Skills

E

experience-lds-best-practices-apply

forcedotcom / sf-skills

在审查或实施 LWC（.js、.html、.js-meta.xml）中的 Lightning Data Service 最佳实践时使用——UIAPI 与 Apex 的选择、refreshApex / notifyRecordUpdateAvailable、@salesforce/schema 导入、LDS record-form 数据模式。当用户提出“将 LDS 最佳实践应用于此 LWC”“检查此 LWC 是否存在 LDS 最佳实践问题”“检查此组件的 Lightning Data Service 问题”“此数据该用 UIAPI 还是 Apex？”“修复记录保存后的过期数据”“同步 LDS 缓存”“使用 @salesforce/schema 获取字段名称”或“在 getRecord 和 Apex 之间选择”时触发。新建 LWC 时不要触发（使用 experience-lwc-generate）；应用 SLDS 设计令牌时不要触发（使用 design-systems-slds-apply）；一般性地选择或连接 `lightning-*` 基础组件的 props/events/slots 时不要触发（使用 experience-lwc-base-components-integrate——此技能仅涵盖 LDS 数据层的原因，即使修复涉及基础 record form）；安全、RTL 或无障碍审查也不要触发（应单独进行）。

G

geopandas

k-dense-ai / scientific-agent-skills

为直接使用 GeoPandas GeoSeries、GeoDataFrame、空间操作或矢量数据 I/O 的 Python 工作流提供指导和本地审计工具

A

analytics-events

metabase / metabase

在 Metabase 前端添加产品分析事件，以跟踪用户交互

S

stable-baselines3

k-dense-ai / scientific-agent-skills

使用 Stable Baselines3（PPO、SAC、DQN、TD3、DDPG、A2C）、Gymnasium 自定义环境、向量化 rollout、回调和检查点归一化，训练并评估单 Agent 强化学习。适用于可复现的 RL 实验、连续控制、离散动作，以及 SB3-Contrib 循环或掩码策略。

D

data-analysis

lingzhi227 / agent-research-skills

通过 4 轮审查生成统计分析代码。选择合适的统计检验、解读结果，并生成包含 p 值、效应量和置信区间的分析报告。用于分析论文中的实验数据。

P

physical-ai-video-data-augmentation

nvidia / skills

在 OSMO 上运行视频数据增强和自动标注工作流时使用：流程选择、预检、提交时插值、监控和输出检索。触发关键词：视频数据增强、数据扩充、自动标注、VDA 演示、OSMO 工作流、伪标签。

P

pymoo

k-dense-ai / scientific-agent-skills

使用 pymoo 求解并验证单目标、多目标和多重目标优化，涵盖 NSGA-II、NSGA-III、MOEA/D、约束、Pareto 近似、参考方向，以及用于工程和研究问题的 ZDT/DTLZ 基准测试。

S

scikit-bio

k-dense-ai / scientific-agent-skills

生物数据工具包，适用于微生物组分析，支持序列分析、比对、系统发育树、多样性指标（alpha/beta、UniFrac）、排序分析（PCoA）、PERMANOVA 以及 FASTA/Newick 输入输出。

C

ccf-experiment-designer

mikubaka88 / ccfa-skills

设计并解读 CCF 实验：数据集、基线、指标、消融、执行规范、观察到的反馈和结果表内容。用于用户要求的自主研究中的实验设计、消融、基准测试规划、实验结果分析和证据设计。保留真实数值。Orchestrator 负责协调研究循环执行；视觉样式和广泛检索由其他技能负责

G

geomaster

k-dense-ai / scientific-agent-skills

支持遥感、矢量和栅格 GIS、空间统计、地形与网络分析以及地球观测机器学习的地理空间研究工作流。适用于处理卫星影像、对齐坐标系和栅格网格、访问 STAC 目录、分析地理空间时间序列，或使用 Python、R、Julia、JavaScript、C++、Java、Go 或 Rust 实现科学 GIS 工作流。

