177 skill e 100 database: cosa serve davvero a uno scienziato con l'IA

Il quinto posto delle tendenze settimanali di GitHub questa settimana non era un modello. Era una directory di skill per scienziati: 177, che coprono biologia, chimica, medicina e drug discovery, collegate a più di 100 database scientifici. Il repo sostiene che lo usino 250.000 scienziati. Quel numero arriva dal progetto stesso e va letto come dichiarazione del fornitore, ma il conteggio delle star — oltre 53.000 su un repository creato a ottobre 2025 — è pubblico e verificabile.

Il pitch è una frase: trasforma qualsiasi agente IA in uno scienziato IA. Perché quella frase abbia bisogno di 177 file per essere vera è la parte che nessuno spiega.

Perché il collo di bottiglia non è mai stato il ragionamento

Chiedi a un modello di frontiera di spiegare una via di folding proteico e se la caverà discretamente. Chiedigli di recuperare la struttura reale di uno specifico ID Uniprot, incrociare le varianti associate con ClinVar, allinearle a un genoma di riferimento e poi plottare i punteggi di conservazione: produrrà qualcosa che somiglia a tutto questo ed è in parte inventato.

Non manca l'intelligenza. Manca l'idraulica. Il lavoro scientifico gira su qualche centinaio di database e formati di file specializzati, quasi tutti con API idiosyncratiche, e ognuno è un punto in cui un modello linguistico allucinerà con sicurezza il nome di una colonna.

Uno skill, in questo contesto, è un piccolo pacchetto che conosce una di quelle interfacce. Quali argomenti prende uno strumento, come appare la risposta, quali identificatori sono validi, quale default è sensato. È la differenza tra dire a un agente «cerca la proteina» e passargli una funzione che fallisce in modo rumoroso quando l'ID è malformato.

{{INLINE1}}

Cosa c'è davvero nei 177

La lista di topic del repository è la descrizione più onesta disponibile: bioinformatica, chemioinformatica, genomica, proteomica, metabolomica, ricerca clinica, scienza dei materiali, drug discovery, calcolo scientifico, visualizzazione scientifica. Va letta come una mappa di dove vive l'attrito, non come una lista di capacità.

La genomica spiega bene perché l'attrito è alto. Una singola analisi può toccare un assembly di riferimento, un database di varianti, una traccia di annotazione e un pacchetto statistico, ognuno con la propria convenzione di coordinate. Gli errori off-by-one in genomica sono un genere di bug, non un incidente. Uno skill che codifica «questo database conta da 1, quello da 0» previene un'intera classe di risposte sbagliate che nessuna capacità del modello sistema.

La chimica ha la stessa forma con più pericolo. Le stringhe SMILES, le chiavi InChI, i pesi molecolari e le soglie dei saggi sembrano tutti testo semplice e nessuno lo è. Un agente che tratta una stringa SMILES come prosa produrrà una molecola che non esiste, formattata perfettamente.

La proposta di valore è quindi poco glamour e molto reale: questi skill sono una memoria dei dettagli di interfaccia, mantenuta in un solo posto, invece di un preambolo di prompt riscritto da ogni laboratorio.

Il problema di distribuzione che nessuno risolve

C'è una questione più silenziosa nell'impacchettare 177 skill in un solo repo. Il pinning delle versioni. Se uno skill avvolge un database la cui API cambia secondo il proprio calendario, lo skill è uno shim di compatibilità che decade. Un laboratorio che fissa la versione 1.4 della libreria e ha una pipeline funzionante a marzo può trovarla rotta a settembre, e il guasto sembrerà un problema del modello più che un problema di dipendenze.

Il mondo del software l'ha risolto con lockfile e versionamento semantico, in circa quindici anni, e male. Il software scientifico non ha né l'uno né l'altro, e ora sta importando un grafo di dipendenze che non ha chiesto.

«Validato» è la parola su cui insistere

Il repository descrive i suoi skill come validati. È una parola forte per una categoria senza standard condiviso, e vale la pena chiedere in cosa consista la validazione. Testati contro output noti? Revisionati da un esperto di dominio? O semplicemente eseguiti una volta senza andare in crash?

Tutte e tre sono ragionevoli e significano cose molto diverse. Per un connettore di database, «restituisce il record giusto per una query nota» è un test vero. Per uno skill di analisi che raccomanda un metodo statistico, nessun test decide, perché il metodo corretto dipende dal disegno sperimentale.

Qui gli skill di dominio si separano dagli skill di coding che hanno riempito le liste di tendenza a inizio anno. Uno skill che formatta un diff si verifica meccanicamente. Uno che decide se usare un t-test o un modello misto, no. E distribuirlo in un pacchetto con 176 fratelli «validati» implica un livello di garanzia che forse non ha.

La lista di compatibilità è la strategia

Il repository dice che funziona con Cursor, Claude Code, Codex, Pi, Antigravity e lo standard aperto Agent Skills. Quella lista è più interessante del set di funzionalità. Una libreria di skill che gira su un solo agente è una funzione di quell'agente. Una che gira su sei è infrastruttura, e l'infrastruttura viene adottata da chi non vuole scommettere su quale agente vincerà.

Metterà anche la libreria in una posizione scomoda. Lo standard aperto Agent Skills è giovane, e ogni host lo implementa in modo leggermente diverso: dove vivono gli skill, come vengono scoperti, quali permessi ricevono. Mantenere 177 skill su sei host è un carico di supporto che cresce più in fretta del numero di skill. Di solito è lì che questi progetti o si consolidano o si restringono silenziosamente a due piattaforme.

Per un laboratorio, però, la portabilità è il punto. Un postdoc che scrive uno skill per una pipeline di spettrometria di massa vuole che funzioni nello strumento che il grant del PI pagherà l'anno prossimo.

Cosa cambia per uno scienziato che lavora

Tre cose, in ordine di quanto presto conteranno.

Primo, la vittoria noiosa: la ricerca di letteratura e database smette di essere un posto dove il modello inventa citazioni. Se uno skill interroga l'indice vero, il riferimento è reale o la chiamata fallisce. È un miglioramento misurabile in un flusso che oggi costa ore di verifica.

Secondo, la riproducibilità guadagna un nuovo artefatto. Una pipeline assemblata da skill con nome e versioni fissate è più riproducibile di un log di chat, perché può essere rieseguita. Che poi qualcuno fissi davvero le versioni è un altro discorso, e le prime evidenze dalle supply chain del software non sono incoraggianti.

Terzo, ed è il più lento: cambia la divisione del lavoro. Il lavoro dello scienziato smette di essere «azionare gli strumenti» e diventa «decidere quale domanda merita quel calcolo». È la versione dell'IA nella scienza che tutti pubblicizzano. Arriva, se arriva, attraverso 177 file di interfaccia senza glamour invece che con un colpo di genio.

La cosa da tenere d'occhio

Guarda se il numero di skill continua a crescere o inizia a calare. Una directory che aggiunge skill per sempre è un'operazione di content marketing. Una directory che consolida, depreca e pubblica cosa si è rotto è uno strumento su cui la gente fa affidamento.

E guarda se qualcuno di questi finisce citato nella sezione metodi di un paper. È il momento in cui uno skill smette di essere una comodità e diventa parte del registro scientifico, con tutti gli obblighi di revisione che comporta. Nessuno ha ancora dovuto risolverlo. Qualcuno lo farà, probabilmente entro un anno.