Medical Research Skills 完整教學

1. 專案定位與核心價值

這是什麼？

Medical Research Skills 是由 AIPOCH 團隊開發的開源醫學研究 AI Agent Skill 庫，收錄 554+ 個結構化 SKILL.md 檔案。這些 skill 並非傳統意義上的「程式碼套件」，而是為 AI agent 提供的領域知識指令集：每個 SKILL.md 定義了一個特定醫學研究任務的完整工作流程、判斷邏輯與品質檢核標準。

為什麼需要它？

醫學研究涉及高度專業化的工作流 — 從 PubMed 搜索策略建構、臨床試驗設計、單細胞 RNA-seq 分析到 SCI 稿件撰寫 — 每個環節都有嚴格的方法學標準。通用 AI 模型雖然能力強大，但缺乏這些領域特定的「標準作業程序」。Medical Research Skills 的核心價值在於：

1. 結構化工作流：將醫學研究最佳實務編碼為可重複執行的 agent skill
2. 品質門檻：每個 skill 都經過 MedSkillAudit 雙否決門檻審核
3. 跨平台相容：支援 Claude Code、Codex、Open Code、Hermes Agent、OpenClaw 等 SKILL.md 相容平台
4. 持續成長：從 2026-02 建立以來，已從早期版本成長至 554+ skills，開發節奏穩定

核心數據

2. 安裝與環境設定

前置需求

• Git（含 Git LFS）
• AI Agent 平台：Claude Code、OpenClaw、Codex、Open Code、Hermes Agent 或其他支援 SKILL.md 的平台
• Python 3.10+（部分 skill 含可執行腳本）

方法一：直接 Clone

1# 完整 clone（建議，約 50-80 MB）
2git clone https://github.com/aipoch/medical-research-skills.git
3
4# 或 shallow clone（省空間）
5git clone --depth 1 https://github.com/aipoch/medical-research-skills.git

方法二：OpenClaw 一鍵安裝

1# macOS / Linux / WSL
2bash <(curl -s https://raw.githubusercontent.com/aipoch/medical-research-skills/main/scientific-skills/scripts/openclaw-install.sh)
3
4# 先預覽不實際安裝
5bash <(curl -s https://raw.githubusercontent.com/aipoch/medical-research-skills/main/scientific-skills/scripts/openclaw-install.sh) --dry-run

安裝腳本會：

1. Clone repo 到臨時目錄
2. 將所有含 SKILL.md 的資料夾複製到 ~/.openclaw/skills/
3. 跳過已存在的 skill
4. 完成後提示執行 openclaw gateway restart

方法三：AIPOCH 整合指令

1# 下載整合指引
2curl -sL https://aipoch.com/skill.md > ./skills/aipoch.md

接著按指引連接你的 agent 平台。

方法四：手動安裝個別 Skill

1# 只取用需要的 skill
2cp -r medical-research-skills/scientific-skills/Data\ Analysis/scanpy/ ~/.claude/skills/scanpy/

自訂安裝路徑

1# 設定 OpenClaw skills 目錄到自訂位置
2export OPENCLAW_SKILLS_DIR=/path/to/my/skills
3bash <(curl -s https://raw.githubusercontent.com/aipoch/medical-research-skills/main/scientific-skills/scripts/openclaw-install.sh)

3. 核心架構解析

整體架構

Medical Research Skills 的架構以「SKILL.md 即介面」為核心設計理念：每個 skill 是一個自包含的資料夾，透過標準化的 SKILL.md 與 AI agent 互動。

graph TB
    subgraph "GitHub Repository"
        direction TB
        README["README.md
專案說明 + 分類索引"]
        INSTALL["scripts/openclaw-install.sh
一鍵安裝腳本"]
        
        subgraph "scientific-skills/ (463 skills)"
            S_EI["Evidence Insight
115 skills"]
            S_PD["Protocol Design
25 skills"]
            S_DA["Data Analysis
115 skills"]
            S_AW["Academic Writing
96 skills"]
            S_OT["Other
112 skills"]
        end
        
        subgraph "awesome-med-research-skills/ (141 skills)"
            A_EI["Evidence Insight
26 skills"]
            A_PD["Protocol Design
47 skills"]
            A_DA["Data Analysis
38 skills"]
            A_AW["Academic Writing
28 skills"]
            A_OT["Other
2 skills"]
        end
        
        subgraph "skill-auditor/"
            AUDIT["MedSkillAudit
SKILL.md + README"]
            AUDIT_REF["references/
稽核標準"]
            AUDIT_SCR["scripts/
稽核腳本"]
        end
    end
    
    subgraph "AI Agent Platform"
        AGENT["Claude Code / OpenClaw / Codex / etc."]
    end
    
    subgraph "Skill Structure (per skill)"
        SKILL_MD["SKILL.md
主定義檔"]
        REFS["references/
參考資料"]
        SCRIPTS["scripts/
可執行腳本"]
        ASSETS["assets/
模板/範例"]
        EVALS["evals/
稽核結果"]
    end
    
