← Về thư mục
📄 / / profiles / r-and-d / raw_evidence / OpenAI4S / skills / README_zh.md

内置 Skills

English

本目录树共暴露 604 个内置 Skill：43 份由 OpenAI4S 筛选维护的配方，加上固定版本的 GPTomics/bioSkills 全部 561 份配方。Skill 是一份 recipe——代码，加上把它跑起来所需的 运维知识——而不是 provider 的 JSON Tool。披露是渐进的：精选 Skill 各占一行摘要，大型 第三方集合合计只占一行，再通过搜索或精确名称展开。只有被选中的 SKILL.md 和可选 kernel.py sidecar 才会加载。

安装

这些配方并不依赖 OpenAI4S，下面每个 Skill 页面都会重复这一节，并换上它自己的名字。有 Node 18+、且 PATH 上有 git（npm 靠它解析 github: 形式的包名）即可，无需先克隆仓库：

npx github:PKU-YuanGroup/OpenAI4S install --all --target claude
npx github:PKU-YuanGroup/OpenAI4S install --collection bioskills --target claude
npx github:PKU-YuanGroup/OpenAI4S install alphafold2 boltz --dir ./my-skills

--target claude 写入 ~/.claude/skills，claude-project 写入 ./.claude/skills，openai4s 写入 <data_dir>/user-skills，--dir <path> 则写到你指定的任意位置。往目标写任何东西之前，都会先打印解析出的绝对路径；--dry-run 到此为止，不再写入。重装时，若目标副本被你改过、或者不是它自己装的，就拒绝覆盖；uninstall 也只删除它自己写过的文件。对于 npm 发布版中包含的配方，可用 npx @pku-yuangroup/openai4s-skills … 安装。npm 目录可能与当前仓库不同；使用 @pku-yuangroup/openai4s-skills@0.2.0 可固定安装包含 603 个 Skill（42 个精选 + 561 个 bioSkills）的发布版本。

没有 Node 时，可以只从源码 tarball 里取出一个目录，再用 python3 -m zipfile -c <name>.zip <name> 打成上传框认的压缩包。tarball 是整个仓库（超过 100 MB），下面这条管道是 POSIX shell（macOS、Linux、WSL）写法：

curl -L https://codeload.github.com/PKU-YuanGroup/OpenAI4S/tar.gz/refs/heads/main \
  | tar -xz --strip-components=2 OpenAI4S-main/skills/alphafold2

同一份内容的图形界面版本是点击下载整个仓库 zip 包，Windows 上也走这条路：解压后把 skills/<name>/ 拷出来即可。如果你本来就在跑 OpenAI4S，那这里没有任何东西需要安装——wheel 自带本目录树中的全部 Skill，且内置 Skill 优先于 <data_dir>/user-skills 里的同名副本。目标目录、来源记录，以及安装器拒绝去做的那些事：../tools/skills-installer/。

