post-run-debrief
将跑步数据和用户笔记转换为带有置信度分数的结构化反思。在跑步后使用,以捕捉定性反馈,并生成下一步指导,同时对疼痛或异常心率进行安全检查。
把 Skill 的源码、资源快照、README、包体和安装信号放进一个可搜索、可筛选的公开目录。
将跑步数据和用户笔记转换为带有置信度分数的结构化反思。在跑步后使用,以捕捉定性反馈,并生成下一步指导,同时对疼痛或异常心率进行安全检查。
自主的现有技术搜索和分析代理。搜索多个数据库,分析参考文献,创建权利要求图表,并评估可专利性影响。
AI视频管道验证器,用于Veo 3可行性、8秒场景切分和镜头连贯性。使用时机:在为AI视频生成验证剧本、将场景切分为8秒片段、生成续拍提示、评分可行性风险或添加编辑元数据时使用。管道位置:编剧 → **生产验证器** → 想象/架构-v 输入:来自编剧技能的XML(带有持续时间、动作、关键视觉的场景标签) 输出:带有验证、片段、连贯性标签和Veo 3提示的增强XML 关键功能:- Veo 3可行性…
模型量化以提高推理和训练的效率。涵盖精度类型(FP32、FP16、BF16、INT8、INT4)、BitsAndBytes配置、内存估算以及性能权衡。
使用Python API读取并分析Inspect AI评估日志文件。从.eval文件中提取样本、消息、事件和指标。
自我改进引擎。通过生成-批评-迭代循环来增强推理能力。在处理复杂问题、跨领域综合信息或初始输出需要改进时使用。与自我检查机制集成,以防止过度自信。最大迭代次数为3次,以节省令牌。
对200多种格式的科学数据文件进行全面探索性数据分析。此技能应在分析任何科学数据文件时使用,以了解其结构、内容、质量和特性。自动检测文件类型并生成详细的Markdown报告,包括特定格式的分析、质量指标和下游分析建议。涵盖化学、生物信息学、显微镜学、光谱学、蛋白质组学、代谢组学以及通用科学数据格式。
治疗数据共享。适用于AI的药物发现数据集(ADME、毒性、DTI)、基准、骨架分割、分子神谕,用于治疗性机器学习和药理学预测。
在章节写作前自动激活,强制执行9项必读文件检查清单 - 通过确保每次写作前加载所有上下文来防止AI在长篇小说中的焦点退化
处理同步的Granola会议以更新个人页面、提取任务并整理会议笔记
掌握高级提示工程技巧,以最大化LLM在生产环境中的性能、可靠性和可控性。在优化提示、改进LLM输出或设计生产提示模板时使用。
当用户需要对某个主题进行全面研究,包括探索多个来源、综合发现,并提供带有引用的结构良好报告时,应使用此技能。适用于复杂的调研请求,如“研究X的最新发展”,“比较A与B与C”,“为Y找到前N名候选人”,或任何需要深入探索而不仅仅是简单网络搜索的请求。
使用AgentDB的150倍更快的矢量数据库实现ReasoningBank自适应学习。包括轨迹跟踪、判决判断、记忆蒸馏和模式识别。在构建自学习代理、优化决策或实现经验回放系统时使用。
通过阅读项目配置和指南,静默刷新AI上下文。在开始新的对话、上下文丢失后或执行主要任务之前使用。
全面的蛋白质语言模型工具包,包括ESM3(跨序列、结构和功能的生成式多模态蛋白质设计)和ESM C(高效的蛋白质嵌入和表示)。在处理蛋白质序列、结构或功能预测;设计新型蛋白质;生成蛋白质嵌入;执行逆折叠;或进行蛋白质工程任务时使用此技能。支持本地模型使用以及基于云的Forge API以实现可扩展推理。
标准的单细胞RNA-seq分析流程。用于质量控制、归一化、降维(PCA/UMAP/t-SNE)、聚类、差异表达和可视化。最适合使用已建立的工作流程进行探索性scRNA-seq分析。对于深度学习模型,请使用scvi-tools;对于数据格式问题,请使用anndata。
预测特定任务情境下的人格表现。
设计面向用户的代理专家,以实现自适应用户体验和个人化。在构建能够从用户行为中学习的产品功能、创建每个用户的专长文件或实施由AI驱动的个性化时使用。
治疗数据共享。适用于AI的药物发现数据集(ADME、毒性、DTI)、基准测试、骨架分割、分子神谕,用于治疗性机器学习和药理学预测。
Qwen训练数据挖掘器(原型)
根据可用的食材、饮食限制和个人偏好创建自定义食谱
此技能执行一个'环顾四周'的动作,以扫描并描述当前房间内的内容,包括可见的物体、容器和门。当进入新房间或代理需要定位特定物品或评估环境状态时,应触发此技能。该技能输出详细的房间描述,这对于库存发现和情景意识至关重要。
轻量级WSI切片提取和预处理。用于基本的幻灯片处理组织检测、切片提取以及H&E图像的染色归一化。最适合简单的流程、数据集准备、基于切片的快速分析。对于高级空间蛋白质组学、多重成像或深度学习流程,请使用pathml。
深度生成模型用于单细胞组学。当您需要概率批次校正(scVI)、迁移学习、带不确定性的差异表达或多种模式整合(TOTALVI, MultiVI)时使用。最适合高级建模、批次效应和多模式数据处理。对于标准分析流程,请使用scanpy。