177 skills e 100 bancos de dados: o que um cientista com IA realmente precisa

O quinto lugar na lista de tendências semanais do GitHub esta semana não era um modelo. Era um diretório de skills para cientistas: 177, cobrindo biologia, química, medicina e descoberta de fármacos, ligados a mais de 100 bancos de dados científicos. O repositório afirma que 250 mil cientistas usam. Esse número vem do próprio projeto e deve ser lido como alegação do fornecedor, mas a contagem de estrelas — mais de 53 mil num repositório criado em outubro de 2025 — é pública e verificável.

O pitch é uma frase: transforme qualquer agente de IA num cientista de IA. Por que essa frase precisa de 177 arquivos para ser verdade é a parte que ninguém explica.

Porque o gargalo nunca foi o raciocínio

Peça a um modelo de fronteira para explicar uma via de folding de proteína e ele fará um trabalho decente. Peça para buscar a estrutura real de um ID Uniprot específico, cruzar as variantes associadas com o ClinVar, alinhá-las a um genoma de referência e então plotar os escores de conservação — e ele vai produzir algo que parece tudo isso e é em parte inventado.

O que falta não é inteligência. É encanamento. O trabalho científico roda sobre algumas centenas de bancos de dados e formatos de arquivo especializados, a maioria com APIs idiossincráticas, e cada um deles é um lugar onde um modelo de linguagem vai alucinar um nome de coluna com confiança.

Uma skill, nesse contexto, é um pacote pequeno que conhece uma dessas interfaces. Que argumentos uma ferramenta recebe, como a resposta se parece, quais identificadores são válidos, qual default faz sentido. É a diferença entre dizer a um agente «procura a proteína» e entregar a ele uma função que falha ruidosamente quando o ID está malformado.

{{INLINE1}}

O que existe de fato nos 177

A lista de topics do repositório é a descrição mais honesta disponível: bioinformática, quimioinformática, genômica, proteômica, metabolômica, pesquisa clínica, ciência de materiais, descoberta de fármacos, computação científica, visualização científica. Leia como um mapa de onde mora o atrito, não como uma lista de capacidades.

Genômica é um bom exemplo de por que o atrito é alto. Uma única análise pode tocar um assembly de referência, um banco de variantes, uma faixa de anotação e um pacote estatístico, cada um com sua própria convenção de coordenadas. Erros off-by-one em genômica são um gênero de bug, não um acidente. Uma skill que codifica «este banco conta a partir de 1, aquele a partir de 0» evita uma classe inteira de respostas erradas que nenhuma capacidade de modelo conserta.

Química tem o mesmo formato com mais perigo. Strings SMILES, chaves InChI, pesos moleculares e limiares de ensaio parecem texto simples e nenhum deles é. Um agente que trata uma string SMILES como prosa vai produzir uma molécula que não existe, perfeitamente formatada.

Então a proposta de valor é pouco glamourosa e real: essas skills são uma memória de detalhes de interface, mantida num só lugar, em vez de um preâmbulo de prompt reescrito por cada laboratório.

O problema de distribuição que ninguém resolve

Tem uma questão mais silenciosa em empacotar 177 skills num único repositório. Fixação de versão. Se uma skill embrulha um banco de dados cuja API muda no ritmo dele, a skill é uma camada de compatibilidade que se degrada. Um laboratório que fixa a versão 1.4 da biblioteca e tem um pipeline funcionando em março pode encontrá-lo quebrado em setembro, e a falha vai parecer problema do modelo, não problema de dependência.

O mundo do software resolveu isso com lockfiles e versionamento semântico, em uns quinze anos, e mal. Software científico não tem nem um nem outro, e agora está importando um grafo de dependências que não pediu.

«Validado» é a palavra para pressionar

O repositório descreve suas skills como validadas. É uma palavra forte para uma categoria sem padrão compartilhado, e vale perguntar em que consiste a validação. Testadas contra saídas conhecidas? Revisadas por um especialista de domínio? Ou simplesmente rodadas uma vez sem quebrar?

As três são razoáveis e significam coisas muito diferentes. Para um conector de banco de dados, «retorna o registro certo para uma consulta conhecida» é um teste real. Para uma skill de análise que recomenda um método estatístico, nenhum teste decide, porque o método correto depende do desenho experimental.

É aqui que skills de domínio se separam das skills de código que encheram as listas de tendências no começo do ano. Uma skill que formata um diff pode ser checada mecanicamente. Uma que decide entre teste t e modelo misto, não. E distribuir isso num pacote com 176 irmãos «validados» implica um nível de garantia que ela talvez não tenha.

A lista de compatibilidade é a estratégia

O repositório diz que funciona com Cursor, Claude Code, Codex, Pi, Antigravity e o padrão aberto Agent Skills. Essa lista é mais interessante que o conjunto de recursos. Uma biblioteca de skills que roda num único agente é um recurso daquele agente. Uma que roda em seis é infraestrutura, e infraestrutura é adotada por quem não quer apostar em qual agente vai ganhar.

Isso também coloca a biblioteca numa posição desconfortável. O padrão aberto Agent Skills é jovem, e cada host implementa de um jeito ligeiramente diferente: onde as skills ficam, como são descobertas, que permissões recebem. Manter 177 skills em seis hosts é um custo de suporte que cresce mais rápido que o número de skills. É geralmente aí que esses projetos ou se consolidam, ou silenciosamente se estreitam para duas plataformas.

Para um laboratório, porém, a portabilidade é o ponto. Um pós-doc que escreve uma skill para um pipeline de espectrometria de massa quer que ela funcione na ferramenta que a bolsa do PI pagar no ano que vem.

O que isso muda para um cientista que trabalha

Três coisas, em ordem de quanto antes vão importar.

Primeiro, a vitória chata: busca de literatura e de bancos de dados deixa de ser um lugar onde o modelo inventa citações. Se a skill consulta o índice real, a referência é real ou a chamada falha. É uma melhoria mensurável num fluxo que hoje custa horas de verificação.

Segundo, a reprodutibilidade ganha um artefato novo. Um pipeline montado com skills nomeadas e versões fixadas é mais reprodutível que um log de chat, porque pode ser rodado de novo. Se alguém de fato fixa versões é outra história, e a evidência inicial das cadeias de suprimento de software não é animadora.

Terceiro, e o mais lento: a divisão do trabalho muda. O trabalho do cientista deixa de ser «operar as ferramentas» e passa a ser «decidir qual pergunta vale aquele poder de computação». Essa é a versão da IA na ciência que todo mundo anuncia. Ela chega, se chegar, por 177 arquivos de interface sem glamour, não por um avanço.

O que observar

Observe se o número de skills continua crescendo ou começa a encolher. Um diretório que adiciona skills para sempre é uma operação de content marketing. Um diretório que consolida, descontinua e publica o que quebrou é uma ferramenta da qual as pessoas dependem.

E observe se alguma delas acaba citada na seção de métodos de um artigo. Esse é o momento em que uma skill deixa de ser conveniência e vira parte do registro científico, com todas as obrigações de revisão que isso implica. Ninguém teve que resolver isso ainda. Alguém vai, provavelmente dentro de um ano.