rdkit

rdkit 技能概覽

rdkit 是做什麼的

rdkit 技能適合需要精準分子處理的化學資訊學工作：解析 SMILES、SDF/MOL/PDB/InChI、計算描述子、產生指紋、執行子結構搜尋，以及處理反應或 2D/3D 座標。當單純下提示還不夠、你需要 rdkit 技能套用正確的 API 模式、清理步驟與檔案格式時，它最有用。

最適合的使用者與工作

如果你在做分子清理、性質計算、相似度篩選、資料庫過濾，或藥物發現與計算化學中的結構型資料前處理，這份 rdkit 指南就很適合。當你需要對大量分子做可重現的批次處理，而不是只在 notebook 裡做一次性探索時，rdkit for Data Analysis 也非常適用。

這個技能有什麼不同

這個 rdkit 技能重視細緻控制，而不是只求方便。倉庫同時支援直接使用 Python API、輔助腳本，以及用於描述子、SMARTS 與相似度流程的參考檔。這讓它在進階控制、自訂清理與專門演算法方面，比一般提示詞或輕量包裝層更合適。

如何使用 rdkit 技能

安裝並觸發情境

先把這個技能安裝到你的 Claude skills 環境，接著把需求講清楚：分子來源是什麼、輸出目標是什麼、有哪些限制。理想的 rdkit 安裝與使用流程，會同時提供化學任務與資料形狀，例如 CSV 裡的 SMILES、SDF 檔、批次資料庫 或 單一查詢分子。

提供正確的輸入給技能

好的輸入應該包含精確的結構格式、要執行的操作，以及任何化學規則。比如：「用 rdkit 讀取這個 SDF，移除無效分子，計算 MW/LogP/TPSA，並匯出含 canonical SMILES 的 CSV。」如果需要做子結構處理，也要把 SMARTS pattern 以及比對是包含式還是排除式一併寫清楚。

先看這些檔案

先從 SKILL.md 開始，再查看 references/api_reference.md、references/descriptors_reference.md 和 references/smarts_patterns.md，了解支援的方法與 pattern 語法。如果你打算把批次工作自動化，也要看 scripts/molecular_properties.py、scripts/similarity_search.py 和 scripts/substructure_filter.py，掌握這個 repo 的實作工作流程長什麼樣子。

能提升輸出品質的工作流程建議

建議採用分段式提示：先解析、再驗證、接著轉換，最後匯出。要明確說明清理是否必須嚴格、是否允許寬鬆處理、立體化學是否重要，以及你要 canonical SMILES 還是保留原始順序。對 rdkit 使用來說，這能避免常見失誤：分子雖然成功解析了，但後續描述子或指紋卻是建立在錯誤形式上。

rdkit 技能 FAQ

rdkit 比一般提示詞更好嗎？

通常是，尤其當任務依賴精確 API、檔案 I/O、SMARTS 語法或批次處理時更明顯。一般提示詞可以描述化學資訊學概念，但當你需要可靠的 rdkit 安裝指引、具體程式路徑，以及更少的分子格式假設時，rdkit 技能會更適合。

什麼情況下不該用 rdkit？

如果你只需要高層次的分子摘要、而且幾乎不需要控制細節，就不必選 rdkit。倉庫本身也提到，datamol 可以作為 RDKit 的較簡單包裝層，適合標準流程；因此當你要的是直接 API 控制，而不是便利性時，rdkit 才是更好的選擇。

對初學者友善嗎？

如果任務範圍切得夠小，答案是可以。初學者可以直接要求簡單的 rdkit 用法，例如把 SMILES 轉成性質，或用 SMARTS pattern 過濾分子。真正的阻礙通常不是化學知識，而是輸入不夠明確：檔案類型不清楚、缺少電荷/立體化學規則，或沒有定義目標輸出 schema。

這個生態系統我該有什麼期待？

可以預期的是以 Python 為主的工作流，包含 RDKit 模組、輔助腳本與參考表，而不是大型應用框架。當你已經知道分子資料來源，並且想要一條務實的分析或轉換管線時，rdkit 技能表現最好。

如何改進 rdkit 技能

先從最重要的決策開始

最大的品質提升，來自把分子表示法與成功標準講清楚。要告訴 rdkit 技能這次任務是描述子計算、相似度搜尋、子結構過濾，還是結構轉換；並明確定義什麼算有效結果，例如「只接受已清理過的分子」或「保留立體化學不變」。

事先交代化學限制

常見失誤，往往來自對鹽類、互變異構、顯式氫、芳香性與無效結構的隱含假設。若這些會影響結果，就直接說明，例如「計算描述子前先去鹽」、「保留原始立體化學」，或「把清理失敗視為拒絕，而不是自動修補」。

使用具體的提示詞模式

更強的提示會像這樣：「使用 rdkit 讀取 molecules.smi，拒絕無效 SMILES，計算 MW、LogP、TPSA，並輸出含 canonical SMILES 與 passed 標記的 CSV。」這比「分析這些分子」更好，因為它清楚說明技能要解析什麼、計算什麼，以及結果要怎麼格式化。

迭代要從輸出品質下手，不只是程式碼

第一次產出後，先檢查結果是否符合你的化學規則與下游工具鏈。如果結果看起來不對，就一次只補一個限制：指紋類型、SMARTS 資料庫、描述子集合，或匯出格式。對 rdkit for Data Analysis 來說，這通常比要求更多功能，更能提升可重現性。