    INSTALL -->|"安裝"| AGENT
    AGENT -->|"讀取 + 執行"| SKILL_MD
    SKILL_MD --> REFS
    SKILL_MD --> SCRIPTS
    SKILL_MD --> ASSETS
    AUDIT -->|"品質控管"| SKILL_MD

兩個 Skill 集合的差異

SKILL.md 標準格式

每個 skill 的 SKILL.md 遵循一致的結構：

1---
2name: skill-name
3description: 觸發條件與功能摘要
4license: MIT
5author: AIPOCH
6---

正文包含：

• When to Use — 觸發情境
• Input Validation — 輸入驗證與越界判斷
• Core Workflow — 分步驟的執行流程
• Key Reference — 語法/公式/標準參照表
• Quality Checklist — 輸出品質自檢清單
• Hard Rules — 不可違反的禁令
• References — 指向 references/ 子目錄的補充資料

MedSkillAudit 稽核流程

graph LR
    S1["Step 1
Skill Veto
結構紅線"]
    S2["Step 2
Static Eval
25 指標"]
    S3["Step 3
分類路由"]
    S4["Step 4
動態輸入生成"]
    S5["Step 5
執行測試"]
    S6["Step 6
多層評分
+ Research Veto"]
    S7["Step 7
Human Review"]
    S8["Step 8
最終報告"]
    
    S1 -->|"PASS"| S2
    S1 -->|"FAIL"| REJECT1["REJECT"]
    S2 --> S3 --> S4 --> S5 --> S6
    S6 -->|"PASS"| S7
    S6 -->|"Research Veto FAIL"| REJECT2["REJECT"]
    S7 --> S8
    
    style REJECT1 fill:#ff6b6b,color:#fff
    style REJECT2 fill:#ff6b6b,color:#fff

雙否決門檻：

1. Skill Veto（結構否決）：檢查 Operational Stability、Structural Consistency、Result Determinism、System Security — 任一 FAIL 直接拒絕
2. Research Veto（研究否決）：檢查 Scientific Integrity、Practice Boundaries、Methodological Ground、Code Usability — 只適用於四大研究類別

評分公式：

1Final Score = Static Score x 40% + Dynamic Score x 60%

• Static Score 基於 ISO 25010 + OpenSSF + Agent 的 25 項指標（100 分制）
• Dynamic Score 基於動態測試輸入的實際執行品質

4. 主要功能詳解

4.1 Evidence Insight（證據洞察）— 79 skills

涵蓋醫學文獻搜索的完整管線：

biomedical-search-strategy-builder 使用範例：

1輸入：「幫我建構 aspirin 用於 diabetes 患者 stroke prevention 的 PubMed 搜索策略」
2
3輸出：
41. PICO 分析（Population: DM patients, Intervention: aspirin, Outcome: stroke prevention）
52. MeSH mapping table（含未驗證 MeSH 的警告）
63. Boolean query（line-by-line + single copy-paste）
74. Filter 建議（RCT、Human、English）
85. 跨資料庫 adaptation（Embase、WoS 版本）

4.2 Protocol Design（研究設計）— 68 skills

從研究問題到投稿級 protocol 的完整流程：

• Core Design：hypothesis generator、sample size planner、confounder control planner
• Translational：mechanism-to-validation planner、translational study blueprint
• Specialized Planners：30+ 疾病/方法特化 planner（Two-sample MR、NHANES biomarker、FAERS pharmacovigilance、network pharmacology 等）
• Regulatory：PROSPERO writer、IRB assistant、IACUC drafter

4.3 Data Analysis / Omics & Bioinformatics — 52 skills

從 raw data 到可投稿圖表的分析管線：

• Single-cell：Scanpy QC-to-clustering、scVI batch integration、cell type annotation、spatial transcriptomics
• Bulk RNA-seq：PyDESeq2 DE、volcano/heatmap、limma/DESeq2/edgeR
• Pathway & Network：GO/KEGG、GSEA、GSVA、WGCNA、ceRNA、PPI
• Immune Infiltration：CIBERSORT、ssGSEA、ESTIMATE
• Genomics：Biopython toolkit、BLAST、CRISPR screen、Circos plot

