Scientific Agent Skills, 연구용 AI 스킬팩 써볼 만할까?

3줄 요약

Scientific Agent Skills는 연구, 과학, 공학, 데이터 분석, 논문 작성에 특화된 Agent Skills 묶음이다. Codex, Claude Code, Cursor처럼 Agent Skills를 읽는 호스트에서 쓸 수 있다.
2026년 5월 17일 확인 기준 GitHub repo는 별 23,417개, 포크 2,506개이고 최신 릴리스는 v2.38.0이다. README는 135개 스킬을 말하지만, SECURITY.md는 136개 스캔, 로컬 파일 기준은 137개 SKILL.md라 빠르게 바뀌는 repo로 보는 편이 맞다.
추천 대상은 “논문을 대신 쓰게 할 사람”이 아니라, 문헌 검색, 데이터 처리, 코드 실행, 시각화, 초안 검토를 에이전트와 함께 반복할 연구자다.

Scientific Agent Skills는 정확히 무엇일까?
왜 연구용 AI 에이전트에서 스킬이 중요할까?
135개 스킬은 어떤 분야를 커버할까?
설치는 어떻게 해야 안전할까?
K-Dense BYOK와 K-Dense Web은 무엇이 다를까?
보안 리포트의 Critical은 어떻게 읽어야 할까?
대학원생과 연구실은 어디에 먼저 써야 할까?
NotebookLM, Zotero, 일반 챗봇과는 어떻게 나눠 쓸까?
지금 바로 설치해도 되는 사람은 누구일까?
FAQ
결론: 설치보다 먼저 정해야 할 것은 무엇일까?

결론부터 말하면, K-Dense-AI/scientific-agent-skills는 연구용 AI 에이전트를 본격적으로 써보려는 사람에게 꽤 중요한 repo다. 다만 “클릭 한 번으로 AI 과학자가 된다”는 식으로 받아들이면 곤란하다. 이 repo의 가치는 모델을 똑똑하게 만드는 마법이 아니라, 연구자가 자주 반복하는 작업을 SKILL.md 단위로 잘라서 에이전트가 덜 헤매게 만드는 데 있다.

가장 잘 맞는 독자는 대학원생, 연구실 엔지니어, 바이오·화학·데이터 분석 쪽에서 Codex나 Claude Code를 이미 쓰는 사람이다. 반대로 로컬 파일 권한, API 키, 외부 전송, 패키지 설치 위험을 아직 관리하기 어렵다면 바로 전체 설치부터 할 필요는 없다. 먼저 필요한 스킬 1~3개만 읽고, 작은 샌드박스 프로젝트에서 써보는 쪽이 낫다.

Scientific Agent Skills는 정확히 무엇일까?

Scientific Agent Skills는 K-Dense가 공개한 연구·과학용 Agent Skills 모음이다. GitHub 설명은 “research, science, engineering, analysis, finance and writing”에 쓸 수 있는 ready-to-use Agent Skills라고 정리한다. 2026년 5월 17일 확인 기준 repo는 2025년 10월 19일 생성됐고, 별 23,417개, 포크 2,506개, MIT 라이선스를 표시한다 (출처: GitHub API).

여기서 핵심은 “스킬”이다. Agent Skills 표준은 대체로 SKILL.md를 중심으로, 에이전트가 특정 작업을 수행할 때 따라야 할 절차, 도구 사용법, 참고 문서, 예시를 묶는 방식이다 (출처: Agent Skills specification). 즉 일반 챗봇에게 “논문 찾아줘”라고 말하는 것보다, 문헌 검색, 데이터베이스 조회, RDKit 사용, Scanpy 분석, 논문 초안 검토 같은 일을 더 명시적인 절차로 안내하는 구조다.

이 흐름은 한 repo만의 유행은 아니다. Google Research는 AI co-scientist를 과학 가설 생성과 협업 지원 방향으로 소개했고, Sakana AI의 AI Scientist-v2는 agentic tree search로 자동화된 연구 발견을 실험한다 (출처: Google Research, AI Scientist-v2 arXiv). K-Dense도 skills repo와 별도로 K-Dense 홈페이지, K-Dense Web FAQ, K-Dense Web pricing을 통해 앱·웹 제품군을 함께 설명한다.

K-Dense README는 이 repo가 Cursor, Claude Code, Codex 등 Agent Skills 호환 호스트에서 작동한다고 설명한다. 원래 “Claude Scientific Skills”였던 것이 더 넓은 Agent Skills 호환성으로 이름을 바꾼 흐름도 README 상단에 적혀 있다 (출처: README).

