177 Skills, 100 Datenbanken: Was ein KI-Wissenschaftler wirklich braucht

Platz fünf der GitHub-Wochentrends war diese Woche kein Modell. Es war ein Verzeichnis von Skills für Wissenschaftler: 177 Stück, aus Biologie, Chemie, Medizin und Wirkstoffforschung, verdrahtet mit über 100 wissenschaftlichen Datenbanken. Das Repo behauptet, 250.000 Wissenschaftler würden es nutzen. Die Zahl kommt vom Projekt selbst und ist als Herstellerangabe zu lesen — die Sternzahl dagegen, über 53.000 bei einem im Oktober 2025 angelegten Repository, ist öffentlich und überprüfbar.

Der Pitch ist ein Satz: Verwandle jeden KI-Agenten in einen KI-Wissenschaftler. Warum dieser Satz 177 Dateien braucht, um wahr zu sein, erklärt niemand.

Weil der Engpass nie das Denken war

Bittet man ein Frontier-Modell, einen Proteinfaltungspfad zu erklären, macht es das ordentlich. Bittet man es, die tatsächliche Struktur für eine bestimmte Uniprot-ID zu holen, die zugehörigen Varianten gegen ClinVar abzugleichen, sie an ein Referenzgenom zu alignen und dann die Konservierungsscores zu plotten — dann liefert es etwas, das nach all dem aussieht und teils erfunden ist.

Es fehlt nicht an Intelligenz. Es fehlt an Rohrleitungen. Wissenschaftliche Arbeit läuft über ein paar hundert spezialisierte Datenbanken und Dateiformate, die meisten mit eigenwilligen APIs, und jedes davon ist ein Ort, an dem ein Sprachmodell selbstbewusst einen Spaltennamen halluziniert.

Ein Skill ist in diesem Zusammenhang ein kleines Paket, das eine dieser Schnittstellen kennt. Welche Argumente ein Tool nimmt, wie die Antwort aussieht, welche Identifier gültig sind, was ein sinnvoller Default ist. Das ist der Unterschied zwischen «such mal das Protein» und einer Funktion, die laut scheitert, wenn die ID falsch geformt ist.

{{INLINE1}}

Was wirklich in den 177 steckt

Die Topic-Liste des Repos ist die ehrlichste Beschreibung, die es gibt: Bioinformatik, Chemoinformatik, Genomik, Proteomik, Metabolomik, klinische Forschung, Materialwissenschaft, Wirkstoffforschung, wissenschaftliches Rechnen, wissenschaftliche Visualisierung. Das ist eine Karte der Reibung, keine Liste von Fähigkeiten.

Genomik zeigt gut, warum die Reibung hoch ist. Eine einzelne Analyse kann ein Referenzassembly, eine Variantendatenbank, einen Annotationstrack und ein Statistikpaket berühren, jedes mit eigener Koordinatenkonvention. Off-by-one-Fehler sind in der Genomik ein Genre, kein Unfall. Ein Skill, der kodiert «diese Datenbank zählt ab 1, jene ab 0», verhindert eine ganze Klasse falscher Antworten, die keine Modellfähigkeit repariert.

Chemie hat dieselbe Form mit mehr Gefahr. SMILES-Strings, InChI-Keys, Molekulargewichte und Assay-Schwellen sehen alle nach Klartext aus und sind es nicht. Ein Agent, der einen SMILES-String als Prosa behandelt, erzeugt ein Molekül, das nicht existiert — perfekt formatiert.

Das Wertversprechen ist also unglamourös und echt: Diese Skills sind ein Gedächtnis für Schnittstellendetails, an einer Stelle gepflegt, statt als Prompt-Präambel in jedem Labor neu geschrieben.

Das Verteilungsproblem, das niemand löst

177 Skills in ein Repo zu packen hat ein leiseres Problem. Versions-Pinning. Wenn ein Skill eine Datenbank umhüllt, deren API nach eigenem Zeitplan wechselt, ist der Skill ein Kompatibilitäts-Shim, der verfällt. Ein Labor, das Version 1.4 der Bibliothek pinnt und im März eine laufende Pipeline hat, findet sie im September vielleicht kaputt — und der Fehler sieht nach einem Modellproblem aus, nicht nach einem Abhängigkeitsproblem.

Die Softwarewelt hat das mit Lockfiles und semantischer Versionierung gelöst, in etwa fünfzehn Jahren, schlecht. Wissenschaftssoftware hat beides nicht und importiert jetzt einen Abhängigkeitsgraphen, um den sie nicht gebeten hat.