Scanpy skill 結構範例：

1scientific-skills/Data Analysis/scanpy/
2├── SKILL.md                    # 主定義（QC → 正規化 → 降維 → 聚類 → DE → 視覺化）
3├── references/                 # API 參照、parameter 指引
4├── scripts/
5│   └── qc_analysis.py         # 可直接執行的 QC 分析腳本
6└── assets/
7    └── analysis_template.py   # 可複用的分析模板

4.4 Clinical Research & Meta-Analysis — 61 skills

涵蓋臨床統計與 meta-analysis 全流程：

• Meta-analysis Pipeline：PICOS generator → eligibility criteria → forest plot → funnel plot → sensitivity analysis → manuscript drafting
• Survival Analysis：Kaplan-Meier、time-dependent ROC、Cox regression
• Diagnostic Modeling：ROC、nomogram、calibration curve、decision curve analysis
• Risk of Bias：ROB2、NOS、QUADAS-2、PROBAST、QUAPAS

4.5 Drug Discovery & Cheminformatics — 26 skills

• Molecular Screening：Lipinski filtering、PAINS detection、RDKit processing
• Molecular Docking：DiffDock diffusion-based docking、PyMOL/ChimeraX rendering
• Systems Pharmacology：network pharmacology、network toxicology、COBRApy
• Databases：ChEMBL、DrugBank、PubChem、ZINC、HMDB、TDC

4.6 Academic Writing — 66 skills

• Manuscript Sections：introduction logic builder → methods writer (CONSORT/STROBE/PRISMA) → results structurer → discussion composer
• Submission：target journal matcher、reporting guideline compliance checker、LaTeX converter、arXiv preflight
• Peer Review：reviewer comment response drafter、revision strategy planner、blind review sanitizer

4.7 Research Workflow & Lab Management — 77 skills

• Lab Operations：reagent expiry scanner、buffer calculator、chemical hazard sorter
• Scientific Visualization：heatmap beautifier、volcano plot generator、UpSet plot、multi-panel figure assembler
• Computational Pathology：HistoLab WSI tiling、PathML analysis、pyDICOM
• Document Production：PDF processor、PowerPoint builder、academic poster generator

5. 應用場景與實戰範例

場景一：系統性文獻回顧

 1# 1. 建構搜索策略
 2使用 skill: biomedical-search-strategy-builder
 3輸入：「CAR-T cell therapy for relapsed/refractory DLBCL, efficacy and safety」
 4→ 輸出 PubMed Boolean query + Embase adaptation
 5
 6# 2. 篩選文獻
 7使用 skill: systematic-review-screener
 8→ PRISMA flow + 納入/排除
 9
10# 3. 品質評估
11使用 skill: rob2-rct-bias-assessment
12→ ROB2 traffic light + summary bar plot
13
14# 4. Meta-analysis
15使用 skill: forest-plot-binary / funnel-plot
16→ Forest plot + publication bias assessment
17
18# 5. 撰稿
19使用 skill: meta-manuscript-generator
20→ 含 PubMed 自動引用的完整稿件草稿

場景二：單細胞 RNA-seq 分析

 1# 1. QC + 前處理
 2使用 skill: scanpy
 3→ 基因/細胞過濾、doublet detection、正規化
 4
 5# 2. Batch integration
 6使用 skill: scvi-tools
 7→ scVI 潛在空間整合
 8
 9# 3. Cell type annotation
10使用 skill: cell-type-annotation
11→ 自動標註 + manual curation 指引
12
13# 4. Differential expression
14使用 skill: pydeseq2-differential-expression
15→ DE genes + volcano plot
16
17# 5. Pathway analysis
18使用 skill: gsea-gene-set-enrichment
19→ GSEA enrichment + leading edge analysis

場景三：藥物再利用研究設計

 1# 1. 研究設計
 2使用 skill: drug-repurposing-study-planner
 3→ 完整 protocol draft
 4
 5# 2. 分子篩選
 6使用 skill: lipinski-rule-of-five
 7→ ADME 預篩選
 8
 9# 3. 分子 docking
10使用 skill: diffdock-blind-docking
11→ DiffDock blind docking + confidence scoring
12
13# 4. Network pharmacology
14使用 skill: pathway-anchored-network-pharmacology
15→ 多靶點-多通路網絡分析
16
17# 5. 安全性資料
18使用 skill: single-drug-faers-safety-profile
19→ FAERS disproportionality analysis

