技能市场

创建高效技能指南。本指南适用于用户在需要创建新技能（或更新现有技能）以扩展克劳德在专业知识、工作流程或工具集成方面的能力时使用。

利用多种框架（如RTF、RISEN、思维链、RODES、密度链、RACE、RISE、STAR、SOAP、CLEAR、GROW）将用户提示转化为优化后的提示。

在任何对话开始时使用——明确如何查找并运用技能，要求在给出任何回复（包括澄清性问题）前必须先调用技能工具。

为AI智能体提供持久可检索知识管理的混合记忆系统（架构、模式与决策）。

构建生产就绪的LLM应用、高级RAG系统和智能代理。实现向量搜索、多模态AI、智能体编排与企业AI集成。主动应用于LLM功能开发、聊天机器人、AI代理或AI驱动型应用程序。

构建实时对话式AI语音引擎，采用异步工作流管道、流式转录、大语言模型代理、支持中断处理与多服务商集成的文本转语音合成技术。

实现向量数据库的高效相似性搜索。适用于构建语义搜索系统、实施最近邻查询或优化检索性能的场景。

基于PyMC的贝叶斯建模。构建分层模型、马尔可夫链蒙特卡罗（NUTS算法）、变分推断、留一法/WAIC模型比较、后验检验，实现概率编程与统计推断。

生产级强化学习算法（PPO、SAC、DQN、TD3、DDPG、A2C），提供类似scikit-learn的API接口。适用于标准强化学习实验、快速原型开发及算法实现文档完善的应用场景。最适合在Gymnasium环境中进行单智能体强化学习。如需高性能并行训练、多智能体系统或自定义向量化环境，请改用pufferlib。

生成式搜索引擎优化（适用于ChatGPT、Claude、Perplexity等AI搜索引擎）。

分子机器学习，具备多样化特征提取器和预置数据集。适用于属性预测（如ADMET、毒性评估），支持传统机器学习或图神经网络，尤其适合需要丰富特征化选项和MoleculeNet基准测试的场景。最适合利用预训练模型和多种分子表征进行快速实验。若需优先处理图结构的PyTorch工作流，推荐使用torchdrug；若需基准数据集，推荐使用pytdc。

多智能体人工智能系统，专为科研辅助设计，能够自动化从数据分析到发表的全流程研究工作。该技能适用于从数据集生成研究思路、制定研究方法论、执行计算实验、进行文献检索，以及生成LaTeX格式的出版就绪论文。支持端到端的研究流程，并提供可定制的智能体协同编排功能。

多智能体并行研究执行能力（配备10个智能体，经过真实案例验证）。

自动将文档网站、GitHub仓库和PDF文件在几分钟内转换为Claude AI技能。

为AI模型链式调用生成工作流JSON文件

Python机器学习库scikit-learn。适用于监督学习（分类、回归）、无监督学习（聚类、降维）、模型评估、超参数调优、数据预处理及构建机器学习流水线等场景。提供涵盖算法、预处理技术、流水线设计与最佳实践的完整参考文档。

使用 idc-index 查询并下载 NCI 影像数据公共库中的公开癌症影像数据。该工具支持访问大规模放射学（CT、MR、PET）及病理学数据集，适用于人工智能训练或研究。无需身份验证，可通过元数据查询、浏览器内可视化浏览，并检查数据使用许可。

分子特征化用于机器学习（含100多种特征化工具）。包括ECFP、MACCS、描述符、预训练模型（如ChemBERTa），可将SMILES转换为特征，适用于定量构效关系及分子机器学习研究。