Agent Skills 표준과 Codex, Claude Code, Cursor, Gemini CLI 같은 호스트, K-Dense Scientific Agent Skills, 연구 결과물의 관계를 보여주는 인포그래픽 — Scientific Agent Skills는 모델 자체가 아니라, 연구 작업을 더 구체적인 절차와 예시로 안내하는 스킬 레이어에 가깝다.

이 글의 기준

이 글은 Scientific Agent Skills를 “AI가 연구를 대신하는 도구”가 아니라 “연구자가 에이전트에게 작업 절차를 더 정확히 맡기기 위한 스킬팩”으로 본다. 이 기준을 잡아야 장점과 위험이 같이 보인다.

왜 연구용 AI 에이전트에서 스킬이 중요할까?

연구용 AI에서 어려운 점은 답변을 예쁘게 쓰는 것이 아니다. 진짜 어려운 지점은 데이터베이스마다 API가 다르고, 패키지마다 사용법이 다르고, 문헌 검색과 인용 검증과 코드 실행이 계속 이어진다는 점이다. 일반 챗봇은 이 긴 절차를 말로는 설명할 수 있지만, 실제 로컬 프로젝트에서 반복 가능한 작업 흐름으로 유지하기는 어렵다.

스킬은 이 빈틈을 줄인다. 예를 들어 BioPython, RDKit, Scanpy, PyTorch Lightning, Qiskit 같은 라이브러리는 이미 문서가 많다. 그런데 에이전트에게 매번 최신 사용법, 권장 패턴, 입력과 출력 형태를 설명하는 것은 피곤하다. Scientific Agent Skills는 이런 도구별 사용 문맥을 SKILL.md와 예시로 묶어 둔다.

이 흐름은 카파시가 말한 AI 코딩의 스킬 문화와도 이어진다. 좋은 에이전트 사용법은 “프롬프트를 길게 잘 쓰는 법”에서 끝나지 않고, 프로젝트 안에 반복 가능한 지식과 절차를 저장하는 쪽으로 간다. Scientific Agent Skills는 그 아이디어를 과학 연구 쪽으로 크게 확장한 사례다.

방식	에이전트가 아는 것	연구자가 얻는 것	주의점
일반 챗봇	대화 안에 적은 내용	빠른 설명과 초안	실제 파일·코드·DB 연결은 약함
코딩 에이전트	repo, 파일, 터미널, 도구	분석 코드와 반복 작업 자동화	분야별 과학 도구 문맥은 직접 줘야 함
Agent Skills	작업 절차, 예시, 참조 문서	반복 가능한 전문 워크플로	스킬 자체의 신뢰성과 권한을 점검해야 함

135개 스킬은 어떤 분야를 커버할까?

README는 이 repo가 135개의 scientific and research skills를 제공한다고 설명한다. 포함 범위는 꽤 넓다. 생명정보학, 유전체학, 화학정보학, 약물 발견, 단백질 공학, 임상 연구, 의료 영상, 머신러닝, 재료과학, 물리·천문, 지리공간 분석, 실험실 자동화, 논문 작성과 피어리뷰까지 들어간다 (출처: README).

숫자는 약간 조심해서 읽어야 한다. README의 배지는 135개 스킬을 말하고, SECURITY.md는 2026년 5월 11일 기준 136개 스킬을 스캔했다고 적는다. 로컬에서 2026년 5월 17일 clone한 repo의 scientific-skills 아래 SKILL.md는 137개였다. 이건 어느 한쪽이 거짓이라는 뜻보다, repo가 빠르게 갱신되면서 문서, 보안 스캔, 현재 파일 수가 서로 다른 시점의 스냅샷이라는 뜻에 가깝다.