子目录

目录 职责
admet_genetic/ 从 seed SMILES 出发的遗传式优化循环，用 RDKit 描述符、QED、SA-Score 和 ADMET-AI 打分。sidecar 故意不提供固定的 GA 引擎：突变、交叉、过滤和打分权重都要你按当前目标自己设计。每一条记录在案的候选分子都必须带着生成它的血缘。
alphafold2/ 通过 ColabFold 的 colabfold_batch 跑 AF2 与 AF2-Multimer：一个 FASTA 加一条命令就能预测，不用在本地挂载 MSA 数据库。MSA 来自公共 MMseqs2 服务器，也就是说序列会被发到那里。只处理蛋白；要做配体或核酸，请转向 boltz、chai1 或 openfold3。
audit-dataset/ 训练或对外发布之前该做的那次检查：schema 漂移、缺失、重复行与重复 ID、目标类别不平衡，以及同一实体横跨 train/validation/test。纯标准库实现。结构层面查干净了，仍然说明不了数据是否有代表性、标签是否正确。
bioprobench/ 用 BioProBench 基准给模型的方案推理能力打分：问答、步骤排序、错误纠正、方案生成，以及由 LLM 裁判评判的错误推理。真正的坑在输入约定——它评的是一份已经把标准答案合并进每条模型回复的文件；喂纯模型输出会在 "status": "failed" 之下返回全零。记得看 Failed_Rate。
bioskills/ 固定版本、只读地引入 MIT 许可的 GPTomics/bioSkills 全部 561 份配方，覆盖 63 个生物信息学类别。中英边界文档、上游许可证和 SHA-256 manifest 保存来源；每份配方仍可搜索/加载，但不会把 561 条描述塞进每轮 system prompt。
boltz/ 对蛋白、DNA、RNA 与配体链做开放权重的 co-folding，还有一个可选的小分子亲和力头。在四个 co-folding Skill 里，它是 binder 验证类任务的默认选择：权重完全开放（MIT），采样最快。
borzoi/ 输入 DNA，输出预测的实验信号覆盖：约 524 kb 窗口上的 RNA-seq、CAGE、DNase 和 ChIP track。给非编码变异打分的做法是跑 ref 与 alt 两个窗口，比较逐 track 的差值。如果你要的是序列似然而不是实验 track，请改用 evo2。
catalyst_sar_screening/ 针对石墨烯 M–N–C 位点的单原子催化剂 SAR 筛选，能量引擎硬锁定在 FAIRChem UMA。禁止启发式、查表和其他 MLIP，也禁止把仓库里已提交的 demo 输出当作用户结果：每个答案都必须来自一次全新的 pipeline 运行。权重 hub 连不上时，它会停下来问，而不是换一种方法糊过去。
chai1/ 和 boltz 覆盖同样的 co-folding 场景，但换了一个模型——这正是它的价值：两个都跑，保留任一模型通过的设计。它的 Python 入口让它比 boltz 更容易嵌进循环里，而且 Apache-2.0 明确允许商用。
diffdock/ 盲式对接。不需要预先划定搜索盒：扩散模型可以把配体放到表面任何位置，再由 confidence 头给采样排序。这个 confidence 反映的是构象是否正确，不是结合自由能，而且不同复合物之间的数值不可比。所以在做苗头化合物分诊之前，还要配一个打分工具。
esmfold2/ Biohub 的 ESM 发布：既有可以只凭单条序列跑的全原子 co-folding，也有 ESMC 语言模型给出的 embedding、突变打分和 contact 预测。当你没有 MSA 也能接受时，它优于其他几个 co-folding Skill。
evaluate-model/ 在留出数据上评估二分类与回归：ROC AUC 会处理并列取值，不确定度来自确定性 bootstrap。它有一半是纪律而不是算术：指标要在看到测试集之前定下来，结果要对照 baseline，还要逐个子群检查。bootstrap 区间刻画的是抽样波动，它不会修正泄漏，也不会修正数据分布偏移。
evidence-walkthrough/ 端到端的参考流程，也是最该先跑的一个：固定查询、本地分析、每个派生产物都声明自己是从哪些版本推导出来的，最后导出一份会话包——接收方只要 openai4s verify-package 就能校验，不需要 daemon。accession 是写死的，因此两次运行可比，这也正是它能当基准用例的原因。校验通过说明这个包完整，不等于可信：这个格式不带签名。
evo2/ 长上下文的 DNA 语言模型。可以给出逐核苷酸的似然用于变异效应打分、基因组窗口的 embedding，以及从前缀出发的序列生成。它给的是序列概率，而 borzoi 给的是实验 track 预测。
