Lo que hace Science Superpowers
Science Superpowers convierte un agente de IA con capacidad de investigación en un colaborador científico disciplinado. En lugar de permitir que el agente se lance directamente a ejecutar código sobre tus datos, impone un flujo de trabajo riguroso y preregistrado.
Su disciplina central es el preregistro, el equivalente al desarrollo guiado por pruebas en programación. Un interés difuso se convierte en una pregunta falsable, con hipótesis y reglas de decisión claras antes de tocar los datos. Esto protege contra el p‑hacking y el HARKing, separa los análisis confirmatorios de los exploratorios y fija las predicciones por adelantado.
Cada análisis se ejecuta en un espacio de trabajo aislado y reproducible (entorno congelado, semillas fijas, datos originales inmutables). Los resultados se verifican comparándolos con una salida recién reproducida, se someten a una revisión de equipo rojo y las anomalías se analizan hasta encontrar la causa raíz en lugar de descartarlas silenciosamente.
El ciclo de vida de la investigación en diez pasos
Cuando inicias una tarea de investigación, el agente sigue automáticamente estos pasos, activados por los archivos de habilidades:
- Encuadre — convierte un interés difuso en una pregunta falsable.
- Revisión del trabajo previo — fundamenta la pregunta en el conocimiento existente.
- Diseño del análisis — desglosa el trabajo en pasos concretos y con potencia estadística adecuada.
- Preregistro — fija las hipótesis y las reglas de decisión antes de ver los resultados.
- Configuración de un espacio de trabajo reproducible — aislado, congelado y con semillas fijas.
- Ejecución del plan — mediante un subagente o en lote, con puntos de control.
- Investigación de anomalías — un proceso de cuatro fases para hallar la causa raíz.
- Verificación de resultados — reejecutar, comprobar los supuestos, reproducir la evidencia.
- Revisión de equipo rojo — revisión escéptica y respuesta rigurosa.
- Informe y archivado — decidir si se publica como preprint, se guarda para más adelante o se descarta; archivar todo.
Este flujo de trabajo de investigación estructurado garantiza que las afirmaciones confirmatorias se mantengan protegidas, que las anomalías tengan explicación y que cada número se pueda reproducir, sin que tengas que gestionar los pasos.
Instalación: una configuración por harness
Science Superpowers es un conjunto de archivos de habilidades (SKILL.md) y ganchos de arranque sin ninguna dependencia de terceros, solo un harness de agente de IA y una shell POSIX.
La instalación varía según el harness.
Para Cursor, usa el marketplace de complementos o haz que Cursor apunte al repositorio; el gancho sessionStart carga automáticamente el arranque.
Para Claude Code, registra el repositorio como marketplace e instala el complemento science-superpowers; el gancho SessionStart se encarga del arranque.
Codex emplea el manifiesto .codex-plugin/plugin.json, Gemini CLI instala una extensión que apunta a GEMINI.md, OpenCode sigue las instrucciones de .opencode/INSTALL.md y Google Antigravity lee GEMINI.md/AGENTS.md como reglas siempre activas.
Después de la instalación, el agente carga las habilidades automáticamente al inicio de cada sesión. No se necesitan archivos de configuración ni ajustes adicionales.
Uso diario: solo habla, sin comandos
No hace falta que invoques ninguna habilidad por su nombre. Hablas con tu agente de forma normal y las habilidades se activan solas.
Por ejemplo, preguntar por datos de rotación de clientes activa el preregistro antes de tocar el archivo CSV. El agente da un paso atrás, formula una pregunta falsable, revisa análisis previos, diseña el estudio y preregistra las hipótesis y las reglas de decisión. Después ejecuta el plan en un espacio de trabajo reproducible, investiga la causa raíz de cualquier anomalía (como un vacío en los registros), verifica los resultados y somete su propia conclusión a una revisión de equipo rojo.
El resultado es una afirmación confirmatoria protegida, anomalías explicadas y una reproducibilidad total, todo sin que tengas que gestionar ningún paso del flujo de trabajo. Solo haces una pregunta.
Configuración, limitaciones y best practices
Science Superpowers no utiliza variables de entorno ni archivos de configuración.
Los archivos de gancho (por ejemplo, hooks/hooks-cursor.json) constituyen el único mecanismo de arranque y se configuran una sola vez.
Limitaciones: el README no enumera errores explícitos ni escenarios no compatibles.
La metodología depende de que el agente pueda ejecutar código en un entorno POSIX y comprender los archivos SKILL.md.
Si el agente no puede ejecutar código arbitrario o no entiende el formato, la activación automática no funcionará.
Best practices codificados en la filosofía:
- Siempre preregistrar — exponer las predicciones antes de ver los resultados (la Ley de Hierro).
- Etiquetar cada análisis como confirmatorio o exploratorio.
- Hacer que el espacio de trabajo sea reproducible — paquetes congelados, semillas fijas, datos inmutables.
- Verificar antes de afirmar; investigar la causa raíz de las anomalías; someter las propias conclusiones a una revisión de equipo rojo.
- Extender el sistema creando nuevas habilidades siguiendo la disciplina
writing-science-skills.
Extensión y Mantenimiento
Si necesita una funcionalidad no incluida, utilice la meta‑habilidad writing-science-skills para crear un nuevo archivo SKILL.md que siga la misma metodología de pruebas.
Los lineamientos para colaboradores se encuentran en AGENTS.md/CLAUDE.md.
El repositorio admite múltiples entornos de agente de forma independiente; no hay un instalador unificado. Si utiliza tanto Cursor como Claude Code, instale Science Superpowers en cada uno. Los archivos de habilidades son idénticos — solo varía la carga de arranque.
No se documenta una ruta de actualización formal. El proyecto se distribuye bajo la licencia MIT; para obtener los archivos más recientes, clone el repositorio nuevamente.