범주	예시	좋은 사용 장면
문헌·글쓰기	literature-review, scientific-writing, peer-review, citation-management	논문 구조, 초안 검토, 인용 정리
바이오·유전체	biopython, scanpy, scvelo, depmap, cellxgene-census	단일세포 분석, 유전자 변이, 공공 DB 조회
화학·신약	rdkit, datamol, deepchem, diffdock, openmm	분자 특성, 도킹, ADMET, 시뮬레이션
데이터·ML	polars, dask, scikit-learn 계열, pytorch-lightning, timesfm	대용량 전처리, 모델링, 시계열 예측
시각화·문서	infographics, scientific-slides, latex-posters, mermaid	논문 그림, 발표자료, 연구 설명 자료
연구 운영	hypothesis-generation, research-grants, scholar-evaluation	아이디어 정리, 과제 제안, 연구자/문헌 평가

숫자보다 중요한 것

135개인지 136개인지보다 중요한 질문은 “내 연구에서 실제로 필요한 스킬이 무엇이고, 그 스킬이 어떤 파일 권한과 외부 API를 쓰는가”다. 전체 설치보다 선택 설치가 먼저다.

설치는 어떻게 해야 안전할까?

README가 안내하는 가장 간단한 설치 명령은 npx skills add K-Dense-AI/scientific-agent-skills다. GitHub CLI를 쓰는 사람은 gh skill install K-Dense-AI/scientific-agent-skills도 가능하다. GitHub는 2026년 4월 16일 changelog에서 gh skill로 Agent Skills를 관리하는 기능을 소개했고, README도 --agent codex, --agent claude-code, --agent cursor, --agent gemini 같은 타깃 설치 예시를 제시한다 (출처: README, GitHub Changelog).

npx skills add K-Dense-AI/scientific-agent-skills

gh skill install K-Dense-AI/scientific-agent-skills --agent codex
gh skill install K-Dense-AI/scientific-agent-skills --agent claude-code
gh skill install K-Dense-AI/scientific-agent-skills --agent cursor

하지만 바로 전체 설치부터 추천하지는 않는다. README의 보안 안내도 skills can execute code, install packages, make network requests, modify files라는 취지로 강하게 경고한다. 특히 커뮤니티 기여가 늘어난 만큼 “필요한 것만 설치하라”는 권고가 들어 있다 (출처: README security disclaimer).

목적을 먼저 정한다

문헌 리뷰, RDKit 분석, Scanpy 전처리, 논문 피어리뷰처럼 이번 프로젝트에 필요한 작업을 1~3개로 좁힌다.

해당 SKILL.md를 읽는다

도구 권한, 외부 API, 설치 패키지, 파일 쓰기 여부, 예시 명령을 먼저 본다.

샌드박스 프로젝트에서 실행한다

실제 논문 데이터나 민감한 연구 파일이 아닌 테스트 파일로 한 번 돌린다.

API 키와 비밀값을 분리한다

실험용 계정, 최소 권한 키, 별도 환경변수 파일을 사용하고 로그에 키가 남지 않게 한다.

버전을 고정한다

재현성이 필요한 연구라면 release tag나 commit SHA로 설치 시점을 기록한다.

PROMPT

I want to use Scientific Agent Skills only for literature review in this sandbox repository. Before running anything, inspect the relevant SKILL.md files and report: 1. Which external services may receive my query or files 2. Which commands may be executed 3. Which local files may be written 4. Whether this is safe to test with non-sensitive sample data

K-Dense BYOK와 K-Dense Web은 무엇이 다를까?

Scientific Agent Skills repo만 보면 K-Dense의 제품 구조가 조금 헷갈릴 수 있다. 현재 보이는 이름은 크게 세 가지다. 첫째, 지금 다루는 open-source skill repo. 둘째, 데스크톱에서 실행하는 K-Dense BYOK. 셋째, 브라우저 기반 서비스인 K-Dense Web이다.

K-Dense BYOK repo는 “Scientific Agent Skills powered AI co-scientist running on your desktop”로 소개된다. 2026년 5월 17일 GitHub API 기준 별 693개, 포크 75개, MIT 라이선스, TypeScript 프로젝트다 (출처: K-Dense BYOK repo). README 상단의 설명에 따르면 BYOK는 사용자의 API 키를 가져와 로컬 데스크톱 앱에서 모델 선택, 파일 처리, 과학 DB 접근, 작업공간을 제공하는 방향이다.

K-Dense Web은 반대로 호스팅된 연구·분석 플랫폼에 가깝다. K-Dense가 직접 쓴 비교 글은 repo와 Web을 각각 로컬 제어가 강한 스킬 레이어와 접근성이 높은 웹 서비스로 나눠 설명한다. 다만 vendor-authored 글이므로 중립 벤치마크처럼 읽기보다는 제품 포지션 설명으로 읽는 편이 안전하다 (출처: K-Dense Web vs Scientific Agent Skills).

