con mocksfuente: GitHubsitio webPythonMITcommit 92ace75ac21e
Python, licencia MIT. El proyecto se describe a sí mismo como: agent skills, ai scientist, bioinformatics, chemoinformatics, claude, claude skills, claudecode y clinical research.
scientific-agent-skills funciona, con sustitutos de los servicios de los que depende. Un agent de Argusic lo instaló en 2,5 minutos y encontró 6 errores, todos corregidos sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
Repo installs cleanly. All 177 skills pass skills-ref validation. The meta test suite (18/18) passes. 75 skill test suites pass (70 standard + 5 isolated), 81 are empty (expected for scriptless skills). Security scanner works. Skill image generator works.
Lo que el agent consiguió en una máquina limpia, en sus propias palabras. Cómo se mide
Medido por Argusic en una máquina limpia cada vez. Cada cifra enlaza a su evidencia. Puntuación Argusic de 56 sobre 100 (la media de las puntuaciones de las ejecuciones de este proyecto).
De un vistazo
Datos del proyecto de GitHub, enlazados al principio de esta página, actualizado . Datos de prueba de Argusic (CC BY 4.0); cada cifra enlaza a una página de ejecución con el log completo, la grabación y sus hashes sha256.
Qué se midió
De la ejecución que decidió este veredicto. Cada línea es un valor registrado, no una estimación.
Qué salió mal, en palabras del propio agent
Las palabras del propio agent, de lo más grave a lo menos, nunca reescritas como consejos.
- pip install uv failed: externally-managed-environment1 minuto
- uv sync did not install dev dependency group (pytest, jsonschema, skills-ref)0,5 minutos
- npm install -g uv failed: permissions error0,5 minutos
- System Python 3.12.3 is below pyproject.toml requires-python >=3.13
- 5 test suites failed in non-isolated mode (cellprofiler, geomaster, relion, scientific-slides, scikit-bio)
- skill_scanner.scan() not directly importable from Python
- Tiempo de instalación
- 3 minutos
- De máquina en frío a terminar
- 17 minutos
- Errores encontrados y corregidos
- 6 encontrados, 6 corregidos sin ayuda humana
- Cómo se demostró el resultado
- uv sync installed all deps; uv run skills-ref validate on all 177 skills (all valid); uv run python -m pytest tests/_meta -q exited 0 (18 passed); uv run python tests/run_all.py showed 70 suites pass + 5 isolated-only + 81 empty (expected); skill-scanner scan citation-management returned OK SAFE; generate_skill_image.py --dry-run processed correctly
- Tokens de modelo usados
- 78.541
- Commit exacto probado
- 92ace75ac21e
- Imagen del contenedor
- sha256:cdd920bce783
Qué no se midió
La otra mitad, para que veas exactamente hasta dónde llega esta evidencia. Un hueco se muestra como hueco y nunca se rellena.
- Memoria de GPU máxima
- se ejecutó en una máquina con CPU, así que no había GPU que muestrear
- Comportamiento en una ejecución larga
- cada intento usa la configuración documentada más pequeña y un presupuesto de tiempo fijo, así que esto mide si funciona, no cómo aguanta bajo carga
- Comportamiento con servicios reales
- esta ejecución solo se verificó con servicios sustitutos
El final de la grabación
Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.
}
],
'test_depth': 'tier2_mock',
'verified_how': 'uv sync installed all deps; uv run skills-ref validate on all 177 skills (all …
'final_state': 'Repo installs cleanly. All 177 skills pass skills-ref validation. The meta test…
'notes': 'The repo is a skill distribution package, not a standalone application. Verification …
}
import json; print('ARGUSIC_RESULT:' + json.dumps(result))
\"" in /work/repo
succeeded in 0ms:
tokens used
78,541Reproducir la sesión completa, cada comando desde una máquina limpia hasta este punto.
Cómo se probó
Un agent, un contenedor, sin ayuda humana. Instala el proyecto como indica su propia documentación, lo ejecuta y arregla lo que falla. Todo lo de abajo se registró tal como ocurrió: la sesión de terminal, el log y el commit exacto. La metodología completa.
Puntos fuertes y límites
Hechos medidos, no opiniones. Cómo se redacta.
Qué salió bien
- Se instaló en 2,5 minutos, más rápido que la mediana de los 106 proyectos comparables que ha medido Argusic.
- Se recuperó de los 6 errores sin que interviniera una persona, lo que indica que los fallos están lo bastante documentados como para resolverlos.
- Licencia MIT, según su plataforma de origen.
- Medido 2 veces, así que el resultado no es algo puntual.
Qué no salió bien, o no se sabe
- Solo llegó a funcionar con servicios sustitutos, así que nada de lo que hay aquí demuestra que funcione con los reales.
De los 107 proyectos de agent-skills que Argusic ha instalado y cronometrado, scientific-agent-skills fue el 53.º más rápido en llegar a funcionar, y 78 de 107 llegaron a funcionar.
También probados, en la misma área
Argusic instaló y ejecutó cada uno de estos proyectos en una máquina limpia. Aquí no aparece nada que no se haya probado.
Historial de ejecuciones
| probado por | intento | resultado | puntuación | costo USD | cuándo |
|---|---|---|---|---|---|
| Argusic Runner | 2/3 | No funcionó | 20,00 | 0,24 | |
| Argusic Runner | 1/3 | Funciona con mocks | 92,00 | 0,07 |
Temas (de GitHub)
agent-skillsai-scientistbioinformaticschemoinformaticsclaudeclaude-skillsclaudecodeclinical-researchcomputational-biologydata-analysisdrug-discoverygenomicsmaterials-sciencemetabolomicsproteomicsscientific-computingscientific-visualization
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/scientific-agent-skills)Preguntas
- ¿Funciona scientific-agent-skills?
- scientific-agent-skills funciona, con mocks en lugar de los servicios externos. Argusic lo instaló y lo inició en una máquina limpia en 3 minutos, con 6 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic scientific-agent-skills?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit 92ace75ac21e. Hay 2 intentos registrados, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar scientific-agent-skills?
- La ejecución que produjo este veredicto costó 0,07 USD: costo real de cómputo y de modelo, no un precio de lista por millón de tokens. Consta en la página de esa ejecución.
- ¿Cuánto tarda scientific-agent-skills en instalarse?
- 2,5 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita scientific-agent-skills una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar scientific-agent-skills?
- En la ejecución registrada fallaron 6 cosas, y 6 se corrigieron sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Cómo se compara scientific-agent-skills con las alternativas?
- De los 107 proyectos de agent-skills que Argusic ha instalado y cronometrado, scientific-agent-skills fue el 53.º más rápido en llegar a funcionar, y 78 de 107 llegaron a funcionar.
- ¿Dónde está la evidencia de scientific-agent-skills?
- Las 2 ejecuciones registradas están en esta página, cada una enlazada a su log completo y a su grabación de terminal, guardados con una huella sha256 para que no se puedan alterar en silencio.