場景四：SCI 稿件投稿準備

 1# 1. 目標期刊匹配
 2使用 skill: target-journal-matcher
 3→ 依主題/設計/證據強度推薦期刊
 4
 5# 2. Reporting guideline 合規檢查
 6使用 skill: reporting-guideline-compliance-checker
 7→ CONSORT / STROBE / PRISMA 逐項核對
 8
 9# 3. 參考文獻完整性
10使用 skill: reference-integrity-checker
11→ 檢查引用格式、遺漏、重複
12
13# 4. 投稿信
14使用 skill: cover-letter-drafter
15→ 期刊對應格式的 cover letter
16
17# 5. Reviewer response 準備
18使用 skill: author-response-builder
19→ point-by-point 回覆模板

6. 資安掃描報告

掃描範圍

對 repo 全部 .py、.sh、.md 檔案進行關鍵字掃描，搜索 eval、exec、os.system、subprocess、shell=True、curl、wget、pickle、__import__、secret、token、password、api_key 等模式。

掃描結果

🟢 低風險 (Low Risk)

注意事項

1. 安裝腳本透過 curl | bash 模式執行 — 這是常見但需注意的模式。建議先下載腳本檢視後再執行
2. SKILL.md 中多次提到 execution、executable path、scripts/main.py 等字樣，但這些是描述性文字，指的是 skill 內建的分析腳本路徑，並非遠端執行
3. 部分 skill 含 Python 腳本（如 scripts/qc_analysis.py），執行前應檢視腳本內容

結論

此 repo 本質上是宣告式的 SKILL.md 集合，絕大多數內容為 Markdown 文件而非可執行程式碼。附帶的 Python 腳本為特定分析任務的輔助工具。整體安全風險為 低 (🟢)。

7. FAQ 常見問題

Q1：這些 skill 是「程式」還是「文件」？

主要是結構化文件（SKILL.md）。它們是給 AI agent 閱讀的「標準作業程序」，定義了工作流程、判斷邏輯和品質標準。部分 skill 附帶可執行的 Python 腳本作為輔助工具。

Q2：我不用 OpenClaw，可以用嗎？

可以。任何支援 SKILL.md 格式的 AI agent 平台都能使用。你也可以手動將特定 skill 的 SKILL.md 放入你的 agent 的 skills 目錄（如 Claude Code 的 ~/.claude/skills/）。

Q3：scientific-skills/ 和 awesome-med-research-skills/ 有什麼不同？

scientific-skills/ 是完整庫（463 個），awesome-med-research-skills/ 是精選版（141 個），後者全部經過 MedSkillAudit 審核。如果你只想用「最高品質」的 skill，從 awesome 版本開始。

Q4：MedSkillAudit 可以用來審核我自己寫的 skill 嗎？

可以。skill-auditor/SKILL.md 本身就是一個 agent skill，你可以用它來審核任何 SKILL.md 格式的 skill — 不限於 AIPOCH 出品的 skill。

Q5：Skill 會產生「幻覺」嗎？

每個 skill 都內建 Hard Rules 禁止捏造 — 例如 biomedical-search-strategy-builder 明確禁止「Never fabricate MeSH terms」和「Never fabricate result counts」。但最終品質仍取決於底層 LLM，使用者應檢核關鍵輸出。

Q6：需要什麼 Python 環境？

大多數 skill 不需要 Python（純文件）。含腳本的 skill 需要 Python 3.10+，依賴套件在 SKILL.md 的 Dependencies 段落中列出。

8. 進階技巧

8.1 建構自訂 Skill 組合

根據研究類型組合最佳 skill 鏈：

1# 例：臨床回顧性研究的最小 skill 套件
2cp -r awesome-med-research-skills/Evidence\ Insight/biomedical-search-strategy-builder/ ~/.claude/skills/
3cp -r awesome-med-research-skills/Evidence\ Insight/high-value-paper-screener/ ~/.claude/skills/
4cp -r awesome-med-research-skills/Protocol\ Design/clinical-cohort-protocol-designer/ ~/.claude/skills/
5cp -r awesome-med-research-skills/Data\ Analysis/pydeseq2-differential-expression/ ~/.claude/skills/
6cp -r awesome-med-research-skills/Academic\ Writing/methods-section-writer/ ~/.claude/skills/

8.2 用 MedSkillAudit 審核自訂 Skill

1# 在 AI agent 中觸發
2讀取 skill-auditor/SKILL.md，然後對我的 my-custom-skill/SKILL.md 執行完整稽核

