技能大全

通过OpenRouter调用Perplexity的Sonar Pro Search或Sonar Reasoning Pro模型查找最新研究信息。系统会根据查询复杂度自动选择最优模型。可检索学术论文、近期研究、技术文档及带引用来源的通用研究资料。

基于Python API的云端量子化学平台。专为计算化学工作流设计，特别适用于pKa预测、几何结构优化、构象搜索、分子性质计算、蛋白质-配体对接（AutoDock Vina）及AI蛋白质共折叠（Chai-1, Boltz-1/2）等任务。适用于量子化学计算、分子性质预测、密度泛函理论或半经验方法、神经网络势能（AIMNet2）、蛋白质-配体结合预测及自动化计算化学流程。提供云端计算资源，无需本地环境配置。

标准单细胞RNA测序分析流程。适用于质量控制、数据归一化、降维分析（PCA/UMAP/t-SNE）、细胞聚类、差异表达基因识别及可视化。最适合采用成熟工作流程进行探索性单细胞RNA测序分析。若需深度学习模型请使用scvi-tools工具；有关数据格式问题请查阅anndata文档。

采用ScholarEval框架对学术成果进行系统化评估，围绕研究问题构建、方法论严谨性、分析深度及学术表达等维度展开结构化评议，提供量化评分与可操作的改进建议。

创新研究构思与探索。适用于开放式头脑风暴会议，探索跨学科联系、挑战既有假设或识别研究空白。最适合尚无具体观察数据的早期研究规划阶段。若需从数据中构建可检验的假设，请使用假设生成功能。

评估科学主张及证据质量。适用于检验实验设计的有效性、识别偏倚与混杂因素、应用证据分级框架（如GRADE、Cochrane偏倚风险评估），或开展批判性分析教学。最适用于理解证据质量、发现研究缺陷。若需正式同行评审写作，请使用专业同行评审流程。

使用Nano Banana Pro AI创建出版级科学图表，具备智能迭代优化功能。采用Gemini 3 Pro进行质量审核，仅当图表质量低于文档类型标准阈值时触发重新生成。专精神经网络架构图、系统示意图、流程图、生物通路图及复杂科学可视化图表制作。

制作研究讲座幻灯片与演示文稿。适用于制作PowerPoint幻灯片、会议报告、研讨会演讲、研究展示、论文答辩幻灯片或任何科学讲座。提供幻灯片结构、设计模板、时间把控指导及视觉验证。兼容PowerPoint与LaTeX Beamer。

论文发表级图表元技能。适用于创建期刊投稿图表，需满足多子图布局、显著性标注、误差棒显示、色盲友好配色及特定期刊（如《自然》《科学》《细胞》）格式要求。通过协调matplotlib/seaborn/plotly工具并应用出版级样式实现。快速探索性分析可直接使用seaborn或plotly。

深度研究与写作工具的核心技能。以完整段落撰写科学手稿（禁用项目符号）。采用两阶段流程：(1) 通过研究检索形成含核心要点的章节大纲，(2) 将大纲转化为连贯论述。遵循IMRAD结构、规范引用格式（APA/AMA/Vancouver）、整合图表、遵守报告指南（CONSORT/STROBE/PRISMA），适用于研究论文与期刊投稿。

生物数据工具包。支持序列分析、比对、系统发育树构建、多样性指标计算（α/β多样性、UniFrac）、排序分析（PCoA）、PERMANOVA统计检验、FASTA/Newick格式读写，专为微生物组分析设计。

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。

基于scikit-survival的Python生存分析与事件时间建模综合工具包。适用于处理删失生存数据、执行事件时间分析、拟合Cox比例风险模型、随机生存森林、梯度提升模型或生存支持向量机，使用一致性指数或Brier评分评估生存预测，处理竞争风险，以及通过scikit-survival库实现任何生存分析工作流程。

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。

基于pandas的统计可视化工具。适用于快速探索数据分布、变量关系及类别比较，默认样式美观。尤其擅长箱线图、小提琴图、配对图、热力图等图表类型。底层基于matplotlib构建。如需交互式图表请使用plotly；如需出版级图表样式请使用scientific-visualization。

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。

基于流程的离散事件仿真框架（Python实现）。适用于构建包含流程、队列、资源及时间驱动事件的系统仿真，例如制造系统、服务运营、网络流量、物流管理，或任何实体随时间推移与共享资源交互的系统场景。

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。