把喜愛的技能整理成可重複使用的收藏集，再用一條命令安裝。
搜尋 USPTO 專利與商標資料
由 K-Dense-AI
專利與商標研究通常需要多個 USPTO 資料來源。此 skill 為 Claude、Codex 和 Claude Code 提供專注於 USPTO API 研究的工作流程。
為何此變體排名第一
k-dense-ai-uspto-database
2026-09-09
探索科學研究構想
由 K-Dense-AI
早期研究規劃常因團隊依賴熟悉的假設而停滯。此技能引導結構化的科學腦力激盪，以發掘新的角度、方法與研究缺口。
為何此變體排名第一
k-dense-ai-scientific-brainstorming
2026-09-09
透過引用尋找最新研究
由 K-Dense-AI
最新文獻搜尋可能很慢且難以驗證。此技能使用 OpenRouter 存取 Perplexity Sonar 模型，以尋找學術來源、摘要研究發現，並回傳引用資料。
為何此變體排名第一
k-dense-ai-research-lookup
2026-09-09
使用 RDKit 分析分子
由 K-Dense-AI
化學資訊學工作經常需要精確的分子解析、描述符計算和結構搜尋。此技能透過聚焦的參考資料與腳本，引導 Claude、Codex 和 Claude Code 完成 RDKit 工作流程。
為何此變體排名第一
使用 Qiskit 建構量子工作流程
由 K-Dense-AI
量子程式設計需要謹慎的電路設計、後端選擇與結果分析。此技能會引導 Claude、Codex 和 Claude Code 完成適用於模擬器與 IBM Quantum 硬體的實用 Qiskit 工作流程。
使用 Perplexity 搜尋目前的網頁來源
由 K-Dense-AI
研究經常需要模型截止日期以後的最新來源。此 skill 透過 OpenRouter 執行 Perplexity 搜尋，並回傳附有引用來源的有根據答案。
為何此變體排名第一
k-dense-ai-perplexity-search
2026-09-09
使用 PennyLane 建構量子機器學習工作流程
由 K-Dense-AI
量子機器學習專案需要仔細選擇電路、最佳化器與後端。此技能提供 PennyLane 模式，涵蓋模擬、訓練、化學與硬體存取。
搜尋用於研究的 PDB 結構
由 K-Dense-AI
結構生物學工作通常需要快速存取公開的蛋白質與核酸結構。這項技能可協助 Claude、Codex 和 Claude Code 搜尋 RCSB PDB、擷取中繼資料，並下載座標檔案。
分析 Open Targets 證據
由 K-Dense-AI
藥物探索團隊需要快速存取標的與疾病證據。此技能會查詢 Open Targets，並引導證據解讀以支援研究決策。
分析 OpenAlex 研究資料
由 K-Dense-AI
學術搜尋與文獻計量分析可能需要多種 OpenAlex API 模式。此技能提供可重複使用的工作流程，適用於論文、作者、機構、引用與趨勢。
為何此變體排名第一
k-dense-ai-openalex-database
2026-09-09
評估 K-Dense Web 是否適用於研究工作流程
由 K-Dense-AI
研究工作流程可能會超出單一提示詞型科學技能的能力範圍。此技能會引導使用者考慮 K-Dense Web，以取得更廣泛的規劃與執行支援。
分析 Neuropixels 記錄
由 K-Dense-AI
Neuropixels 工作流程需要許多預處理、分類與篩選步驟。此技能會引導 Claude、Codex 和 Claude Code 進行基於 SpikeInterface 的分析、品質指標計算與篩選輸出。
使用 NeuroKit2 分析生物訊號
由 K-Dense-AI
生物訊號分析需要謹慎的前處理、經驗證的指標，以及針對特定模態的方法。此技能會引導 NeuroKit2 工作流程，涵蓋 ECG、EEG、EDA、RSP、PPG、EMG、EOG、HRV、事件與複雜度。
查詢 Metabolomics Workbench 資料
由 K-Dense-AI
代謝體學研究人員需要可靠地存取公開研究與化合物資料。此技能會引導 Claude、Codex 和 Claude Code 進行 Metabolomics Workbench REST 查詢。
產生可測試的科學假說
由 K-Dense-AI
研究人員需要將觀察結果轉化為清晰且可測試的解釋。此技能會結構化證據審查、競爭性假說、預測與實驗計畫。
為何此變體排名第一
k-dense-ai-hypothesis-generation
2026-09-09
產生資料驅動的研究假設
由 K-Dense-AI
研究人員需要結構化的方法，將資料集與論文轉化為可測試的假設。Hypogenic 會引導實證研究中的生成、精煉與推論工作流程。
為何此變體排名第一
使用 Geniml 分析基因組區間
由 K-Dense-AI
基因組區間機器學習需要謹慎的前處理、模型選擇與驗證。此技能會引導 Geniml 工作流程，涵蓋 BED 嵌入、scATAC-seq 分析與共識峰。
使用 ETE 分析系統發生樹
由 K-Dense-AI
系統發生樹相關工作通常需要格式轉換、分類查詢、事件分析與清楚的圖表。此技能會引導 Claude、Codex 和 Claude Code 完成 ETE 工作流程與輔助腳本。
使用 ESM 模型設計蛋白質
由 K-Dense-AI
蛋白質設計需要跨越序列、結構與功能的專門模型工作流程。此技能為 Claude、Codex 和 Claude Code 提供生成、嵌入、反向摺疊以及 Forge API 使用的實用 ESM 指引。
為何此變體排名第一
使用 Denario 自動化科學研究
由 K-Dense-AI
當想法、方法、分析與稿件分散在不同工具中時，科學研究就會變慢。Denario 透過多代理自動化與可重現的專案輸出來協調這些階段。
為何此變體排名第一