如何把你的科研工作流打包成Science Skills技能workflow-skill-creator五阶段蒸馏法全解析【免费下载链接】science-skillsGDM Science Skills to speed up agentic scientific workflows with better grounding and higher token efficiency. Integrate insights from AlphaGenome, AFDB, UniProt and 30 other databases and tools.项目地址: https://gitcode.com/gh_mirrors/sc/science-skills你是否也经历过这样的场景一个跑得顺手的科研工作流下次想用却得重新搭一遍Science Skills 项目里的workflow-skill-creator技能正是为解决这个问题而生——它把你已经完成的科研工作流蒸馏成可复用的 AI 智能体技能Agent Skill。所谓五阶段蒸馏法就是先用五轮迭代式头脑风暴把流程讲清楚再依次完成技能设计、代码实现与验证最终产出一个带脚本、带说明、可反复调用的技能包。下面带你完整拆解这套方法。什么是 Science Skills 技能为什么要打包 一个 Science Skill 本质上是一个技能目录SKILL.md带 YAML 元信息的说明文件告诉 AI 什么时候用、怎么用scripts/辅助脚本封装 API 调用、数据处理等references/参考资料、API 文档、模板可选把一次性工作流打包成技能后下次只需一句话比如用那个变体分析流程看看这个突变AI 就能自动调起整套流程。这正是 README.md 中结构化指令 脚本 资源的设计初衷。一个技能跑出来的分析结果大致长这样——多轨道基因组视图Reference 与 Alternate 对照清晰整体流程蒸馏 → 设计 → 实现 → 验证 workflow-skill-creator 把打包过程拆成四个大阶段而五阶段蒸馏就藏在第一个阶段头脑风暴里是整个方法的灵魂蒸馏Phase 1 · 头脑风暴五轮对话把流程榨干榨净设计Phase 2 · 技能设计产出设计文档等你点头实现Phase 3 · 实现按七条军规写代码、写 SKILL.md验证Phase 4 · 验证用自然语言和示例查询实测⚠️ 官方特别提醒必须先完成蒸馏阶段才能写任何代码或 SKILL.md。跳过头脑风暴产出的技能要么太死板要么太空泛。五阶段蒸馏法逐轮拆解 阶段 1读懂工作流AI 先复述它对流程的理解然后追问输入输出是什么这个流程是高频复用还是一次性的这一步确保双方对要蒸馏什么达成共识。阶段 2划定灵活度与容错对流程里的每一步逐一判断它有多死板当主方案失败时比如 API 挂了、查无结果是 (a) 停下来问用户、(b) 自动换备选方案还是 (c) 直接报错还要区分必须用指定数据库的步和怎么做都行的步以及边界情况该静默处理还是暴露给用户。阶段 3盘点依赖与资源关键原则能复用现有技能就绝不重复造轮子。AI 会检查已安装技能覆盖了哪些步骤新技能必须引用而不是重写。同时确认 API 限流rate limit以及需要纳入的领域资料API 文档、参考论文、示例数据集。阶段 4确定范围与形态这一轮决定技能的骨架要不要写代码只要流程里有 API 调用、数据处理、文件读写或计算就默认走CLI 脚本模式每一步纯推理、纯调度的才用纯指令模式。定命令比如search、fetch、analyze这样的子命令。起名字小写 连字符例如my-variant-pipeline。阶段 5准备测试用例可选提供示例查询 期望答案方便开发时自测。比如如果我问 X技能应该输出 Y。五轮走完AI 必须能自信回答这份清单——目的范围、输入输出、哪些步严格/灵活、引用哪些技能、需要哪些新脚本、限流、错误处理、要不要代码、装在哪、有无测试用例——才允许进入下一阶段。设计、实现、验证三步落地 ✅设计阶段会产出一份设计文档包含技能名与描述遵循 YAML 规则、目录结构与安装位置、引用的现有技能及理由、新脚本的子命令、限流与错误处理策略——必须等你明确批准才动手。实现阶段遵循七条军规挑几条最实用的一律用uv run不用python优先标准库如urllib新 API 必须内置限流查不到官方文档就默认 1 请求/秒5xx 用指数退避重试429 抛出专门的RateLimitError默认输出到文件stdout 只留一句简短状态——大 JSON 打满终端既截断又烧 token给 SKILL.md 固定结构Overview、Dependencies、Quick Start、Utility Scripts、Rate Limiting、Common Mistakes脚本可直接套模板 cli_script_template.py验证阶段很简单用一句自然语言唤醒新技能再跑一遍你提供的示例查询核对输出是否符合预期。蒸馏成果长这样 拿 AlphaGenome 单变异分析技能 举例它把查询非编码变异对基因表达、剪接与染色质的影响这一整套流程打包成了一个技能。下面是它产出的真实分析图一张图同时呈现 RNA 表达、染色质、剪接位点与转录因子等多条轨道Reference蓝与 Alternate红对照一目了然——这就是一次打包、反复调用的价值。上手小贴士 先有流程再谈打包该技能专为已经跑通的工作流设计想从零凭空造技能不适用。别跳过头脑风暴省掉五轮对话得到的技能大概率要么太死、要么太虚。复用优先装好现有 Science Skills 包让新技能去引用而不是重写。别改插件目录定制或新增技能请放到个人技能目录避免被插件更新覆盖。完整规则见 workflow-skill-creator/SKILL.md。把重复劳动蒸馏成技能科研工作流从此一句话复用。【免费下载链接】science-skillsGDM Science Skills to speed up agentic scientific workflows with better grounding and higher token efficiency. Integrate insights from AlphaGenome, AFDB, UniProt and 30 other databases and tools.项目地址: https://gitcode.com/gh_mirrors/sc/science-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 如何把你的科研工作流打包成Science Skills技能？workflow-skill-creator五阶段蒸馏法全解析
