科学

torchdrug 是一个原生 PyTorch 的分子与蛋白质机器学习工具包。使用 torchdrug 技能来选择任务、数据集和模块化模型，覆盖图神经网络、蛋白质建模、知识图谱推理、分子生成和逆合成。它更适合自定义模型开发和可复现配置，而不只是现成演示。

optimize-for-gpu 可以根据合适的库选择，帮助把受 CPU 限制的 Python 代码转成 NVIDIA GPU 代码。适用于数组、DataFrame、机器学习流水线、图分析、图像处理、地理空间任务、向量检索和自定义 kernel。它会针对 CuPy、cuDF、cuML、cuGraph、cuCIM、cuVS、KvikIO、Numba CUDA 和 Warp 的选择提供实用的 optimize-for-gpu 用法与迁移建议。

diffdock 是一项对接技能，可基于 PDB 结构，或蛋白序列加上以 SMILES、SDF、MOL2 表示的配体，预测蛋白-配体结合构象。适用于基于结构的药物设计、虚拟筛选以及带置信度评分的构象分析。它不用于结合亲和力预测。

面向 Python 生存分析与时间到事件建模的 scikit-survival 技能。适用于删失数据、Cox 模型、随机生存森林、梯度提升、Survival SVM，以及一致性指数和 Brier score 等生存评估指标。

scientific-schematics 可将自然语言提示转化为适合发表的科学图表，并通过智能迭代优化持续提升质量。它使用 Nano Banana 2 生成图像，并用 Gemini 3.1 Pro Preview 进行审阅；只有当输出低于你的文档类型阈值时才会重新生成。适用于神经网络架构、系统示意图、流程图、生物通路及其他复杂科学可视化内容。

用于 Python 中单细胞 RNA-seq 数据分析的 scanpy 技能。适合做 QC、标准化、PCA、UMAP/t-SNE、聚类、marker 基因发现、轨迹分析以及生成出版级图表。最适合围绕 AnnData 构建的探索性 scRNA-seq 工作流，提供清晰的 scanpy 使用与安装指引。

research-grants 这项技能可将粗略的研究想法打磨成可直接提交的资助申请，适用于 NSF、NIH、DOE、DARPA 或台湾 NSTC。它支持机构匹配、合规结构、预算说明、评审标准对齐，以及面向 PI、博士后和技术写作者的各部分草拟。

protocolsio-integration 是一个用于 protocols.io API 集成的技能，可通过程序化方式管理科学实验流程（protocols）。它适合用于搜索、创建、更新、发布、步骤编辑、工作区组织、评论和文件处理。对于后端开发、工作流自动化以及需要可重复执行的 protocols.io 使用场景，protocolsio-integration 尤其实用。

peer-review 技能可帮助你撰写正式、以证据为基础的稿件和基金申请评审。可用于评估研究方法、统计、可重复性、伦理，以及 CONSORT、STROBE、PRISMA 等报告标准，并给出作者和编辑都能据此行动的建设性反馈。

parallel-web 是一个由 parallel-cli 驱动的网页研究与信息提取技能。它可帮助你进行网页搜索、提取 URL 内容、从来源中补充数据，并围绕学术与科学来源优先开展更深入的研究。适用于 parallel-web 的用法、网页研究、引用整理以及以证据为先的工作流。

paperzilla 是一个用于处理 Paperzilla 项目的聊天与 CLI 技能，支持 recommendations、canonical papers、markdown summaries、feedback 和 feed export。 当你需要直接访问 Paperzilla 数据来做 Academic Research，而不只是获取一个泛泛的摘要时，就该使用它。它适用于 paperzilla 使用、paperzilla guide 任务以及结构化输出。