MedSkillAudit 會產出：

• Veto 報告（PASS/FAIL）
• 靜態分數（/100）
• 動態測試輸入（3-7 個，依複雜度）
• 最終分數 + P0/P1/P2 優化建議
• 改善後的 SKILL.md

8.3 Skill 的 references/ 活用

許多 skill 的 references/ 資料夾包含深度參考資料：

1biomedical-search-strategy-builder/references/
2├── mesh-structure.md      # MeSH 階層結構指引
3└── boolean-examples.md    # 分類查詢範本

這些 reference 可以獨立當作「cheat sheet」使用，即使不透過 agent 執行 skill。

8.4 批次安裝特定類別

1# 只安裝 Evidence Insight 類別的精選 skills
2for d in awesome-med-research-skills/Evidence\ Insight/*/; do
3    name=$(basename "$d")
4    cp -r "$d" ~/.claude/skills/"$name"/
5done

8.5 與本地 RAG 系統整合

1# 將所有 SKILL.md 匯入 paper-qa-lite 建立 RAG 索引
2find awesome-med-research-skills -name "SKILL.md" -exec cp {} /path/to/rag-corpus/ \;

9. 整合進其他工作流

與 Claude Code 整合

1# 方法一：全部安裝
2cp -r awesome-med-research-skills/*/* ~/.claude/skills/
3
4# 方法二：透過專案級 CLAUDE.md 引用
5# 在專案的 CLAUDE.md 中加入：
6# 醫學研究 skills 路徑：/path/to/medical-research-skills/awesome-med-research-skills/

與 OpenClaw 整合

使用內建安裝腳本（見第 2 章），安裝後 openclaw gateway restart 即可在所有 agent 中使用。

與 AI-Knowledge Template (AIKT) 整合

本教學所屬的 AI-Knowledge Template 系統可直接引用這些 skills：

1. Layer 9 (paper-search)：搭配 Evidence Insight skills 強化搜索策略
2. Layer 10 (paper-qa-lite)：將 SKILL.md 作為 RAG 語料
3. Layer 18 (research-pipeline-v2)：在 9-stage 管線中嵌入 Protocol Design / Data Analysis skills
4. Layer 19 (tu-plan-generator)：搭配 Drug Discovery skills 擴充 ToolUniverse 能力

與 GitHub Actions CI 整合

Repo 內建的 GitHub Actions workflow 會在 push 到 main 時自動打包 skill 並建立 release：

1# .github/workflows/ 中的自動化流程
2on:
3  push:
4    branches: [main]
5    paths:
6      - 'scientific-skills/**'
7      - 'awesome-med-research-skills/**'

10. 重點摘要 Checklist

• 理解 Medical Research Skills 是「AI agent 用的結構化醫學研究工作流指令集」，不是傳統套件
• 知道兩個 skill 集合的差異：scientific-skills/（完整）vs awesome-med-research-skills/（精選）
• 選擇適合的安裝方式：OpenClaw 一鍵 / 手動 clone / 個別 skill 複製
• 了解 SKILL.md 的標準格式：frontmatter → When to Use → Core Workflow → Quality Checklist → Hard Rules
• 知道 MedSkillAudit 的雙否決機制：Skill Veto（結構）+ Research Veto（研究）
• 根據研究類型選擇正確的 skill 類別和 skill 組合
• 安全掃描結果為 🟢 低風險，但安裝腳本使用 curl | bash 模式需注意
• 可以用 MedSkillAudit 審核自訂 skill
• 了解與 Claude Code / OpenClaw / AIKT 的整合方式

11. 進一步閱讀與參考資源

官方資源

• GitHub Repo: aipoch/medical-research-skills
• AIPOCH 官網: aipoch.com
• Awesome Med Research Skills: awesome-med-research-skills/
• MedSkillAudit: skill-auditor/

社群

• X/Twitter: @aipoch_ai
• LinkedIn: AIPOCH
• YouTube: @AIPOCH_AI

相關技術

• OpenClaw: github.com/openclaw/openclaw — 自架 AI agent gateway
• Claude Code: claude.ai — Anthropic 的 CLI AI 工具
• Scanpy: scanpy.readthedocs.io — 單細胞分析框架
• MeSH Browser: meshb.nlm.nih.gov — NLM MeSH 詞彙瀏覽器

相關 AIKT Layers

• Layer 9: paper-search — 學術論文搜索
• Layer 10: paper-qa-lite — 本地 RAG 問答
• Layer 12: gh-tutorial-qd — GitHub 全套教學交付
• Layer 18: research-pipeline-v2 — 多管線研究工作流
• Layer 19: tu-plan-generator — ToolUniverse 12 領域編排