如何使用 RDKit 构建 AI 化学信息学工作流
设计可追溯的 RDKit 工作流，用于分子验证、标准化、描述符与指纹计算以及化学搜索。比较 Python、MCP 和 Skill 访问方式，再添加范围受限的 PubChem 信息补充，避免将工具执行与科学验证混为一谈。
指南
了解化学 AI 的核心概念、工具选型、部署方法与评估原则。需要具体的工具组合和设置步骤？可继续探索 Recipes。
如何搭建一个化学 AI Agent 技术栈
通过区分语言模型、编排、Skills、MCP 接口、API、库和数据，设计化学 AI 智能体技术栈。参考提出的分子与材料工作流，定义输入/输出契约，并规划权限、评估和可复现部署。
化学 AI 应用中的科学 API：PubChem 与 RCSB PDB 入门
围绕 PubChem PUG REST 和 RCSB PDB Data API 构建化学 AI 集成，涵盖有文档说明的请求、化学身份核验、明确的错误处理、来源记录，以及 API 与 MCP 封装器之间的清晰界限。
计算化学 AI 工作流：从结构到模拟与结果分析
借助 AI Skills 构建重视证据的计算化学工作流，涵盖结构准备、声子、气相着火、CALPHAD 平衡和反应分子动力学分析，同时明确真实输入、执行依赖和科学验证。
如何使用 AI Agent 与 PubMed MCP 进行化学文献研究
借助 PubMed MCP 构建可追溯的化学文献工作流：优化检索、查看元数据和摘要、综合多篇论文、追踪引文，并将检索到的证据与智能体生成的假设区分开来。
化学 AI Agent 对比：能力、代码可用性与研究边界
从科学角色、输入与输出、工具依赖、代码与许可证证据，以及复现障碍等方面比较八种化学与生物医学研究智能体；不把无关基准视为排行榜。
化学与材料科学 AI Skills 指南：RDKit、Datamol、ASE、Phonopy 等
从科学用途、依赖项、输入、输出和许可范围比较十种化学与材料 AI Skills，并规划有界评估，用于分子分析、NMR 处理、声子、平衡计算及反应分子动力学后处理。
化学 MCP Server 对比：RDKit、UniProt、RCSB、PubMed 与 Materials Project
从科学用途、数据来源、工具契约、许可证据和部署需求等方面比较九种化学 MCP 实现，并据此设计可追溯的多服务器评估，而不是只依赖功能列表。
化学领域的 MCP 是什么？从原理到科研应用
了解 MCP 如何将 AI 应用连接到化学工具和科学数据库。比较九种实现，定义可追溯的输入/输出约定，并规划一个权限适当、具备故障处理和可复现性记录的有界工作流。
科学工作流中的智能体与技能
通过可检查的输入、受限工具、可复用技能、与证据关联的输出和明确的人工审批，规划边界清晰的科学智能体工作流。比较 ChemCrow、PaperQA、Coscientist 和 Scientific Agent Skills 各自的角色，但不要假设它们经过互操作性测试。
评估化学工程中的 AI 工作流
规划评估方案，将过程建模、反应优化和控制区分开来。在考虑用于实际运行之前，先定义输入、运行限制、考虑时间因素的验证方式和审批关卡。
启用工作流前审查化学智能体 Skills
化学智能体 Skills 的实用审查流程：检查指令与依赖项、限制工具访问、保留科学来源与处理记录，并在授权更广泛使用前规划小规模评估。