«Validiert» ist das Wort, an dem man nachhaken sollte

Das Repo beschreibt seine Skills als validiert. Das ist ein starkes Wort für eine Kategorie ohne gemeinsamen Standard, und es lohnt zu fragen, worin die Validierung besteht. Gegen bekannte Ausgaben getestet? Von einem Fachexperten geprüft? Oder einfach einmal ohne Absturz gelaufen?

Alle drei sind plausibel und bedeuten sehr Unterschiedliches. Für einen Datenbank-Connector ist «liefert den richtigen Datensatz für eine bekannte Query» ein echter Test. Für einen Analyse-Skill, der eine statistische Methode empfiehlt, entscheidet kein Test, weil die richtige Methode vom Versuchsplan abhängt.

Hier unterscheiden sich Domänen-Skills von den Coding-Skills, die früher im Jahr die Trending-Listen füllten. Ein Skill, der ein Diff formatiert, lässt sich mechanisch prüfen. Ein Skill, das entscheidet, ob t-Test oder gemischtes Modell, nicht. Und es in einem Paket mit 176 validierten Geschwistern auszuliefern, suggeriert ein Maß an Sicherheit, das es vielleicht nicht hat.

Die Kompatibilitätsliste ist die Strategie

Das Repo sagt, es funktioniere mit Cursor, Claude Code, Codex, Pi, Antigravity und dem offenen Standard Agent Skills. Diese Liste ist interessanter als der Funktionsumfang. Eine Skill-Bibliothek, die auf einem Agenten läuft, ist eine Funktion dieses Agenten. Eine, die auf sechs läuft, ist Infrastruktur — und Infrastruktur wird von Leuten übernommen, die nicht darauf wetten wollen, welcher Agent gewinnt.

Es bringt die Bibliothek zugleich in eine unangenehme Lage. Der offene Standard Agent Skills ist jung, und jeder Host implementiert ihn etwas anders: wo Skills liegen, wie sie gefunden werden, welche Rechte sie bekommen. 177 Skills über sechs Hosts zu pflegen ist ein Support-Aufwand, der schneller wächst als die Zahl der Skills. Genau dort konsolidieren solche Projekte entweder, oder sie ziehen sich still auf zwei Plattformen zurück.

Für ein Labor ist die Portabilität aber der Punkt. Ein Postdoc, der einen Skill für eine Massenspektrometrie-Pipeline schreibt, will, dass er in dem Tool läuft, das das Grant des PIs nächstes Jahr bezahlt.

Was sich für einen arbeitenden Wissenschaftler ändert

Drei Dinge, in der Reihenfolge, in der sie relevant werden.

Erstens, der langweilige Gewinn: Literatur- und Datenbanksuche ist kein Ort mehr, an dem das Modell Zitate erfindet. Wenn ein Skill den echten Index abfragt, ist die Referenz echt oder der Aufruf scheitert. Das ist eine messbare Verbesserung in einem Workflow, der heute Stunden für Verifikation kostet.

Zweitens bekommt Reproduzierbarkeit ein neues Artefakt. Eine Pipeline aus benannten Skills mit gepinnten Versionen ist reproduzierbarer als ein Chat-Log, weil sie erneut laufen kann. Ob jemand tatsächlich Versionen pinnt, ist eine andere Frage, und die frühen Belege aus Software-Lieferketten sind nicht ermutigend.

Drittens, am langsamsten: Die Arbeitsteilung verschiebt sich. Der Job des Wissenschaftlers ist nicht mehr «die Werkzeuge bedienen», sondern «entscheiden, welche Frage den Rechenaufwand wert ist». Das ist die Version von KI in der Wissenschaft, die alle bewerben. Sie kommt, wenn sie kommt, über 177 unglamouröse Schnittstellendateien statt über einen Durchbruch.

Worauf man achten sollte

Achte darauf, ob die Zahl der Skills weiter wächst oder zu schrumpfen beginnt. Ein Verzeichnis, das ewig Skills hinzufügt, ist Content-Marketing. Ein Verzeichnis, das konsolidiert, deprecatet und veröffentlicht, was kaputtging, ist ein Werkzeug, auf das Leute sich verlassen.

Und achte darauf, ob eines davon in einem Methods-Abschnitt zitiert wird. Das ist der Moment, in dem ein Skill keine Bequemlichkeit mehr ist, sondern Teil der wissenschaftlichen Aufzeichnung — mit allen Review-Pflichten, die das mit sich bringt. Niemand hat das bisher lösen müssen. Jemand wird es, vermutlich innerhalb eines Jahres.