DeepMol-WorkBuddy-skill：桌面AI智能体的计算化学能力扩展

本文介绍DeepMol-WorkBuddy-skill项目，该项目将DeepMol计算化学框架封装为WorkBuddy桌面智能体的技能包，解决AI for Science在计算化学领域的落地挑战，使无编程背景的科研人员可通过自然语言交互完成端到端分子机器学习工作流（涵盖数据加载、特征化、模型训练到可解释性分析）。

AI for Science在计算化学和药物发现领域进展显著，但落地面临三大障碍：1.技术门槛高（需掌握Python、RDKit、深度学习框架等）；2.工作流程复杂（含数据预处理、特征提取等多环节）；3.工具碎片化（不同任务需不同库）。DeepMol-WorkBuddy-skill项目旨在通过封装DeepMol为AI智能体技能包，降低使用门槛。

DeepMol-WorkBuddy-skill是WorkBuddy桌面智能体的技能包，核心是将DeepMol框架能力转化为AI可执行的流程知识。DeepMol基于RDKit、TensorFlow/PyTorch、scikit-learn、DeepChem等库，提供高层次API。技能包包含：1.SKILL.md（11步工作流指南）；2.API参考文档；3.实用CLI脚本（环境验证、教程、QSAR管线等）。

技能包赋予WorkBuddy以下能力：数据加载与预处理（支持CSV/SDF及大型数据集）、化合物标准化（多种策略）、分子特征化（Morgan指纹等多种描述符）、特征选择与降维（PCA/t-SNE等）、数据分割（随机/分层/K折/骨架分割）、模型构建（传统ML/深度学习/DeepChem模型）、超参数优化（网格/随机搜索+Optuna）、模型可解释性（SHAP可视化）、不平衡数据处理（SMOTE等）、管线与AutoML（端到端管线+自动优化）。

环境要求Python≥3.13、DeepMol1.2.1。安装需绕过scikeras依赖问题，步骤含核心库安装、Torch安装等。验证命令：python scripts/check_install.py。使用示例：QSAR建模管线、批量特征化、ADMET预测（预训练模型）。集成WorkBuddy后可通过自然语言交互（如"训练QSAR模型"）。

技能包经过实战验证：测试环境为DeepMol1.2.1、Python3.14、Windows11；所有脚本真实运行通过；API文档准确反映实际行为，避免工具链不稳定问题，保障科研效率。

该模式优势：1.降低专业工具使用门槛（自然语言交互）；2.确保最佳实践执行（AI按专家流程操作）；3.人机协作新范式（科研人员定义问题，AI执行细节）；4.保障可复现性（标准化管线+保存/加载机制）。

DeepMol-WorkBuddy-skill展示了AI for Science的重要方向：将复杂科学工具封装为AI技能包，降低技术门槛，提升科研效率。未来有望出现更多覆盖生物信息学、材料科学等领域的类似技能包。