example_stats/ 用户自建 Skill 的范例（origin: personal），而且本身就能用：在普通 Python 列表上算均值、标准差、中位数、分位数、z-score 和 Pearson 相关，不依赖 NumPy 和 pandas。要自己写 Skill 之前，先读这一个。
fair-esm2/ 通过 fair-esm 包使用 Meta 的 ESM-2：逐残基与整条序列的 embedding、掩码语言模型的突变打分、contact 预测。注意命名空间撞车：fair-esm 和 esmfold2 背后的 Biohub fork 都以 esm 导入，但是两个不同的库。
figure-composer/ 三个配图 Skill 中的中间层：把一张多 panel 图做好。它把一句话的主张变成 12 列栅格上的 panel 方案，每个 panel 派出一个 sub-agent，拼版并打上字母编号，然后做至多三轮的对抗式整图评审。
figure-style/ 最内层：单张图的规则。它刻意是一份检查清单而不是一套视觉风格，涵盖数据忠实性、标注取舍、按数据形状选图型，以及先渲染再核对的验证步骤。正确性相关的章节在任何情况下都必须遵守；美学相关的章节只是默认值，有明确理由时可以推翻。每个 panel sub-agent 都会加载它。
indication-dossier/ 五个可续做的阶段，围绕单个适应症构建 dossier，并且把它当作一个患者人群而不是一种疾病来写：这些人是谁、流行病学、疾病生物学、标准治疗、监管先例、里程碑临床试验。它期望有 clinical-trials 和 pubmed 这两个 MCP server；没有接上时，就退回到对公开数据源的网页检索。
ligandmpnn/ 当设计面不只有蛋白时用它做反向折叠：小分子、核酸和金属对网络是可见的原子，而 proteinmpnn 会直接忽略它们。它的 runner 也是唯一会把设计序列穿回结构并写出 PDB 的那个。
literature-review/ 从「X 的奠基论文是哪篇」一直到完整的多源综述。它的内容其实就是纪律：先检索再动笔，每一个 DOI 都要解析核实而不是凭记忆写出，用 CrossRef 查撤稿，写出的段落要以你自己的综合判断开头，而不是以某位作者的名字开头。
mineral_spectra_analysis/ 对未知混合矿物的 Raman 光谱做解混。预处理只做一次，然后进入循环：检测残余峰、匹配参考谱库、对所有已选组分做 NNLS 重拟合、扣除。盲分析循环内不得读取 truth.json；对照真值的评估是单独一步，只在答案定稿之后才跑。
openfold3/ AlphaFold3 的 Apache-2.0 复现，所以当你要的就是与 AF3 一致的行为时，选它。权重在 HuggingFace 上是 gated 的，需要先通过访问申请。MSA 服务器默认开启，也就是说除非你显式关掉，序列会离开本机。
paper-narrative/ 配图三层里的最外层，而且它的起点比你以为的更靠前：它读整篇 manuscript 和整套配图，然后由一位「责任编辑」式的评审回答一个问题——就凭 Figure 1，这篇稿子会不会被送外审。产出包括叙事主线、放错了图的 panel、还缺哪些分析、哪些该砍掉。它从你的 manuscript 里推导出的 brief 是模型生成的，动手之前先自己过一遍。
pdf-explore/ 在内核里把 PDF 解析一次并留住每页文本，之后靠大纲、相关性检索、逐页抽取和图片裁剪来干活。它是为那种要同时用到文档多处、甚至要扫遍每一页的问题准备的。如果只是查一到四页、并且下一条回复就要引用，那就跳过它，直接读页面。
plan-ml-experiment/ 训练开始之前要先写下来的东西：假设、baseline、指标、决策规则，以及一条能扛住分组结构或时间结构的划分边界。这里的可复现性是机械落实的，靠配置指纹、数据集校验和、记录在案的 seed 和 Artifact manifest。确定性并不等于结论成立，把一个有偏的划分重复一遍也修不好它。
protein-design-mcp/ 它组合的是内置蛋白设计 MCP 工具，而不是去驱动某一个模型：靶点条件下的 binder 骨架、带约束的序列设计、单体与复合物预测、物理打分与 relaxation、序列自然度打分、能量最小化，以及可复现的候选比较。它自己写明了边界——背后的 RFdiffusion 工具要求给出靶点 hotspot，不表达 epitope-free、motif scaffolding、无条件或膜蛋白感知的生成——并且不附带任何权重或 GPU 环境；connector 及其外部后端需要另行配置。
protein-mutation-enhancement/ 它是编排层，不是模型。它构建确定性的突变体库并给出像 A12V+G47D 这样稳定的 ID，把序列、结构、性质和实验/代理打分合并成一个排序，并决定 gain-of-function 的这一轮是收手还是继续扩库。重量级的模型调用交给 fair-esm2 和 esmfold2。
