AlphaFold2 Skill

AlphaFold2 与 AlphaFold2-Multimer，走的是 ColabFold 的 colabfold_batch，而不是 DeepMind 自己的流水线——正因如此，一次预测只需要一条命令加一个 FASTA，而不必挂载 2 TB 的本地数据库。加载器一开始只暴露 Skill 名称与摘要；只有当任务确实需要基于 MSA 的单体或多聚体折叠，或者需要对设计序列做 confidence 与 self-consistency 审阅时，Agent 才会去读 SKILL.md。AF2 与旁边三个 co-folding 模型的区别在覆盖范围：它只折叠蛋白质链，配体和核酸要转给 boltz、chai1 或 openfold3。

本目录不捆绑 AlphaFold 代码、权重、环境，也没有跑着的服务。要真跑一次预测，ColabFold、模型参数和算力都得自己备好；走公共 MSA 路径时，序列还会被发到外部的 ColabFold MMseqs2 服务。Skill 元数据里的 GPU 要求只是声明这份 recipe 需要 GPU，并不能证明机器上真有一块。

用来排名的那几个分数，衡量的是模型对自己刚画出的坐标有多确信，而不是这些坐标对不对。pLDDT 高，说明 AF2 对自己折出来的结构很有把握。ipTM 过了常用的 0.5 这条宽松线，说明 Multimer 模型对自己造出来的界面很有把握——至于这两条链在细胞里究竟会不会碰面，它一个字也没讲。根本不存在的异源二聚体，AF2 照样折得出来，而且折得信心十足。哪怕 rank-1 的模型分数漂亮，它也只是一个待验证的假设，不是结论。

安装

一个 Skill 就是一个文件目录，所谓安装，就是把这个目录复制到 Agent 会去读的地方。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 alphafold2 --target claude

--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 install alphafold2 --target claude 安装发布版本。npm 目录可能与当前仓库不同。

没有 Node 时，直接取这个目录——需要 .zip 上传时再打包。tarball 是整个仓库（超过 100 MB），下面这条管道是 POSIX shell（macOS、Linux、WSL）写法，只解出这一个目录：

curl -L https://codeload.github.com/PKU-YuanGroup/OpenAI4S/tar.gz/refs/heads/main \
  | tar -xz --strip-components=2 OpenAI4S-main/skills/alphafold2
python3 -m zipfile -c alphafold2.zip 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/alphafold2/ 拷出来即可（unzip main.zip 'OpenAI4S-main/skills/alphafold2/*' 只解这一个目录）。如果你本来就在跑 OpenAI4S，那这里没有任何东西需要安装——wheel 自带全部内置 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/。

文件