N

n8n-binary-and-data-official

n8n-io / skills

在 n8n 中处理文件、图像、附件或二进制数据时使用；或者 AI Agent 需要将用户上传的文件作为工具输入，或返回生成的文件时使用。Data Tables（架构、去重、持久状态）请参阅单独的 n8n-data-tables-official skill。触发词包括“文件”“图像”“PDF”“附件”“二进制”“上传”“下载”、带文件的聊天触发器、需要文件的 Agent 工具、视觉/多模态，或任何非 JSON 文件数据处理。

S

simpy

k-dense-ai / scientific-agent-skills

使用 SimPy 构建、检查、测试和分析有界的、基于进程的离散事件模拟。适用于事件调度、资源队列、中断、监控、独立重复试验、预热和可复现的输出分析。

I

initiating-coverage

anthropics / financial-services

通过包含 5 项任务的工作流，创建机构级别的股票研究首次覆盖报告。任务必须逐项执行，并验证前置条件：(1) 公司研究，(2) 财务建模，(3) 估值分析，(4) 图表生成，(5) 最终报告汇编。每项任务都会生成特定交付物（Markdown 文档、Excel 模型、图表或 DOCX 报告）。任务 3–5 依赖前序任务。

P

physical-ai-defect-image-generation

nvidia / skills

当用户希望在 OSMO 上使用 NVIDIA Cosmos AnomalyGen（基于 Cosmos-Predict2）编排 PCBA、金属表面和玻璃检测的缺陷图像生成时使用。Day 0 流程通过 USD-to-ROI、图像编辑增强和 AnomalyGen 处理冷启动，以创建初始 PCBA 数据集。Day 1 流程对真实图像进行推理和标注。此技能可协助首次资产设置、创建微调检查点及配置部署。触发关键词：defect image generation、dig workflow、dig pipeline、defect image detection workflow、aoi pipeline、aoi anomalygen、usd2roi anomalygen、day 0 pcba、day 1 pcba、day 1 real-photo alignment、day 1 manual roi、metal surface anomaly、glass defect、anomalygen finetune、setup_pcb、setup_metal、setup_glass、setup_pretrained、dig setup、dig datasets、dig pretrained checkpoint、dig image-edit endpoint、cosmos defect generation、cosmos-predict2 defect、cosmos-anomalygen、cosmos predict2 finetune。

H

hypogenic

k-dense-ai / scientific-agent-skills

规划并审查使用 ChicagoHAI HypoGeniC/HypoRefine，从带标签的文本数据集中借助 LLM 生成假设的流程。适用于 `hypogenic` 包、其任务配置、假设库或 HypoBench 数据集；不适用于手动构建假设或科学验证。

N

n8n-binary-and-data

czlonkowski / n8n-skills

在 n8n 中正确处理文件和二进制数据。适用于处理文件、图片、PDF、附件、上传或下载、base64、视觉/多模态输入，或 AI Agent 需要将文件用作工具输入或输出的场景；也适用于用户提到 $binary、binaryPropertyName、“读取 PDF”“附加文件”“发送图片”、Merge 丢失二进制数据，或聊天图片 CDN 的情况。涵盖 $binary 与 $json 的区别、二进制数据的读写、通过 Merge 在转换过程中保留二进制数据、Agent 与工具之间的二进制数据边界，以及聊天界面对 CDN/URL 的要求。

B

bioservices

k-dense-ai / scientific-agent-skills

提供用于访问 UniProt、KEGG、ChEMBL、Reactome、QuickGO 和 UniChem 等生物信息学服务的 Python 接口。通过 BioServices 用于跨数据库蛋白质注释、通路检索、化学标识符映射及整合生物数据工作流

A

anndata

k-dense-ai / scientific-agent-skills

处理单细胞分析中的注释矩阵、.h5ad 和 Zarr 文件，以及与 scverse 生态系统的集成。这是数据格式技能；分析工作流请使用 scanpy，概率模型请使用 scvi-tools，大规模群体查询请使用 cellxgene-census

