computational-science-agent-methodology

# Science Superpowers — Metodología de ciencia computacional para agentes ## Resumen `Science Superpowers` (K-Dense AI) es una metodología completa de ciencia computacional para agentes de investigación, construida sobre skills componibles + instrucciones iniciales que aseguran que el agente realmente las use. Cero dependencias de terceros: solo el harness del agente y un shell POSIX. Reimplementación de `Superpowers` para ciencia con datos: skills auto-trigger via bootstrap de inicio de sesión, disciplina central = **pre-registration** (en vez de TDD). ## Uso (comandos reales del README) Sin CLI propio: es una colección de skills + instrucciones iniciales para el agente que se auto-triggeran al inicio de sesión. Contiene 16 skills. ## Patrones / Arquitectura - Skills componibles que auto-trigger via session-start bootstrap. - El ciclo de trabajo es el *research lifecycle*. - Disciplina central: **pre-registration** de hipótesis antes de ejecutar (equivalente a test-driven development en software). - Dependencia cero: funciona solo con el harness del agente y un shell POSIX. - Modelo: skills + instrucciones iniciales que fuerzan su uso. ## Pitfalls - No añadir dependencias de terceros: mantener el "zero third-party dependencies". - Verificar que el agente efectivamente utiliza las skills (bootstrap al iniciar sesión). - El bootstrap se basa en auto-trigger: si el agente no carga la skill, el flujo de pre-registro no se activa. ## Verificación - Confirmar que las 16 skills están presentes y que el bootstrap de inicio de sesión las carga. - Verificar el pre-registro de hipótesis al iniciar cada experimento. ## Referencia README de https://github.com/K-Dense-AI/science-superpowers (MIT, 16 skills, v1.0.0). Blog: k-dense.ai/blog/introducing-science-superpowers.