如何把你的科研工作流打包成Science Skills技能workflow-skill-creator五阶段蒸馏法全解析【免费下载链接】science-skillsGDM Science Skills to speed up agentic scientific workflows with better grounding and higher token efficiency. Integrate insights from AlphaGenome, AFDB, UniProt and 30 other databases and tools.项目地址: https://gitcode.com/gh_mirrors/sc/science-skills你是否也经历过这样的场景一个跑得顺手的科研工作流下次想用却得重新搭一遍Science Skills 项目里的workflow-skill-creator技能正是为解决这个问题而生——它把你已经完成的科研工作流蒸馏成可复用的 AI 智能体技能Agent Skill。所谓五阶段蒸馏法就是先用五轮迭代式头脑风暴把流程讲清楚再依次完成技能设计、代码实现与验证最终产出一个带脚本、带说明、可反复调用的技能包。下面带你完整拆解这套方法。什么是 Science Skills 技能为什么要打包 一个 Science Skill 本质上是一个技能目录SKILL.md带 YAML 元信息的说明文件告诉 AI 什么时候用、怎么用scripts/辅助脚本封装 API 调用、数据处理等references/参考资料、API 文档、模板可选把一次性工作流打包成技能后下次只需一句话比如用那个变体分析流程看看这个突变AI 就能自动调起整套流程。这正是 README.md 中结构化指令 脚本 资源的设计初衷。一个技能跑出来的分析结果大致长这样——多轨道基因组视图Reference 与 Alternate 对照清晰整体流程蒸馏 → 设计 → 实现 → 验证 workflow-skill-creator 把打包过程拆成四个大阶段而五阶段蒸馏就藏在第一个阶段头脑风暴里是整个方法的灵魂蒸馏Phase 1 · 头脑风暴五轮对话把流程榨干榨净设计Phase 2 · 技能设计产出设计文档等你点头实现Phase 3 · 实现按七条军规写代码、写 SKILL.md验证Phase 4 · 验证用自然语言和示例查询实测⚠️ 官方特别提醒必须先完成蒸馏阶段才能写任何代码或 SKILL.md。跳过头脑风暴产出的技能要么太死板要么太空泛。五阶段蒸馏法逐轮拆解 阶段 1读懂工作流AI 先复述它对流程的理解然后追问输入输出是什么这个流程是高频复用还是一次性的这一步确保双方对要蒸馏什么达成共识。阶段 2划定灵活度与容错对流程里的每一步逐一判断它有多死板当主方案失败时比如 API 挂了、查无结果是 (a) 停下来问用户、(b) 自动换备选方案还是 (c) 直接报错还要区分必须用指定数据库的步和怎么做都行的步以及边界情况该静默处理还是暴露给用户。阶段 3盘点依赖与资源关键原则能复用现有技能就绝不重复造轮子。AI 会检查已安装技能覆盖了哪些步骤新技能必须引用而不是重写。同时确认 API 限流rate limit以及需要纳入的领域资料API 文档、参考论文、示例数据集。阶段 4确定范围与形态这一轮决定技能的骨架要不要写代码只要流程里有 API 调用、数据处理、文件读写或计算就默认走CLI 脚本模式每一步纯推理、纯调度的才用纯指令模式。定命令比如search、fetch、analyze这样的子命令。起名字小写 连字符例如my-variant-pipeline。阶段 5准备测试用例可选提供示例查询 期望答案方便开发时自测。比如如果我问 X技能应该输出 Y。五轮走完AI 必须能自信回答这份清单——目的范围、输入输出、哪些步严格/灵活、引用哪些技能、需要哪些新脚本、限流、错误处理、要不要代码、装在哪、有无测试用例——才允许进入下一阶段。设计、实现、验证三步落地 ✅设计阶段会产出一份设计文档包含技能名与描述遵循 YAML 规则、目录结构与安装位置、引用的现有技能及理由、新脚本的子命令、限流与错误处理策略——必须等你明确批准才动手。实现阶段遵循七条军规挑几条最实用的一律用uv run不用python优先标准库如urllib新 API 必须内置限流查不到官方文档就默认 1 请求/秒5xx 用指数退避重试429 抛出专门的RateLimitError默认输出到文件stdout 只留一句简短状态——大 JSON 打满终端既截断又烧 token给 SKILL.md 固定结构Overview、Dependencies、Quick Start、Utility Scripts、Rate Limiting、Common Mistakes脚本可直接套模板 cli_script_template.py验证阶段很简单用一句自然语言唤醒新技能再跑一遍你提供的示例查询核对输出是否符合预期。蒸馏成果长这样 拿 AlphaGenome 单变异分析技能 举例它把查询非编码变异对基因表达、剪接与染色质的影响这一整套流程打包成了一个技能。下面是它产出的真实分析图一张图同时呈现 RNA 表达、染色质、剪接位点与转录因子等多条轨道Reference蓝与 Alternate红对照一目了然——这就是一次打包、反复调用的价值。上手小贴士 先有流程再谈打包该技能专为已经跑通的工作流设计想从零凭空造技能不适用。别跳过头脑风暴省掉五轮对话得到的技能大概率要么太死、要么太虚。复用优先装好现有 Science Skills 包让新技能去引用而不是重写。别改插件目录定制或新增技能请放到个人技能目录避免被插件更新覆盖。完整规则见 workflow-skill-creator/SKILL.md。把重复劳动蒸馏成技能科研工作流从此一句话复用。【免费下载链接】science-skillsGDM Science Skills to speed up agentic scientific workflows with better grounding and higher token efficiency. Integrate insights from AlphaGenome, AFDB, UniProt and 30 other databases and tools.项目地址: https://gitcode.com/gh_mirrors/sc/science-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考