面向自主生物医学研究的 AI Agent 技能库，包含 240 个结构化 SKILL.md 文件，覆盖生物信息学、药物发现、临床医学等七大领域，作为 LabOS 的操作层运行于 OpenClaw Agent 平台。
LabClaw 是由斯坦福 Le Cong Lab 与普林斯顿 Mengdi Wang Lab 联合开发的 AI Agent 技能库，定位为 LabOS（Stanford-Princeton AI Co-Scientists）的操作层。项目包含 240 个生产就绪的 SKILL.md 文件，以结构化 Markdown 形式为 AI Agent 提供模块化的工具调用知识与工作流编排能力。
项目采用技能驱动（skill-driven）设计哲学，将领域知识与工具使用策略解耦。每个技能文件遵循统一结构（Overview → When to Use → Key Capabilities → Usage Examples），指导 Agent 在何时使用工具、如何调用、期望什么输出。领域覆盖七大方向：
- 🧬 生物学与生命科学（86 技能）：生物信息学、单细胞、基因组学、蛋白质组学、多组学、结构生物学
- 💊 药学与药物发现（36 技能）：化学信息学、分子 ML、对接、靶点研究、药理学
- ⚙️ 通用与数据科学（54 技能）：统计学、机器学习、数据管理、科学写作、质量控制
- 📚 文献与检索（33 技能）：学术搜索、生物医学数据库、专利、基金、引文管理
- 🏥 医学与临床（22 技能）：临床试验、精准医学、肿瘤学、传染病、医学影像
- 👁️ 视觉与 XR（5 技能）：手部追踪、3D 姿态估计、分割、自我中心视觉
- 📊 可视化（4 技能）：matplotlib、seaborn、plotly、出版级图表
LabClaw 本质为纯知识层，不包含可执行代码，运行时依赖 OpenClaw Agent 平台，可通过一条指令（install https://github.com/wu-yc/LabClaw）完成安装，也支持按需复制特定子文件夹。项目包含多个 tooluniverse-* 技能，与 MIMS-Harvard 的 ToolUniverse 生态兼容，并可与 LabOS XR 执行层联动实现实验室 XR 辅助场景。此外，LabClaw 可作为常驻自主 Agent 部署，持续监控仪器数据、解释多模态信号、触发异常响应。
待确认信息：技能文件确切总数（GitHub 称 240 个，官网称 206 个，可能与统计口径或更新时间有关）；OpenClaw 运行时成熟度；LabOS 集成深度（闭环 API 与数据流细节未公开）；赞助方 K-Dense 的具体角色；目前未见公开的用户案例或效果评估报告。