G

google-search-console

kostja94 / marketing-skills

Search Console 成效和索引分析的兼容性指引；由 Open Analytics 维护。

C

cms-migration

payloadcms / skills

当用户希望将内容从其他 CMS（WordPress、Contentful、Strapi、Sanity、Webflow 等）迁移到 Payload CMS 时使用。

C

clinical-decision-support

k-dense-ai / scientific-agent-skills

准备并验证仅用于研究的临床决策支持评估、证据概况、队列、生存分析、生物标志物/模型、隐私和治理材料。支持汇总或合成研究文档及可追溯性，不用于患者护理或实时临床运营。

G

gget

k-dense-ai / scientific-agent-skills

通过 CLI/Python 查询 20 多种生物信息学资源。支持快速查找基因信息、BLAST/BLAT、病毒序列下载、PDB/mmCIF 结构、G2P 残基注释、富集分析、OpenTargets、COSMIC、CELLxGENE 及 8cube 小鼠特异性/表达数据。最适合交互式探索和简单查询。批处理或高级 BLAST 请使用 biopython；多数据库 Python 工作流请使用 bioservices。

H

huggingface-vision-trainer

huggingface / skills

使用 Hugging Face Transformers 在 Hugging Face Jobs 云端 GPU 上训练和微调视觉模型，包括目标检测（D-FINE、RT-DETR v2、DETR、YOLOS）、图像分类（timm 模型——MobileNetV3、MobileViT、ResNet、ViT/DINOv3——以及任意 Transformers 分类器）和 SAM/SAM2 分割。涵盖 COCO 格式数据集准备、Albumentations 增强、mAP/mAR 评估、准确率指标、使用 bbox/point 提示进行 SAM 分割、DiceCE 损失、硬件选择、成本估算、Trackio 监控和 Hub 持久化。用户提及训练目标检测、图像分类、SAM、SAM2、分割、图像抠图、DETR、D-FINE、RT-DETR、ViT、timm、MobileNet、ResNet、边界框模型，或在 Hugging Face Jobs 上微调视觉模型时使用。

R

rdkit

k-dense-ai / scientific-agent-skills

用于精细分子控制的化学信息学工具包。支持 SMILES/SDF 解析、描述符（MW、LogP、TPSA）、指纹、子结构搜索、2D/3D 生成、相似性计算和反应。标准工作流若需要更简单的界面，请使用 datamol（RDKit 的封装）。高级控制、自定义规范化和专用算法请使用 rdkit。

A

astropy

k-dense-ai / scientific-agent-skills

用于天文学和天体物理学工作流的核心 Python 库，提供 Astropy API，包括单位/量、坐标、FITS I/O、表格、时间系统、WCS 和宇宙学。使用 Astropy 实现或调试天文数据分析代码时适用。

S

scanpy

k-dense-ai / scientific-agent-skills

执行 Scanpy 单细胞 RNA-seq 质控、归一化、高变基因（HVG）筛选、PCA/UMAP/t-SNE、聚类、探索性标记基因排序、伪批量数据准备、可视化，以及 Seurat 或 SingleCellExperiment RDS 到 h5ad 的转换。适用于计数和表达数据来源明确的成熟探索性 scRNA-seq 工作流；scvi-tools 模型和 AnnData 格式详情由相关技能负责。

1

1start-mathmodel

jihe520 / mathmodelagent

数学建模竞赛工作流入口。用于启动完整建模流程：询问用户偏好，生成 plan.md 和 todo.md，并按阶段调用赛题分析、建模、代码与图表、流程图、论文撰写、验证验收等 skills。

C

cellxgene-census

k-dense-ai / scientific-agent-skills

以编程方式查询 CZ CELLxGENE Census 中带版本信息的公共单细胞和空间转录组数据。需要大规模细胞元数据、基因表达切片、Census 汇总计数、源 H5AD URI/下载、嵌入、空间 Census 数据，或跨生物、组织、疾病、测定和细胞类型比较参考图谱时使用。分析自己的本地单细胞数据请使用 scanpy、anndata 或 scvi-tools。