proteinmpnn/ 设计面只有蛋白时的默认反向折叠步骤：输入 backbone 几何，输出序列，模型小到在 CPU 上跑几条设计就是几秒钟的事。它只写序列，不写别的，所以需要穿好序列的 PDB 时要用 ligandmpnn 的 runner；一旦涉及辅因子或可溶表达，就该换 Skill。
reaction-atom-mapping/ 使用 RXNMapper 对完整反应做原子对应和变化键提取。它要求反应两侧都已知，不能当作 target-only 逆合成模型或可行性测试。
reaction-condition-recommendation/ 对固定反应用 Parrot 生成条件假设，保留 checkpoint 特定的标签词表与温度支持，并区分模型输出和文献/ELN 证据。
reaction-forward-prediction/ 用 ReactionT5v2 做正向产物预测和逆合成步骤的 round-trip recovery 检查。产物排名表示模型一致性，不表示实验可行性。
reaction-yield-estimation/ 对完整反应使用 ReactionT5v2 做有适用域门槛的收率筛选，不声称路线级成功概率。
rfdiffusion/ 用于 de novo binder、hotspot 条件生成和 motif scaffolding 的骨架生成配方。它明确 Hydra 引号与 contig 语义，保留 .trb 映射和批次溯源，并强制后续序列设计及独立的单体/复合物验证；生成本身不是结合证据。
remote-compute-nvidia/ 把任务派发到 NVIDIA NIM，两种形态共用同一套 job 契约。self_hosted 在你自己的 GPU 上跑 nvcr.io 容器；hosted 不需要本地 GPU，但每一次任务请求都会发往 NVIDIA 的托管网关。只有声明过的 key 变量才会转发给受限的 helper，并且会从离开沙箱的日志尾部里抹掉。
remote-compute-ssh/ 在用户自己的 SSH 或 SLURM 主机上跑任务时的编排部分：分区、环境激活、作业脚本、文件暂存、结果回收、恢复。科学内容不归它管。每一次提交都会在用户面前弹出审批框，并且花掉他们的机时，所以一次好的运行应该是：先读已经记下来的主机信息，缺的一次问清，把第一次提交落地，再把学到的东西写下来。
retrosynthesis_planning/ 多步科学问题：AiZynthFinder 从目标搜索到声明的库存，然后对路线做规范化、去重、排序、结构审计和化学家评审渲染。单步、正向、映射、条件和收率问题各有自己的 Skill。
scgpt/ 面向单细胞数据的 transformer 基础模型：用于聚类的细胞 embedding、零样本或微调的细胞类型注释，以及可用于扰动或 GRN 分析的基因表示。checkpoint 是裸目录，不是 HuggingFace repo。代码是 MIT，但没有任何来源说明权重的许可证。
single-cell-rna-analysis/ 面向人/鼠已完成 cell calling 的 10x scRNA-seq 与 snRNA-seq counts 的 CPU Scanpy 工作流：支持单样本描述性 QC/聚类或 donor-aware 对比推断、仅显式请求时使用 Harmony、证据辅助注释、检查点与带校验和的结果包。
scvi-tools/ scgpt 的概率式对应物：scVI 给出批次校正后的隐空间，scANVI 从部分标注的参考集迁移标签，还有贝叶斯差异表达。它需要的是原始整数 UMI counts。要做空间解卷积或映射，请改用 cell2location、DestVI 或 Tangram。
solublempnn/ ProteinMPNN 的同一套架构，在可溶 PDB 子集上重训，使输出偏离全 PDB 模型乐于放置的表面疏水残基。设计出来的蛋白老是聚集、进包涵体时，用它。代价是牺牲几个百分点的原生序列回收率；而且仅凭序列的先验并不是一次可溶性测量。
single-step-retrosynthesis/ 通过已有的隔离、manifest 校验 Syntheseus adapter 调用 RetroChimera，生成一步前体提案，并有意在库存搜索或递归规划前停止。
using-model-endpoint/ 记录一个计划中的 endpoint 作用域推理工作流：一个网络出口被限定到单个已注册 endpoint 的 Python 内核，预置 BASE_URL，没有 job 生命周期。Host 目前实现了 endpoint 的注册与探测，但还没有把这个 provider 接进 ComputeManager，也不会创建对应的 scoped kernel。
volcengine-datapro/ 一份刻意保持窄范围的专业数据集 MCP recipe：发现 dataPro_search、发起真实查询，并且只把结构化结果中整数零的 code 判为可用。仅仅发现工具绝不是鉴权结论。

在架构中的位置