Scientific Agent Skills repo, K-Dense BYOK, K-Dense Web의 실행 위치와 추천 대상을 비교한 표 — 코드와 파일을 직접 다루면 repo 스킬팩, 앱형 연구공간이면 BYOK, 팀·비개발자 접근성이 중요하면 Web 쪽이 더 자연스럽다.

선택지	실행 위치	추천 대상	핵심 장점	주의점
Scientific Agent Skills repo	Codex, Claude Code, Cursor 같은 호스트 안	코딩 에이전트와 연구 파일을 직접 다루는 사용자	가볍고 세밀하게 스킬을 고를 수 있음	스킬별 권한과 외부 전송을 직접 점검해야 함
K-Dense BYOK	로컬 데스크톱 앱	API 키를 직접 관리하면서 연구 작업공간을 쓰려는 사용자	모델 선택, 파일 처리, 연구 워크스페이스	베타 성격, 키 관리, 로컬 환경 이슈
K-Dense Web	호스팅 웹 플랫폼	팀, 비개발자, 빠른 접근성이 필요한 조직	설치 부담이 낮고 서비스형 경험	플랫폼 의존과 가격·데이터 정책 확인 필요

보안 리포트의 Critical은 어떻게 읽어야 할까?

이 repo에서 가장 눈에 띄는 부분은 SECURITY.md다. 2026년 5월 11일 생성된 리포트는 136개 skills를 스캔했고, 총 794개 findings, Critical 63개, High 18개, Safe skills 106/136이라고 적는다 (출처: SECURITY.md).

이 숫자를 보고 “악성 repo다”라고 단정하면 과하다. 동시에 “공식 repo니까 그냥 설치해도 된다”라고 넘기는 것도 위험하다. 보안 스캐너의 Critical/High는 대개 스킬이 파일을 읽고 쓰거나, 명령을 실행하거나, 외부 네트워크로 데이터를 보낼 수 있는 경로를 신호로 잡는다. 과학 연구 스킬은 실제로 패키지를 설치하고, 데이터베이스에 접속하고, 분석 파일을 생성해야 하기 때문에 위험 신호가 많이 뜰 수밖에 없다.

문제는 그 신호를 어떻게 다루느냐다. 예를 들어 research-lookup 스킬은 Parallel이나 OpenRouter 같은 외부 API로 query text가 전송될 수 있음을 명시한다 (출처: research-lookup SKILL.md). 논문 아이디어, 미공개 데이터, 환자 정보, 기업 비밀을 그대로 넣으면 안 되는 이유가 여기 있다.

Scientific Agent Skills 보안 체크리스트와 SECURITY.md의 스캔 수치를 요약한 인포그래픽 — 스캐너 수치는 악성 판정이 아니라 위험 신호다. 신호를 보고 설치 범위, 키 관리, 샌드박스를 정하는 것이 핵심이다.

보안 수치 해석법

Critical 63개라는 숫자는 “당장 쓰면 안 된다”가 아니라 “권한이 큰 스킬을 아무 생각 없이 전체 설치하면 안 된다”에 가깝다. 특히 연구 데이터가 민감하거나 IRB, NDA, 기업 보안 규정이 걸려 있다면 외부 API 전송과 로컬 파일 접근을 먼저 확인해야 한다.

대학원생과 연구실은 어디에 먼저 써야 할까?

처음부터 “AI Scientist”처럼 모든 연구 과정을 맡기려고 하면 오히려 불안정하다. 가장 좋은 시작점은 반복적이고 검증 가능한 작은 병목이다. 문헌 리스트 정리, 데이터 전처리 코드 초안, 패키지 사용 예시 검색, 그림 초안, 리뷰어 관점의 약점 찾기 같은 작업이 여기에 해당한다.

이미 대학원생 논문 AI 도구 가이드에서 다룬 것처럼, 연구용 AI의 핵심은 대필이 아니라 검증 루프다. Scientific Agent Skills도 같은 기준으로 보는 편이 좋다. “논문을 써줘”가 아니라 “내가 찾은 논문 목록을 연구 질문별로 군집화해줘”, “이 RDKit 코드가 어떤 가정을 하는지 설명해줘”, “이 그림이 논문 Methods와 맞는지 체크해줘”처럼 좁게 써야 한다.

