aipoch/medical-research-skills · 上手攻略

• 仓库：aipoch/medical-research-skills
• 链接：https://github.com/aipoch/medical-research-skills
• 分类：trending
• 作者：Tom
• 更新：2026-07-11

这是什么

medical-research-skills 是 AIPOCH 团队维护的一个医学研究 Agent Skill 技能库，收录 554+ 套（持续增长）经过 MedSkillAudit 评估的医学研究专项技能，兼容所有 SKILL.md 协议兼容的 AI Agent 平台（OpenClaw、Claude Code、Codex、Open Code、Hermes Agent 等）。

技能覆盖医学研究全流程的四大核心领域：文献证据发现（Evidence Insights）、方案设计（Protocol Design）、数据分析（Data Analysis）、学术写作（Academic Writing）。每个 skill 均为医学研究场景量身定制，不像通用 Prompt 那样需要大量调试才能实际用于科研工作。

解决什么问题

1. 通用 AI 写医学论文质量不够：没有医学研究领域知识，输出的方法描述、统计分析、结果解读经常牛头不对马嘴
2. 医学研究流程长且专业：系统综述、Meta 分析、GWAS、scRNA-seq、临床预测模型……每个细分方向都有独立的方法论标准
3. SKILL.md 协议分散：医学研究者想用 AI agent 辅助研究，缺乏高质量、可直接加载的医学专项 skill
4. 缺乏质量审核机制：现有 AI 医学类工具没有专门的领域审计，输出可信度存疑

AIPOCH 的解法：554+ 套 in-house 设计的医学专项 skill + MedSkillAudit 框架逐个审核 + 开源透明，任何人都能直接加载使用。

快速安装

前置要求

• 一个 SKILL.md 兼容的 AI Agent 平台（推荐 OpenClaw 或 Claude Code）
• Git（下载技能库）

安装步骤

# 1. 克隆仓库
git clone https://github.com/aipoch/medical-research-skills.git
cd medical-research-skills

# 2. 查看技能目录结构
ls skills/

技能库按五大类组织：

skills/
├── evidence-insights/     # 文献与证据发现（79 skills）
├── protocol-design/       # 研究方案设计（68 skills）
├── data-analysis/         # 数据与生信分析（52 skills）
├── academic-writing/      # 学术写作（66 skills）
├── drug-discovery/        # 药物发现与化学信息学（26 skills）
├── clinical-research/     # 临床研究与 Meta 分析（61 skills）
├── manuscript-writing/    # 稿件写作与发表（66 skills）
├── research-docs/        # 研究文档与医学教育
└── skill-auditor/        # MedSkillAudit 审核工具（独立工具）

在 Agent 中加载 Skill

以 OpenClaw 为例（其他平台流程类似）：

1. 将目标 skill 目录（如 skills/evidence-insights/systematic-review-screener/）复制到 Agent 的 skill 加载路径
2. 或在对话中引用 skill 的 SKILL.md 路径，让 Agent 读取并应用其指令

具体加载方式取决于所使用的 Agent 平台，建议查阅对应平台的 SKILL.md 加载文档。

核心技能详解

📚 Evidence Insights（文献与证据发现）— 79 skills

用于研究开始前的文献调研与证据梳理：

• 检索策略：PubMed Boolean 查询构建器、多数据库检索策略设计器、bioRxiv/medRxiv 预印本监控
• 结构化阅读：精确close reading、Figure-first阅读流程、方法逆向工程、结果可靠性评估、证据等级排序
• 证据图谱：疾病机制证据映射、biomarker 景观扫描、药物靶点证据整理、研究热点趋势分析
• gap识别：证据缺口发现（带审计轨迹）、人群缺口检测、方法学缺口检测、未满足临床需求提取
• 引用诚信：引用网络构建与可视化、撤稿观察、论文→结论验证、矛盾结论解析

🧪 Protocol Design（研究方案设计）— 68 skills

覆盖从研究问题到可提交协议的完整路径：

• 核心设计工具：假设生成器、纳排标准构建器、样本量与统计效能计算器、混杂因素与偏倚控制规划
• 临床研究 planners：临床队列方案设计、病例对照研究设计、真实世界证据研究（RWE，使用 EHR/Claims/Registry 数据）、预后生物标志物方案、孟德尔随机化（MR）方案设计
• 组学专项 planners：单细胞研究方案、bulk omics 整合方案、多组学临床整合方案
• 监管注册：PROSPERO 系统综述方案撰写、INPLASY 注册助手、IRB 申请辅助、IACUC 方案起草