P

pydicom

k-dense-ai / scientific-agent-skills

读取、检查、写入、转换和预检本地 DICOM 数据集及像素数据。适用于 DICOM 元数据、传输语法、压缩插件、帧、私有元素、JSON 和范围受限的去标识化审查。

D

deepchem

k-dense-ai / scientific-agent-skills

使用 DeepChem 构建分子性质预测和 MoleculeNet 工作流，包括 SMILES 特征化、支架或分组留出、掩码标签、图模型和显式预训练编码器迁移。适用于需要遵循 DeepChem 数据/模型约定并进行科学验证的 ADMET、毒性、溶解度和化学机器学习任务。

D

deeptools

k-dense-ai / scientific-agent-skills

NGS 分析工具包。用于 ChIP-seq、RNA-seq、ATAC-seq 可视化的 BAM 到 bigWig 转换、质控（相关性、PCA、指纹图谱）以及热图/曲线图（TSS、峰）。

P

pufferlib

k-dense-ai / scientific-agent-skills

针对 PufferLib 强化学习环境、向量化、策略、PuffeRL 训练、评估和安全检查点审查的版本感知指南。涵盖原生 5.0 构建版本和环境 API、已发布的 3.0.0 Gymnasium/PettingZoo 适配，以及固定版本的历史 4.0 配置。

D

datamol

k-dense-ai / scientific-agent-skills

围绕 RDKit 构建的 Python 风格封装，提供简化接口和合理的默认值。适用于标准药物发现任务，包括 SMILES 解析、标准化、描述符、指纹、聚类、3D 构象和并行处理。返回原生 rdkit.Chem.Mol 对象。需要高级控制或自定义参数时，请直接使用 rdkit。

F

finlab

koreal6803 / finlab-ai

FinLab 量化交易套件在全球股票市场（TW、US、KR、JP、HK；包括个股和 ETF/基金）上的综合指南。处理交易策略、回测、股票数据、FinLabDataFrame、因子分析、选股，或用户提及 FinLab、交易、量化交易、美股、S&P 500 / NASDAQ 100、SPY / QQQ、行业或杠杆 ETF、ETF 轮动、美股或股市分析时使用。内容包括数据访问、策略开发、回测工作流、最佳实践及美国市场专项内容（数据可用性地图、与申报日期对齐的季度基本面数据、美国股票池构建、USMarket 与 USFundMarket 默认设置，以及 ETF 回测）

B

benchling-integration

k-dense-ai / scientific-agent-skills

通过 Benchling Python SDK 和 REST API 集成注册表实体、库存、ELN 条目、工作流、Benchling Apps 和 Data Warehouse 查询。适用于使用 benchling-sdk 或 v2 API 自动处理实验室数据。

V

vaex

k-dense-ai / scientific-agent-skills

使用 Vaex 表达式、筛选视图、流式统计、分箱可视化和文件转换处理大型科学表格数据集。适用于分析大于内存容量的 HDF5、Arrow、CSV 或 Parquet 数据、虚拟特征工程或 Vaex ML 预处理；并区分这些操作与会将数据实体化的估算器和转换。

2

2analysis-modeling

jihe520 / mathmodelagent

数学建模赛题分析与建模设计合并阶段。用于读取题面和附件，完成子问题拆解、数据理解、假设预检、变量定义、模型公式、目标函数、约束条件、求解策略和可交给代码实现的建模报告。

A

arboreto

k-dense-ai / scientific-agent-skills

使用 AertsLab Arboreto GRNBoost2 和 GENIE3，从 bulk 或单细胞表达数据推断候选基因调控网络。适用于转录因子-靶标关联排序、兼容的 Dask 执行、稀疏表达输入和网络稳定性检查。

M

molecular-dynamics

k-dense-ai / scientific-agent-skills

使用 OpenMM 和 MDAnalysis 运行并分析分子动力学模拟。搭建蛋白质/小分子体系、定义力场、执行能量最小化和生产阶段 MD，并分析轨迹（RMSD、RMSF、接触图、自由能面）。适用于结构生物学、药物结合和生物物理学。

