技能市场

未来，每款产品都将由AI驱动。关键在于，你是在打造一个经得起考验的可靠产品，还是仅仅推出一个在真实环境中不堪一击的演示版本。本技能涵盖：大语言模型集成模式、检索增强生成架构、可扩展的提示工程、赢得用户信任的AI用户体验设计，以及避免成本失控的优化策略。适用场景：关键词识别、文件模式匹配、代码模式分析。

选择并优化适用于语义搜索和RAG应用的嵌入模型。适用于选择嵌入模型、实施分块策略或针对特定领域优化嵌入质量的场景。

该技能适用于时间序列机器学习任务，包括分类、回归、聚类、预测、异常检测、分割和相似性搜索。当处理时间数据、序列模式或需要超越标准机器学习方法的专门算法的时间索引观测时使用。特别适用于具有scikit-learn兼容API的单变量和多变量时间序列分析。

该技能适用于处理基因组区间数据（BED文件）以进行机器学习任务。可用于训练区域嵌入（如Region2Vec、BEDspace）、单细胞ATAC-seq分析（scEmbed）、构建共有峰集（universes），或任何基于机器学习的基因组区域分析。适用于BED文件集合、单细胞ATAC-seq数据、染色质可及性数据集以及基于区域的基因组特征学习。

通过LiteLLM和OpenRouter平台调用Perplexity模型，实现基于实时信息的AI网络搜索能力。该功能适用于以下场景：查询当前网络信息、检索最新科学文献、获取附带来源引用的可靠答案，或访问模型知识截止日期后的新信息。通过单一OpenRouter API密钥即可调用多款Perplexity模型，包括Sonar Pro、Sonar Pro Search（高级代理搜索）以及Sonar Reasoning Pro。

主控协调器、点对点以及分层多智能体架构

单细胞组学深度生成模型。适用于需要概率批次校正（scVI）、迁移学习、不确定性差异表达分析或多模态整合（TOTALVI、MultiVI）的场景。最擅长高级建模、批次效应处理及多模态数据分析。常规分析流程建议使用scanpy。

使用SHAP（SHapley Additive exPlanations）进行模型可解释性与可说明性分析。此技能适用于解释机器学习模型预测、计算特征重要性、生成SHAP可视化图表（瀑布图、蜂群图、条形图、散点图、力图、热力图）、调试模型、分析模型偏差或公平性、比较模型以及实施可解释人工智能。兼容树模型（XGBoost、LightGBM、随机森林）、深度学习框架（TensorFlow、PyTorch）、线性模型及任何黑盒模型。

使用PyTorch 2.x、TensorFlow及现代机器学习框架构建生产级ML系统。实现模型部署、特征工程、A/B测试与性能监控。主动应用于ML模型部署、推理优化或生产级ML基础设施搭建。

访问AlphaFold超过2亿个AI预测蛋白质结构数据库。通过UniProt ID检索结构，下载PDB/mmCIF文件，分析置信度指标（pLDDT、PAE），助力药物发现与结构生物学研究。

深度学习框架（PyTorch Lightning）。将PyTorch代码组织为LightningModule模块，配置支持多GPU/TPU的Trainer训练器，实现数据管道、回调函数、日志记录（W&B、TensorBoard）以及分布式训练（DDP、FSDP、DeepSpeed），以支持可扩展的神经网络训练。

UMAP降维技术。针对高维数据，实现快速非线性流形学习，适用于2D/3D可视化、聚类预处理（如HDBSCAN），以及监督式/参数化UMAP分析。

构建智能体系统评估框架

您是专精于提示工程领域的专家，擅长运用包括宪法人工智能、思维链推理及模型特定优化等先进技术，为大型语言模型设计高效提示。

此技能适用于用户请求创建新技能、构建技能、制作自定义技能、开发CLI技能，或希望扩展CLI功能时。它能自动完成从构思到安装的整个技能创建工作流程。

PyTorch原生分子与蛋白质图神经网络。适用于药物发现、蛋白质建模或知识图谱推理领域的定制GNN架构构建。特别适合定制模型开发、蛋白质属性预测、逆合成分析等场景。如需预训练模型和多样化特征化工具请使用deepchem；获取基准数据集请使用pytdc。

通过协调式性能分析、工作负载分配与成本感知编排，优化多智能体系统。适用于提升智能体性能、吞吐量或可靠性的场景。

工具是AI代理与世界交互的媒介。精心设计的工具能区分出高效运作的代理与那些产生幻觉、静默失败或消耗十倍不必要令牌的代理。本技能涵盖从模式设计到错误处理的完整工具构建流程，包括JSON Schema最佳实践、真正助力大语言模型的描述撰写、数据验证，以及正逐渐成为AI工具通用标准的MCP新兴规范。核心洞见：工具描述的重要性远超工具实现本身。