사용 장면	좋은 요청	나쁜 요청
문헌 리뷰	내가 제공한 DOI 목록을 주제·방법·한계별로 분류해줘	최신 논문을 알아서 찾아서 결론 내줘
데이터 분석	이 CSV 스키마를 보고 전처리 체크리스트를 만들어줘	데이터를 알아서 분석해서 의미를 뽑아줘
코드 작성	Scanpy 튜토리얼 기반으로 QC 파이프라인 초안을 작성해줘	단일세포 분석 코드를 완성해줘
논문 작성	Methods와 Results 사이의 논리 누락을 찾아줘	SCI 논문으로 바로 제출 가능하게 써줘
시각화	논문 Figure 1의 설명 구조를 제안해줘	그럴듯한 과학 그림을 만들어줘

PROMPT

Use the relevant Scientific Agent Skills only after inspecting them. My goal is to review 25 papers about single-cell RNA-seq in cancer immunotherapy. Inputs I can provide: DOI list, abstracts, BibTeX, and notes. Do not invent papers. First, create a literature matrix schema and identify what metadata I should collect manually.

NotebookLM, Zotero, 일반 챗봇과는 어떻게 나눠 쓸까?

Scientific Agent Skills가 흥미롭다고 해서 기존 연구 도구를 대체하는 것은 아니다. 오히려 역할을 나누면 더 강해진다. NotebookLM은 업로드한 소스 안에서 질의응답과 요약을 하는 데 강하고, Zotero는 서지와 PDF 관리에 강하다. 일반 챗봇은 설명, 브레인스토밍, 문장 다듬기에 빠르다. Scientific Agent Skills는 로컬 파일, 코드, 패키지, 데이터베이스, 에이전트 실행 절차가 이어지는 작업에서 빛난다.

NotebookLM 활용 가이드를 이미 쓰고 있다면, NotebookLM을 “근거를 묶어 읽는 공간”으로 두고 Scientific Agent Skills를 “코드와 작업을 실행하는 공간”으로 나누면 된다. 예를 들어 NotebookLM에서 논문 30개의 핵심 차이를 정리하고, Codex에서 그 정리표를 바탕으로 분석 코드와 Figure 생성 워크플로를 만든다.

도구	강한 작업	약한 작업	Scientific Agent Skills와의 조합
NotebookLM	업로드한 자료 기반 요약과 질의응답	로컬 코드 실행과 패키지 워크플로	근거 노트를 만든 뒤 Codex 작업 입력으로 사용
Zotero	서지, PDF, 인용 관리	분석 코드 실행과 자동화	BibTeX와 DOI 목록을 스킬 입력으로 제공
일반 챗봇	설명, 발상, 문장 다듬기	재현 가능한 파일 기반 작업	아이디어 초안을 만든 뒤 스킬로 검증
Scientific Agent Skills	코드·DB·패키지·문서 작업 절차화	출처 검증 없이 단독 결론 내리기	다른 도구의 정리물을 실행 가능한 워크플로로 전환

더 큰 맥락에서는 Google의 AI co-scientist나 Sakana AI Scientist-v2 같은 연구 자동화 흐름과도 비교할 수 있다. Google Research는 AI co-scientist를 과학 가설 생성과 협업 지원 도구로 설명하고, AI Scientist-v2는 agentic tree search로 워크숍 수준의 자동화된 과학 발견을 시도한다고 소개한다 (출처: Google Research, AI Scientist-v2 arXiv). Scientific Agent Skills는 그런 대형 연구 자동화 시스템이라기보다, 오늘 내 로컬 에이전트가 사용할 수 있는 실전형 작업 지식 묶음에 가깝다.

지금 바로 설치해도 되는 사람은 누구일까?

추천 대상은 분명하다. Codex, Claude Code, Cursor 같은 에이전트를 이미 쓰고 있고, 연구 파일과 코드를 로컬에서 다루며, 어떤 스킬이 어떤 권한을 쓰는지 읽을 수 있는 사람이다. 특히 바이오인포매틱스, 화학정보학, 데이터 분석, 과학 시각화 쪽에서는 “패키지 문서를 매번 찾아 설명하는 비용”을 줄이는 효과가 클 수 있다.

반대로 다음에 해당하면 조금 기다리거나, 최소 설치부터 가는 편이 낫다. 민감한 환자 데이터나 미공개 실험 데이터를 다루는데 외부 전송 정책을 아직 정하지 않았다면 위험하다. 연구실 공용 Mac이나 서버에서 API 키 관리가 느슨하다면 위험하다. “설치하면 알아서 논문이 된다”는 기대라면 실망할 가능성이 크다.

