Explore AI Agent Skills & Claude Prompts

Frontend architecture guardrails for planning or implementing non-trivial changes in large TypeScript/React/Lynx monorepos, especially projects with dependency injection, staged startup, UI configuration services, contribution/registry extension points, headless core boundaries, or product/platform variants. Use before generating an implementation plan, adding a feature, changing app startup, touching B-end workbench/platform UI, wiring services, or modifying cross-module dependencies.

schedule Updated 28 days ago

autoskill

通过 screenpipe 观察用户的屏幕，检测重复的研究工作流程，将其与现有 scientific agent skills 匹配，并为尚未覆盖的模式起草新技能（或链接现有技能的组合配方）。当用户要求分析最近的工作并根据实际工作提出技能时使用。需要在端口 3030 上本地运行 screenpipe 守护进程 (https://github.com/screenpipe/screenpipe)；该技能没有其他数据源，如果无法访问 screenpipe，将拒绝运行。所有检测都在本地运行；只有经过编辑的集群摘要会发送给 LLM。

bids

处理 Brain Imaging Data Structure (BIDS) 数据集时使用此技能：组织神经科学和生物医学数据（MRI、EEG、MEG、iEEG、PET、microscopy、 NIRS、motion capture、EMG、MR spectroscopy、behavioral），查询 BIDS layouts，验证合规性，将 DICOM 转换为 BIDS，编写 metadata sidecars，或创建 BIDS derivatives。

anndata

单细胞分析中注释矩阵的数据结构。在处理 .h5ad 文件或与 scverse 生态系统集成时使用。这是数据格式技巧——分析工作流程使用scanpy；对于概率模型，使用 scvi-tools；对于人口规模查询，请使用 cellxgene-census。

pyhealth

使用 PyHealth 构建 clinical/healthcare deep-learning pipelines，包括加载 EHR/signal/imaging datasets（MIMIC-III/IV、eICU、OMOP、SleepEDF、ChestXray14、EHRShot）、定义 tasks（mortality、readmission、length-of-stay、drug recommendation、sleep staging、ICD coding、EEG events）、实例化 models（Transformer、RETAIN、GAMENet、SafeDrug、MICRON、StageNet、AdaCare、CNN/RNN/MLP）、使用 PyHealth Trainer 训练、计算 clinical metrics，以及使用 medical code utilities（ICD/ATC/NDC/RxNorm lookup 和 cross-mapping）。只要用户提到 PyHealth、MIMIC、eICU、OMOP、EHR modeling、clinical prediction、drug recommendation、sleep staging、medical code mapping、ICD/ATC codes，或任何符合 dataset → task → model → trainer → metrics 模式的 healthcare ML pipeline，即使没有明确说 "PyHealth"，也使用此 skill。

scientific-schematics

使用 Nano Banana 2 AI 和智能 iterative refinement 创建 publication-quality scientific diagrams。使用 Gemini 3.1 Pro Preview 进行 quality review。仅当质量低于你的 document type threshold 时重新生成。专长于 neural network architectures、system diagrams、flowcharts、biological pathways 和 complex scientific visualizations。

peer-review

使用 checklist-based evaluation 进行结构化 manuscript/grant review。用于撰写正式 peer reviews，包含具体 criteria、methodology assessment、statistical validity、reporting standards compliance（CONSORT/STROBE）和 constructive feedback。最适合实际 review writing、manuscript revision。评估 claims/evidence quality 请用 scientific-critical-thinking；量化评分框架请用 scholar-evaluation。

scientific-critical-thinking

评估 scientific claims 和 evidence quality。用于评估 experimental design validity、识别 biases 和 confounders、应用 evidence grading frameworks（GRADE、Cochrane Risk of Bias），或进行 critical analysis 教学。最适合理解 evidence quality、识别 flaws。正式 peer review 写作请使用 peer-review。

open-notebook

Google NotebookLM 的自托管开源替代方案，用于 AI 驱动的研究和文档分析。适用于将研究资料组织到笔记本中、摄取多样化内容源（PDFs、视频、音频、网页、Office 文档）、生成 AI 驱动的笔记和摘要、基于研究创建多说话人播客、使用上下文感知 AI 与文档聊天、通过全文和向量搜索跨资料检索，或运行自定义内容转换。通过自托管实现完整数据隐私，支持 16+ 个 AI 提供商，包括 OpenAI、Anthropic、Google、Ollama、Groq 和 Mistral。

scholar-evaluation

使用 ScholarEval framework 系统评估 scholarly work，围绕 problem formulation、methodology、analysis 和 writing 等 research quality dimensions 提供结构化 assessment、quantitative scoring 和 actionable feedback。

scientific-brainstorming

Creative research ideation and exploration。用于开放式 brainstorming sessions、探索 interdisciplinary connections、挑战 assumptions，或识别 research gaps。最适合尚无具体 observations 时的 early-stage research planning。若要从数据中形成可测试 hypotheses，请使用 hypothesis-generation。

dhdna-profiler

从任意文本中提取认知模式和思维指纹。当用户想分析某人的思考方式、理解认知风格、描绘写作或言语模式、比较人与人之间的思维风格，询问 "what's my thinking style"、"analyze how this person reasons"、"cognitive profile"、"thinking pattern"、"DHDNA"、"digital DNA"，或想理解任何文本背后的心智时使用此 skill。当用户提供文本并希望更深入洞察作者的推理模式、决策风格或认知签名时，也应触发。