🧬 Omics & Bioinformatics（组学与生信分析）— 52 skills

覆盖主流组学数据的分析技能，每个输出均可直接用于论文图表：

• scRNA-seq：Scanpy 端到端 QC→聚类流程、AnnData 操作、scVI-tools 批次整合、自动细胞类型注释、空间转录组（10x Visium/Xenium）
• Bulk RNA-seq：PyDESeq2 差异表达、火山图+聚类热图、limma/DESeq2/edgeR 支持
• 通路与网络：GO/KEGG 富集分析、GSEA、GSVA、WGCNA 共表达网络、ceRNA 网络、TF-靶基因网络、STRING PPI 网络
• 免疫浸润：CIBERSORT 风格 22 种免疫细胞类型反卷积、ssGSEA、ESTIMATE
• 基因组：Biopython（比对/进化/结构）、NCBI BLAST、CRISPR screen 分析、FASTQC 报告解读、Circos 图

📊 Clinical Research & Meta-Analysis（临床研究与 Meta 分析）— 61 skills

SCI 期刊级统计分析技能集：

• Meta 分析全流程：PICOS 生成器、森林图（二分类/连续/生存数据）、漏斗图 + Egger/Begg 偏倚检验、ROB2 Traffic Light 图、Leave-one-out 敏感性分析、PRISMA 流程支持
• 生存分析：Kaplan-Meier 曲线、时间依赖 ROC、Cox 回归、scikit-survival 管道
• 诊断与预测建模：ROC 诊断性能分析、Nomogram 构建、决策曲线分析（DCA）、LASSO + 交叉验证、XGBoost/LightGBM

✍️ Manuscript Writing（学术写作）— 66 skills

覆盖从初稿到返修的全链路写作辅助：

• 各部分写作：Introduction 逻辑构建与方法论写作、Methods（CONSORT/STROBE/PRISMA 合规）、Results 结构化撰写、Discussion 写作、标题与摘要优化
• 图表说明：出版级 Figure Legend 写作、Table Narrative、Graphical Abstract 生成
• 投稿准备：目标期刊匹配、报告规范合规检查（STROBE/PRISMA/TRIPOD/STARD/CARE）、参考文献完整性检查
• 同行评审：审稿人意见响应草稿撰写、修订策略规划、盲审消毒（双盲提交前）

💊 Drug Discovery & Cheminformatics（药物发现）— 26 skills

计算药物化学与转化药理学技能：

• 分子筛选：Lipinski 五规则过滤、PAINS 警示结构、RDKit 分子标准化
• 分子对接：DiffDock 扩散对接（含置信度评分）、PyMOL/UCSF ChimeraX 渲染脚本
• 网络药理学：通路锚定网络药理学规划、Hub-first 网络药理学
• 数据库：ChEMBL、DrugBank、PubChem、ZINC 230M+ 化合物库、HMDB

典型适用场景

• 系统综述作者：用 PRISMA workflow skill 规范流程，用森林图 skill 生成出版级图表
• 临床研究者：用 CONSORT/STROBE 方案设计 skill 规划研究，用 ROB2 工具评估偏倚风险
• 生信分析师：用 scRNA-seq / WGCNA / 免疫浸润 skill 生成可直接用于论文的代码和分析报告
• Meta 分析新手：用 feasibility assessor 判断选题是否适合做 Meta，再按 pipeline skill 一步步走
• 医学研究生：用论文阅读 skill 高效梳理文献，用 gap finder 找研究切入点
• 药企生物统计师：用 FAERS 药物警戒 skill 分析不良事件，用网状 Meta 比较多种疗法

坑与注意

1. Skill 质量参差不齐：虽然有 MedSkillAudit 审核机制，但 554+ skills 仍在快速扩充阶段，使用前建议抽检目标 skill 的 SKILL.md 是否与最新医学标准同步。

2. 统计代码需人工核实：生成的分析代码（R/Python）输出结果需研究者本人核实，AI 可能误解数据特征导致方法选择不当，尤其在多重比较、批次校正等敏感环节。

3. 不支持直接读取 PDF/全文：skill 的文献检索能力依赖 PubMed 和公开数据库，无法直接解析付费数据库（如 Web of Science、Embase）的全文。

4. 中文医学术语支持有限：Skills 默认英文，部分输出的中文医学表述可能不够准确，需要专家审校。

5. 样本量计算仅为参考：protocol-design 类 skill 中的样本量计算结果仅为辅助参考，最终方案需经统计学专家确认。

6. 安装路径因平台而异：SKILL.md 加载方式各平台不一，OpenClaw/Claude Code 以外的平台需自行查阅文档。

与同类对比

medical-research-skills 的独特价值在于医学研究全流程覆盖 + 领域定制化 skill + 质量审核机制，是通用 LLM 做不到的细粒度医学知识服务。

一句话推荐结论

医学研究者想让 AI agent 真正帮上忙而不是帮倒忙，这个 554+ skill 的专项库是目前最完整、经过审核的医学研究 AI 辅助方案——从文献检索到 Meta 分析、从组学生信到 SCI 投稿，覆盖全流程，直接加载就能用。