유형	추천도	이유
Codex/Claude Code 숙련 사용자	높음	스킬의 권한과 파일 작업을 읽고 통제할 수 있음
바이오·화학·데이터 분석 연구자	높음	전문 패키지와 DB 사용 예시가 실제 병목을 줄일 수 있음
대학원생 논문 초안 사용자	중간	문헌 정리와 리뷰에는 좋지만 출처 검증은 본인이 해야 함
민감 데이터 연구실	조건부	샌드박스, 외부 API 차단, 키 분리 정책이 먼저 필요함
비개발자 팀	낮음	repo 직접 설치보다 BYOK나 Web 같은 앱형 경험이 더 맞을 수 있음

현실적인 추천

전체 135개를 설치해 “연구 에이전트 풀세트”로 쓰기보다, 지금 막힌 한 작업을 고르고 관련 스킬만 읽은 뒤 샘플 데이터로 검증하자. 제대로 맞으면 그때 범위를 넓히는 편이 훨씬 안전하다.

FAQ

Scientific Agent Skills는 무료인가?

GitHub repo는 MIT 라이선스를 표시한다. 다만 README는 개별 스킬의 라이선스가 다를 수 있다고 안내하므로, 상업적 연구나 사내 도입 전에는 사용하는 스킬과 포함된 패키지의 라이선스를 따로 확인하는 편이 안전하다.

Codex에서도 바로 쓸 수 있나?

README는 Codex를 Agent Skills 호환 호스트 중 하나로 언급하고, gh skill install 명령에서도 --agent codex 예시를 제공한다. 다만 실제 설치 위치와 스킬 로딩 방식은 각 호스트의 현재 구현에 따라 다를 수 있으니 설치 후 /skills나 로컬 스킬 목록으로 확인해야 한다.

SECURITY.md의 Critical 63개는 위험하다는 뜻인가?

위험 신호라는 뜻이지 곧바로 악성 판정이라는 뜻은 아니다. 과학 스킬은 코드 실행, 패키지 설치, 네트워크 요청, 파일 쓰기를 자연스럽게 포함할 수 있다. 그래서 필요한 스킬만 설치하고 외부 전송과 파일 권한을 읽어야 한다.

NotebookLM과 비교하면 무엇이 다른가?

NotebookLM은 업로드한 문서 안에서 근거 기반 질의응답을 하는 데 좋다. Scientific Agent Skills는 로컬 에이전트가 코드, 파일, 패키지, 데이터베이스 작업을 실행하도록 안내하는 데 더 가깝다. 둘은 대체재보다 역할 분담 관계다.

논문 작성을 맡겨도 되나?

초안 구조, 리뷰어 관점 점검, 인용 목록 정리, 그림 설명 같은 보조 작업에는 쓸 수 있다. 그러나 존재하지 않는 논문, 잘못된 통계 해석, 과장된 결론은 여전히 사람이 검증해야 한다. 특히 제출용 문장은 지도교수, 공동저자, 학회 윤리 규정을 함께 확인해야 한다.

결론: 설치보다 먼저 정해야 할 것은 무엇일까?

Scientific Agent Skills의 매력은 크다. 135개 안팎의 과학 연구 스킬, 100개 이상의 데이터베이스, 70개 이상의 Python package skill, Codex·Claude Code·Cursor 호환성, MIT 라이선스, 활발한 업데이트까지 표면 지표가 좋다. 하지만 이 repo의 진짜 질문은 “설치할까 말까”가 아니다. “내 연구에서 어떤 작업을 에이전트에게 맡기고, 어디까지 사람이 검증할 것인가”다.

추천 흐름은 단순하다. 첫째, 연구 병목을 하나 고른다. 둘째, 관련 스킬의 SKILL.md를 읽는다. 셋째, 샘플 데이터로 돌린다. 넷째, 외부 API와 파일 권한을 확인한다. 다섯째, 결과를 논문이나 보고서에 넣기 전에 원문, 코드, 데이터로 다시 검증한다.

이 기준을 지키면 Scientific Agent Skills는 꽤 강한 연구 보조 장치가 될 수 있다. 반대로 이 기준 없이 전체 설치부터 하면, 많은 스킬과 많은 권한이 오히려 연구실의 새로운 리스크가 된다. 연구용 AI는 “더 빨리 결론내는 도구”보다 “더 자주 확인하게 만드는 도구”일 때 가장 쓸모 있다.