Original em inglês: https://argusic.com/subject/scientific-agent-skills
scientific-agent-skills
Transforme qualquer AI agent em um Cientista de IA. A biblioteca de Agent Skills #1 para ciência, usada por 250,000+ cientistas em todo o mundo. 177 habilidades validadas prontas para uso, além de 100+ bancos de dados científicos cobrindo biologia, química, medicina e descoberta de medicamentos. Compatível com Cursor, Claude Code, Codex, Pi, Antigravity e o padrão aberto de Agent Skills.
Executa com mocksfonte: GitHubpágina do projetoPythonMITcommit 92ace75ac21e
Python, licença MIT. O projeto se descreve como: agent skills, ai scientist, bioinformatics, chemoinformatics, claude, claude skills, claudecode e clinical research.
scientific-agent-skills executa, com substitutos para os serviços de que depende. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 2,5 minutos e encontrou 6 erros, corrigindo todos sem ajuda, e a sessão inteira foi gravada.
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.
O que o agent conseguiu em uma máquina limpa, nas palavras dele. Como isto é medido
Medido pela Argusic em uma máquina nova, todas as vezes. Cada número tem link para as suas evidências. Pontuação Argusic 56 de 100 (a média das pontuações das execuções deste projeto).
Visão geral
Dados do projeto de GitHub, com link no topo desta página, atualizado em . Dados de teste da Argusic (CC BY 4.0); cada número tem link para uma página de execução com o log completo, a gravação e os hashes sha256 deles.
O que foi medido
Da execução que decidiu este veredito. Cada linha é um valor registrado, não uma estimativa.
O que deu errado, nas palavras do agent
As palavras do próprio agent, das piores para as menores, nunca reescritas como conselho.
- 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
- Tempo de instalação
- 3 minutos
- Da máquina limpa até o fim
- 17 minutos
- Erros encontrados e corrigidos
- 6 encontrados, 6 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- 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 exato testado
- 92ace75ac21e
- Imagem do container
- sha256:cdd920bce783
O que não foi medido
A outra metade, para você ver exatamente até onde estas evidências vão. Uma lacuna é mostrada como lacuna e nunca é preenchida.
- Pico de memória da GPU
- esta execução foi em uma máquina com CPU, então não havia GPU para medir
- Comportamento em uma execução longa
- cada tentativa usa as menores configurações documentadas e um orçamento de tempo fixo, então isto mede se ele executa, não como ele se comporta sob carga
- Comportamento com serviços reais
- esta execução foi verificada apenas com serviços substitutos
O fim da gravação
As últimas linhas da sessão de terminal que decidiu este veredito, exatamente como foram gravadas.
}
],
'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
78,541Reproduzir a sessão inteira, cada comando desde a máquina limpa até este ponto.
Como foi testado
Um agent, um container, nenhuma ajuda humana. Ele instala o projeto do jeito que a própria documentação do projeto manda, executa o projeto e corrige o que quebra. Tudo abaixo é registrado como aconteceu: a sessão de terminal, o log e o commit exato. A metodologia completa.
Pontos fortes e limites
Fatos medidos, não opiniões. Como este conteúdo é escrito.
O que deu certo
- Instalado em 2,5 minutos, mais rápido que a mediana dos 106 projetos comparáveis que a Argusic mediu.
- Recuperou-se de todos os 6 erros sem que uma pessoa interviesse, o que indica que as falhas estão documentadas o suficiente para serem resolvidas.
- Licença MIT, segundo a plataforma onde o projeto está hospedado.
- Medido 2 vezes, então o resultado não é um caso isolado.
O que não deu certo, ou não se sabe
- Só chegou a um estado de execução com serviços substitutos, então nada aqui prova que ele funciona com os serviços reais.
Dos 107 projetos de agent-skills que a Argusic instalou e cronometrou, scientific-agent-skills foi o 53º mais rápido a chegar a um estado de execução, e 78 de 107 chegaram a esse estado.
Também testados, na mesma área
Cada um destes foi instalado e executado pela Argusic em uma máquina limpa. Nada aparece aqui sem ter sido testado.
Histórico de execuções
| testado por | tentativa | resultado | pontuação | custo USD | quando |
|---|---|---|---|---|---|
| Argusic Runner | 2/3 | Não executou | 20,00 | 0,24 | |
| Argusic Runner | 1/3 | Executa com mocks | 92,00 | 0,07 |
Tópicos (de GitHub)
agent-skillsai-scientistbioinformaticschemoinformaticsclaudeclaude-skillsclaudecodeclinical-researchcomputational-biologydata-analysisdrug-discoverygenomicsmaterials-sciencemetabolomicsproteomicsscientific-computingscientific-visualization
Incorporar o selo
Markdown para o README do projeto. Ele tem link de volta para esta página; os termos estão na página de termos.
[](https://argusic.com/subject/scientific-agent-skills)Perguntas
- scientific-agent-skills executa?
- scientific-agent-skills executa, com mocks no lugar de serviços externos. A Argusic o instalou e iniciou em uma máquina limpa em 3 minutos, encontrando 6 erros no caminho, e gravou a sessão.
- Como a Argusic testou scientific-agent-skills?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit 92ace75ac21e. Há 2 tentativas registradas, e a metodologia completa está na página da metodologia.
- Quanto custou testar scientific-agent-skills?
- A execução que produziu este veredito custou US$ 0,07: custo real de computação e de modelo, não um preço de tabela por milhão de tokens. Esse valor está registrado na página da execução.
- Quanto tempo leva para instalar scientific-agent-skills?
- 2,5 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- scientific-agent-skills precisa de GPU?
- Não para iniciar. A Argusic chegou a um estado de execução em uma máquina sem GPU.
- O que dá errado ao instalar scientific-agent-skills?
- 6 coisas quebraram na execução registrada, e 6 foram corrigidas sem ajuda humana. Cada uma, com o tempo que custou, está listada nesta página.
- Como scientific-agent-skills se compara às alternativas?
- Dos 107 projetos de agent-skills que a Argusic instalou e cronometrou, scientific-agent-skills foi o 53º mais rápido a chegar a um estado de execução, e 78 de 107 chegaram a esse estado.
- Onde estão as evidências de scientific-agent-skills?
- Todas as 2 execuções registradas estão nesta página, cada uma com link para o seu log completo e a sua gravação do terminal, guardados com uma impressão digital sha256 para que não possam ser alterados discretamente.