WorkBuddy技能评测 #171 | davila7 的科研分册：58 个数据库技能，把 PubMed 和 AlphaFold 接进对话

2026-11-05silcano

基本信息

• 技能名：davila7 科研与生信分册（alphafold-database、pubchem-database、biopython、scanpy、pubmed-database 等 58 个）
• 来源仓库 Star 数：18,846（另有 18,834/18,837 的科研写作与统计技能）
• 分类：Data & AI
• 数据来源：SkillKit 中央技能库（第三方技能市场，非 WorkBuddy 官方自研）

它解决了什么痛点

科研数据散在几百个专用数据库里：蛋白结构在 AlphaFold DB、化合物在 PubChem、基因表达在 GEO、通路在 KEGG、临床试验在 ClinVar。每个库有自己的 API、自己的 ID 规则、自己的坑。这些技能本质上是「数据库说明书 + 调用模板」，让你在对话里说一句「查一下 EGFR 的已知抑制剂」就能拿到结构化结果，而不是现查 API 文档。

同一批里还夹着另一类：科研写作与思维方法（scientific-writing、literature-review、scientific-critical-thinking、hypothesis-generation、research-grants）。这一类跟数据库无关，纯方法论，对非生物专业的人反而更通用。

对我有没有用（技术 / 自媒体 / AI / 读书）

读书：这一档对你最直接有用的一块。你的「读书」不是读论文，但 literature-review（怎么系统梳理一个主题的文献）和 scientific-critical-thinking（怎么判断一篇研究值不值得信）这两份，方法论可以直接搬到读书笔记上——尤其你写书评时最缺的就是「这个结论的证据强度如何」。自媒体：强选题，比如用 pubmed-database 现场查「每天读书 30 分钟对认知的影响」的原始研究，写出来的东西比二手科普可信一个量级。技术/AI：相关性低，除非你要做科研工具。生物信息那 40 多个数据库技能，除非你本行是这行，否则装了也是占位。

典型场景

你要写一篇「关于阅读与记忆」的深度文章。做法：装 literature-review + pubmed-database，让 AI 先按主题检索近五年综述，按「样本量、是否随机、是否复现」三列做成证据表，再指出哪几条结论相互矛盾。成果：文章从「我看过几本书说……」升级为「我核对过 12 篇原始研究，其中 3 篇结论相反」——这是读书类内容最难被抄的部分。

一句话结论

生物数据库那半是专业工具，非本行不用装；科研写作与批判性思维那半值得单独拎出来用，读书写作直接受益。

📊 完整对比数据见在线总表：WorkBuddy 技能市场全量调研总表（腾讯文档）