P

pydeseq2

k-dense-ai / scientific-agent-skills

使用 PyDESeq2 进行 bulk RNA-seq 差异表达分析，包括计数验证、公式设计、显式对比、Wald 检验、FDR 校正、匹配系数的 LFC 收缩和结果可视化。适用于包含生物学重复的 PyDESeq2 或 Python DESeq2 工作流。

N

n8n-loops-official

n8n-io / skills

处理多项数据、批次、分页 API、受速率限制的 API、跨多个分支扇出，以及任何需要“对每项执行”的任务时使用；用户提及循环、迭代、批处理、分页、并行或“遍历项目”时也使用。触发词包括“loop”“iterate”“for each”“batch”“page through”“paginate”“rate limit”“process all”“fan-out”“parallel branches”“concurrency”，或任何需要判断节点是运行一次还是每项运行一次的情况。

P

pymatgen

k-dense-ai / scientific-agent-skills

使用 pymatgen 分析、验证、转换和变换材料结构及计算材料数据。适用于本地相图、对称性敏感性、电子结构 I/O 和范围受限的 Materials Project 查询。

T

torchdrug

k-dense-ai / scientific-agent-skills

构建并排查用于分子图、属性预测、自监督预训练、分子生成、逆合成、蛋白质表征学习和知识图谱推理的 TorchDrug 0.2.1 工作流。当代码导入 torchdrug，或需要使用其数据集、模型、任务或 Engine 时使用。

I

imaging-data-commons

k-dense-ai / scientific-agent-skills

查询并下载 NCI Imaging Data Commons 的公开癌症影像数据。支持 IDC 集合发现、DICOM 访问、放射影像（CT、MR、PET）和病理 AI 数据集、元数据 SQL、可视化、许可和引用。通过无需身份验证的公共元数据和下载路由使用；可选的 BigQuery 和 Google Healthcare 路由需要 Google 凭据。

L

logfire-query

pydantic / skills

查询和分析 Logfire 遥测数据，包括跟踪、日志、跨度、指标、摘要和 SQL 结果。用户提出“query logfire”“search traces”“find logs”“query data”“search spans”“look up errors in logfire”“get metrics from logfire”“analyze telemetry”“summarize errors”“find root cause”，或要求在代码中添加 Logfire 查询能力时使用。不要用于直接操作 Logfire UI、浏览器、实时视图、Explore 页面或打开链接的请求；这些情况请使用 logfire-ui。如果“show”或“view”的含义不明确，请询问用户想要查看 UI 还是进行查询分析。

E

esm

k-dense-ai / scientific-agent-skills

使用 Biohub esm Python SDK 进行 ESM3 蛋白质生成、ESMC 嵌入和 ESMFold2 全原子折叠。适用于本地模型推理和 Biohub 托管客户端，包括以前的 Forge 工作流；并区分单独的旧版 fair-esm 发行版。

Z

zarr-python

k-dense-ai / scientific-agent-skills

使用 Zarr-Python 3 存储和查询分块的 N 维科学数组，包括编解码器、分片、S3/GCS 存储以及 NumPy/Dask/Xarray 集成。适用于数组布局、范围受限的 I/O、格式迁移或科学元数据保留。

P

pyhealth

k-dense-ai / scientific-agent-skills

构建并验证用于 EHR、信号、影像和医疗编码的 PyHealth 临床机器学习流水线。适用于 PyHealth 数据集加载、MIMIC-III/IV、eICU 或 OMOP 预测任务、患者级评估、死亡率／再入院／住院时长建模、药物推荐、睡眠分期、Trainer 检查点，以及 ICD/ATC/NDC/RxNorm 映射。

S

scvi-tools

k-dense-ai / scientific-agent-skills

拟合用于单细胞组学的概率模型，包括 scVI 批次整合、scANVI 注释、totalVI CITE-seq、MultiVI RNA/ATAC 整合和后验差异表达。适用于生成式建模、参考映射、多模态分析或基于模型的不确定性分析；标准预处理和探索性分析请使用 scanpy。

