qiskit

qiskit 技能概述

qiskit 的用途

qiskit 技能帮助你使用 IBM 的量子计算技术栈：当你需要构建电路、选择 backend、为硬件进行 transpile，以及在模拟器或 IBM Quantum 设备上运行 job 时，它会尤其有用。它最适合的场景不是“学习量子理论”，而是“让一个电路在正确的执行路径上稳定跑起来，并尽量减少配置和接入错误”。

适用场景与重要性

如果你的目标是 IBM Quantum 硬件、正在使用 Qiskit Runtime，或者需要针对噪声设备和 backend 约束调优电路，就应该使用这个 qiskit 技能。它也很适合化学、优化和量子机器学习等 Scientific 工作流，尤其是当你想要的是一条务实的 SDK 路径，而不是只讲理论的指南时。

它的区别在哪里

qiskit 的核心价值在于完整工作流：电路构建、primitives、backend 选择、transpilation、执行以及结果处理。和通用提示相比，它能给你更清晰的 IBM 特定执行路径，也能帮你处理那些最常卡住首个成功结果的决策：是用 simulator 还是硬件，选 Sampler 还是 Estimator，以及要做多大程度的优化。

如何使用 qiskit 技能

安装 qiskit 技能

先安装技能，再基于它提供的 repo 上下文进行工作：

npx skills add K-Dense-AI/claude-scientific-skills --skill qiskit

如果你是在项目里直接使用 Qiskit，那么基础包安装是独立的，通常从下面开始：

uv pip install qiskit

先阅读这些文件

先看 SKILL.md 了解预期工作流，然后再按任务类型查看对应的参考文件：

• references/setup.md：环境和 IBM 账户设置
• references/primitives.md：Sampler 与 Estimator 的选择
• references/backends.md：backend 选择和 runtime 访问
• references/transpilation.md：面向硬件的优化
• references/circuits.md：电路构建模式

这个顺序很重要，因为 qiskit 使用失败的大多数原因都不是电路语法本身，而是选错了执行路径。

把模糊目标变成有用提示

想更好地使用 qiskit，最好一开始就明确四件事：目标、电路形状、执行模式和输出格式。

好的输入：

• “用 qiskit 构建一个 2-qubit Bell 电路，在本地用 StatevectorSampler 运行，并返回 counts。”
• “把这个 VQE 电路改写为适用于 IBM backend 的版本，按 optimization level 3 进行 transpile，并解释任何 basis-gate 问题。”
• “展示 qiskit 中为化学能量估计选择 Sampler 还是 Estimator 的方法。”

较弱的输入：

• “帮我用 qiskit 做项目。”
• “让这段量子代码跑起来。”

更强的写法会告诉技能该优化什么，以及你希望它产出哪类结果。

可落地的工作流

一个稳定的 qiskit 工作流通常是：

1. 构建或导入电路。
2. 判断任务需要的是 bitstrings 还是 expectation values。
3. 在上硬件前先用 simulator 做本地测试。
4. 针对目标 backend 进行 transpile。
5. 只有在输出类型需要时才添加 measurements。
6. 检查 counts、expectation values 或 backend 报错，并持续迭代。

对于 Scientific 场景，通常应先把问题映射清楚，再选择与数学形式匹配的 primitive，而不是先考虑界面怎么点。

qiskit 技能常见问题

qiskit 只适用于 IBM Quantum 吗？

不是。IBM 是最主要的适配场景，但 qiskit 也可以在本地运行，并且能通过受支持的集成接口连接其他 provider。如果你的主要目标不是 IBM 硬件，安装前最好先比较一下适配度；别的生态系统可能更适合作为默认选择。

什么时候应该用 qiskit，而不是通用提示？

当执行细节很重要时，就该用 qiskit：比如 backend 可用性、transpilation、primitives、测量结构，或者 IBM 账户设置。通用提示可以帮你写出代码草稿，但在你需要更少隐含假设、更多准确工作流指导时，qiskit 更合适。

qiskit 适合初学者吗？

适合，前提是先从 simulator 和简单电路开始。若一上来就直接做硬件执行，它就没那么适合初学者，因为账户设置、transpilation 和 primitive 选择都会影响任务能否跑通。

qiskit 适合 Scientific 工作吗？

适合，尤其是优化、化学和量子模拟工作流，这类场景需要电路执行加上经典后处理。如果你的工作主要是开放量子系统模拟，而且并不以 IBM 硬件为目标，那么 qutip 可能更合适。

如何改进 qiskit 技能效果

先给技能正确的目标

qiskit 最好的结果，来自明确 backend 类型以及你真正需要的输出。要说明你想要本地模拟、IBM 硬件还是某个特定 provider，以及输出应该是 counts、probabilities 还是 expectation values。这个选择几乎会决定后续所有关键步骤。

补充会影响 transpilation 的约束

如果你知道 qubit 数、gate 限制、连通性假设，或者偏好的 optimization level，就直接说出来。只要提示里包含电路必须适应的硬件背景，qiskit 的输出通常会更好，因为 transpilation 决策会改变电路深度和 gate 数量。

说明你需要的细节层级

如果你想要能直接使用的代码，就要求包含 imports、最小可运行示例结构，以及应该使用的准确 primitive。如果你只问概念性解释，拿到的可能只是一个正确但不能直接运行的 qiskit 指南。对于安装帮助，还要补充你的 Python 版本，以及你是用 uv、pip，还是受管环境。

从第一次失败继续迭代，不要从头再来

当第一次结果不对时，直接把具体失败点反馈回去：是 import error、backend 不匹配、缺少 measurement、primitive 用错了，还是 transpilation 出了问题。这样是提升 qiskit 使用效果最快的方法，因为它会把问题从“量子代码”缩小到一个明确可修正的点。