Science Skills 딥다이브
— AI 에이전트에게 과학 데이터베이스 30여 종을 손에 쥐여주는 Google DeepMind 스킬 모음

1프로젝트 한줄 요약

이 레포가 무엇을 하는 물건인가.

Science Skills는 과학 연구 작업을 위한 34개의 에이전트 스킬 모음집입니다. 다루는 분야는 유전체학(genomics), 구조생물학(structural biology), 약화학(cheminformatics), 학술 문헌 검색(literature search) 등으로 폭넓습니다. 각 스킬은 에이전트에게 "이런 작업은 이렇게 하라"는 사용 설명서 + 실행 스크립트 + 참고 자료를 한 묶음으로 제공해, 그 분야 전문 작업 능력을 에이전트에 더해 줍니다.

중요한 건 스킬(skill)이라는 단위입니다. 스킬 하나는 폴더 하나이고, 그 안의 SKILL.md라는 파일이 "언제 나를 써야 하는지, 어떻게 쓰는지"를 적어 둔 핵심 설명서입니다. 에이전트는 이 설명을 읽고 스스로 적절한 스킬을 발동합니다. 사람이 일일이 "이제 PubChem을 써"라고 지시하지 않아도 됩니다.

2왜 주목받는가

트렌딩 이유 · 경쟁 대비 장점.

첫째, 만든 곳이 Google DeepMind입니다. AlphaFold·AlphaGenome을 만든 그 팀이, 자신들의 모델과 30여 개 공공 과학 DB를 에이전트가 쓰도록 직접 패키징했습니다. Google의 에이전트 코딩 IDE인 Antigravity와 함께 공개되며 "과학 워크플로를 에이전트로 자동화한다"는 흐름의 간판 사례가 됐습니다.

둘째, 기술 보고서가 내세우는 두 단어 — 효율(efficiency)과 신뢰(reliability)입니다. LLM은 과학 사실을 그럴듯하게 지어내는(환각) 약점이 있고, 외부 도구를 마구 붙이면 토큰(비용)이 폭증합니다. Science Skills는 이 둘을 정면으로 공략합니다: 필요한 설명만 그때그때 불러오는 점진적 공개(progressive disclosure)로 토큰을 아끼고, 모든 사실 조회를 검증된 스크립트로 강제하는 그라운딩(grounding)으로 환각을 줄입니다.

3기술 스택 전체 지도

언어·실행 환경·공용 인프라를 한눈에.

의외로 코드는 Python 100%이고, 화려한 프레임워크가 없습니다. 이 레포의 본질은 "프로그램"이 아니라 에이전트에게 줄 지식과 도구의 묶음이기 때문입니다. 그래서 스택의 주인공은 라이브러리가 아니라 실행 규율 — 어떻게 깨끗하게 실행하고(uv), 어떻게 점잖게 API를 두드리고(공용 HTTP 클라이언트), 어떻게 토큰을 아끼느냐(SKILL.md 구조)입니다.

4아키텍처 심화 분석

질문 한 개가 답이 되기까지, 무엇이 어떻게 흐르는가.

Science Skills에는 중앙 서버나 거대한 런타임이 없습니다. 구조는 얇은 계층 네 개로 단순합니다 — ① 에이전트가 어떤 스킬을 쓸지 고르고 → ② 그 스킬의 SKILL.md를 읽고 → ③ 정해진 스크립트를 uv run으로 돌리고 → ④ 스크립트가 공용 HTTP 클라이언트로 외부 DB를 점잖게 두드립니다.

구조가 한눈에 안 들어와도 괜찮습니다. 가장 흔한 동작 하나 — "이 유전 변이가 질병과 관련 있을까?"라는 질문이 보고서가 되기까지를 따라가 보면 전체가 잡힙니다.

5디렉토리 구조 해부

어떤 폴더가 무슨 일을 하나.

루트는 단순합니다. 거의 모든 것이 skills/ 아래에 있고, 그 안에 분야별 스킬 폴더 34개와 모두가 공유하는 scienceskillscommon 한 개가 나란히 놓여 있습니다. 스킬 폴더는 전부 SKILL.md + scripts/ + references(또는 docs)/라는 똑같은 3종 구조를 따릅니다.

분야는 크게 다섯 갈래입니다: 유전체학(AlphaGenome·Ensembl·gnomAD·ClinVar·dbSNP·GTEx·ENCODE·JASPAR·UniBind·UCSC), 구조·단백질(AlphaFold DB·PDB·Foldseek·PyMOL·서열 정렬/유사도·InterPro·Human Protein Atlas·QuickGO·Reactome·STRING), 약화학(PubChem·ChEMBL), 문헌(arXiv·bioRxiv·EuropePMC·OpenAlex·PubMed), 임상·약물(ClinicalTrials·openFDA·OpenTargets) — 그리고 NCBI 서열·EMBL-EBI 온톨로지 같은 공통 인프라 스킬이 더해집니다.

6학습 포인트 (기술별)

이 레포에서 배울 만한 것 + 어디를 보면 되는지.

새 스킬 스크립트가 공용 클라이언트 위에 어떻게 얹히는지 보여주는 개념 코드입니다(패턴을 단순화한 예시):

# scienceskillscommon 위에 새 스크립트를 얹는 최소 패턴
import http_client

# 출처별 클라이언트 — 초당 3회로 제한
api = http_client.HttpClient(
    "https://eutils.ncbi.nlm.nih.gov/entrez/eutils/",
    qps=3,                       # 속도 제한(여러 프로세스가 공유)
)

# 429/5xx는 자동 재시도 + 지수 백오프, Retry-After 존중
data = api.fetch_json("esummary.fcgi?db=pubmed&id=123456")

그리고 스킬을 발동시키는 SKILL.md 머리말과 핵심 규칙은 대략 이런 모양입니다:

---
name: pubchem-database
description: >
  Query PubChem, search by name/CID/SMILES... Use when a user
  asks about a specific chemical, drug, or molecule.
---
# PubChem Database

## Core Rules
- Verify Facts: ALWAYS verify with a DB query.
  Do not rely solely on internal knowledge.

7시스템 요구사항

돌리려면 무엇이 필요한가.

좋은 소식은 무거운 하드웨어가 필요 없다는 점입니다. 실제 계산(변이 예측 등)은 대부분 원격 API가 대신하므로 GPU도 필요 없습니다. 로컬에는 uv와 파이썬, 그리고 인터넷 연결만 있으면 됩니다.

# 설치 — 한 줄
npx skills add google-deepmind/science-skills/

# API 키는 .env에 직접 추가(예: AlphaGenome). 키를 채팅에 붙여넣지 말 것!
printf "Enter key: " && read -s key && echo "ALPHAGENOME_API_KEY=$key" >> ~/.env

8직접 해볼 수 있는 실습 과제

난이도별로 손에 익히는 단계.

9관련 기술 심화 학습 로드맵

한 주씩 따라가는 계획.

10핵심 키워드 사전

본문에 나온 용어 빠른 참조.

11참고 링크

• GitHub: google-deepmind/science-skills
• 사용 사례·데모: antigravity.google/use-cases/science
• 기술 보고서(PDF): Science Skills for Antigravity
• 스킬 출처 약관: SKILL_LICENSES.md
• 설치 레지스트리: skills.sh
• uv 문서: docs.astral.sh/uv
• AlphaGenome: deepmind.google.com/science/alphagenome