N

neurokit2

k-dense-ai / scientific-agent-skills

构建并审核可复现的 NeuroKit2 研究工作流，涵盖生理时间序列预处理、事件／间隔分析、多模态对齐、变异性和复杂度。适用于代码导入 neurokit2，或需要其当前 API、架构及结合方法的验证；不用于诊断或设备验证。

M

medchem

k-dense-ai / scientific-agent-skills

应用药物化学筛选规则对化合物进行分流，使用类药性规则（Lipinski、Veber、CNS）、结构警示目录（PAINS、NIBR、ChEMBL）、复杂度指标，以及用于化合物库筛选的药物化学查询语言。

D

depmap

k-dense-ai / scientific-agent-skills

检索并分析 Cancer Dependency Map（DepMap）发布数据，包括 CRISPR Chronos 基因效应、癌症模型注释、组学生物标志物和 PRISM 药物敏感性。支持癌症选择性依赖性、共必需性和候选合成致死分析，并提供适配发布版本的标识符和统计检查。

P

pysam

k-dense-ai / scientific-agent-skills

提供用于基因组文件的 Python/HTSlib 工作流。适用于使用 pysam 读取、查询、筛选或写入 SAM/BAM/CRAM、VCF/BCF、FASTA/FASTQ 或 tabix 数据，包括 pileup、覆盖度、索引和 CRAM 参考序列。

C

cobrapy

k-dense-ai / scientific-agent-skills

使用 COBRApy 执行基于约束的代谢建模，包括 FBA、pFBA、FVA、基因敲除、通量采样、生长培养基、产物包络、缺口填补，以及用于系统生物学和代谢工程的 SBML 模型验证。

D

diffdock

k-dense-ai / scientific-agent-skills

使用 DiffDock 和 DiffDock-L，根据 PDB 或序列以及 SMILES/SDF/MOL2 预测蛋白质与小分子的结合构象。涵盖批量对接、构象筛选、置信度解读和验证。用于分子对接和虚拟筛选的构象生成，不用于预测结合亲和力。

M

molfeat

k-dense-ai / scientific-agent-skills

使用 Molfeat 为小分子生成特征，用于 QSAR/QSPR、化学相似性、虚拟筛选和分子机器学习。涵盖 ECFP/MACCS 指纹、RDKit 描述符、药效团、预训练嵌入、配置持久化以及分子与标签对齐。

N

n8n-data-tables-official

n8n-io / skills

使用 n8n 内置的 Data Tables、设计架构、插入/更新/插入或更新行、去重或查询时使用。触发词包括“Data Table”“data table”、`n8n-nodes-base.dataTable`、“去重”“幂等性”“查找”“持久状态”“跨执行存储”，以及 n8n 中任何架构设计讨论。

P

pathml

k-dense-ai / scientific-agent-skills

支持使用 PathML 开展本地计算病理研究，包括切片加载与切块、预处理和 QC、h5path 存储、多重定量、空间图以及有界模型推理。适用于全切片 H&E、CODEX、Vectra、Mesmer、HoVer-Net 和 HACTNet 工作流。

P

pennylane

k-dense-ai / scientific-agent-skills

构建并区分 PennyLane 量子电路、混合 PyTorch 或 JAX 模型、分子 VQE 和 QAOA 工作流。适用于变分量子算法、量子机器学习、模拟器验证，以及将验证后的电路迁移到提供商插件。针对特定硬件的编译请使用 qiskit 或 cirq；开放系统动力学请使用 qutip。

E

etetoolkit

k-dense-ai / scientific-agent-skills

使用 ETE 4 分析、操作、比较、注释和可视化系统发育树或其他层级树。支持 Newick/Nexus 树的输入输出、拓扑编辑和模式匹配、Robinson-Foulds 比较、基因树进化事件与协调、NCBI/GTDB 分类、SmartView 探索及出版级渲染。适用于比对和系统发育推断完成后的现有树，而非从原始序列推断树。