用于 Python 绘图的 matplotlib 技能，可对坐标轴、标签、图例、布局和导出格式进行完整控制。适合科学图表、多面板分析、自定义图类型以及需要比通用图表提示更高精度的可复现可视化。对于数据分析和可直接用于发表的图表，它是一个很强的 matplotlib 指南。

markdown-mermaid-writing 是一项面向科学与技术文档的 Markdown 和 Mermaid 图表编写技能。它适用于将工作流、架构、分析和报告整理成可编辑的“先文本”文档，配合清晰的图表、良好的版本控制友好性，以及面向 Technical Writing 的实用 markdown-mermaid-writing 用法。

latex-posters 可帮助你用 LaTeX 制作适合会议、研讨会、论文答辩和科研传播的专业研究海报。它覆盖了面向 beamerposter、tikzposter 和 baposter 的包感知工作流，并提供版式、层级结构、图表、引用以及可直接用于印刷的海报设计指导。

literature-review 技能支持 Academic Research 的系统化文献综述工作流，包括来源发现、引文核验、主题综合，以及精美的 markdown 或 PDF 输出。可用于文献综述指南类任务、meta-analyses、scoping reviews，以及跨科学与技术领域的 research briefs。

lamindb 技能可帮助你使用 LaminDB —— 一个开源的生物学数据框架，让数据可查询、可追溯、可复现并符合 FAIR 原则。它适用于 lamindb 的数据分析、元数据整理、基于本体的注释、schema 验证，以及贯穿 notebooks 和 pipelines 的可追踪工作流。

imaging-data-commons 可帮助你使用 idc-index 查询并下载 NCI Imaging Data Commons 的公开癌症影像数据。适用于 CT、MR、PET 和病理数据集中的 imaging-data-commons 使用场景，包括元数据检索、浏览器预览、许可检查，以及 AI 训练或数据分析工作流。无需认证。

infographics 技能可帮助你根据主题、数据集或叙述，创建适合直接发布的视觉内容。它支持用于 Data Visualization 的 infographics 生成，结合 Nano Banana Pro 生成、Gemini 3 Pro 质量审核、可选调研、易读配色，以及迭代优化，适用于营销物料、报告、时间线、对比图和社交媒体版式。

gget 是一款生物信息学技能，可通过 CLI 或 Python 快速、统一地访问 20+ 个基因组数据库和分析工具。适合查询基因信息、BLAST 相关检索、AlphaFold 结构、表达数据、疾病关联以及富集分析等场景，也很适合用于快速探索和 gget 数据分析工作流。

get-available-resources 会在执行重型科学计算或 ML 工作流前检查 CPU、GPU、内存和磁盘情况。它会返回资源快照，并给出并行处理、GPU 加速或内存安全方案的实用建议，帮助代理为工作流自动化做出更好的执行决策。

exploratory-data-analysis 技能可将科学文件转换为支持格式感知的 EDA 报告。它会识别文件类型、概括结构与质量、提取关键元数据，并给出后续分析建议。适用于化学、生物信息学、显微镜、光谱学、蛋白质组学、代谢组学等各类科学文件格式的数据分析与探索性数据分析（EDA）。

exa-search 是一项由 Exa 驱动的网页研究技能，可用于查找最新信息并从 URL 中提取内容。适合用于搜索、来源发现、文章和 PDF 提取，以及结合语义检索、学术式过滤和清晰安装与使用指引的技术或科学研究。

etetoolkit 是面向 ETE 工作流的系统发育树工具包。使用 etetoolkit skill，可解析、编辑、比较、定根、修剪和可视化 Newick、NHX、PhyloXML 或 NeXML 格式的树。它支持系统发育基因组学、直系/旁系同源分析、NCBI 分类体系，以及适合论文展示的 PDF 或 SVG 输出。

depmap 可帮助分析 Cancer Dependency Map 中癌症细胞系的基因依赖性评分、药物敏感性和基因效应谱。可用于识别癌症特异性脆弱点、合成致死相互作用，并借助可复现的 depmap 指南验证肿瘤学药物靶点，适用于 Data Analysis。