📊 Daten & KI

Reduziert AIGC-Erkennungsraten und KI-Anmutung in akademischen Arbeiten für Claude Code und Codex. Basierend auf Detektoren wie 知网, 万方, PaperPass und PaperPure werden Scanning, deterministischer Ersatz, Satz-Level-Rekonstruktion und Anti-AI-Auditing eingesetzt, um standardisierte KI-Spuren zu verringern und dabei akademischen Stil, Fakten, Daten, Zitate und Fachterminologie konsistent zu halten. Verwenden, wenn der Nutzer KI-Anmutung reduzieren, AIGC-Rate senken, KI-Erkennung umgehen, falsch-positive KI-Ähnlichkeit verringern, Text menschlicher wirken lassen oder Begriffe wie 'KI-Anmutung reduzieren', 'Ähnlichkeit senken' oder 'AIGC-Prüfung' erwähnt.

Diese Fähigkeit sollte verwendet werden, wenn mit annotierten Datamatrizen in Python gearbeitet wird, insbesondere für Einzelzellgenomikanalysen, die Verwaltung von experimentellen Messungen mit Metadaten oder die Verarbeitung von groß angelegten biologischen Datensätzen. Verwenden Sie sie, wenn Aufgaben AnnData-Objekte, h5ad-Dateien, Einzelzell-RNA-seq-Daten oder die Integration mit Scanpy/Scverse-Tools betreffen.

Übertragen Sie Codierungsaufgaben an die Blackbox AI Multi-Model-CLI.

Referenz für die Claude API / Anthropic SDK mit Modell-IDs, Preisen, Parametern, Streaming, Tool-Nutzung, MCP, Agents, Caching, Token-Zählung und Modellmigration. Vor dem Öffnen der Zieldatei lesen, wenn die Eingabe Claude/Anthropic nennt, eine Frage zu einem LLM stellt oder die Aufgabe LLM-ähnlich ohne genannten Anbieter ist; nur überspringen, wenn ein anderer Anbieter bearbeitet wird.

Verwenden Sie dies bei der Einrichtung von claude-mem auf Cursor: lokaler oder entfernter Worker, lokaler Host-Login-Observer oder entfernte cmem.ai-Inferenz.

Admin-/Analyse-Dashboard in einer einzelnen HTML-Datei. Feste linke Seitenleiste, obere Leiste mit Benutzer/Suche, Hauptbereich mit einem Raster von KPI-Karten und einem oder zwei Diagrammen. Verwenden, wenn das Briefing einen Dashboard-, Admin-, Analyse- oder Kontrollpanel-Bildschirm erfordert.

Parallel-/verteiltes Computing. Skalieren Sie pandas/NumPy über den Arbeitsspeicher hinaus, parallele DataFrames/Arrays, Verarbeitung mehrerer Dateien, Aufgabengraphen für Datensätze, die größer als der Arbeitsspeicher sind, und parallele Workflows.

Pythonischer Wrapper um RDKit mit vereinfachter Schnittstelle und sinnvollen Standardwerten. Bevorzugt für Standard-Drug-Discovery: SMILES-Parse, Standardisierung, Deskriptoren, Fingerprints, Clustering, 3D-Konformere, parallele Verarbeitung. Gibt native rdkit.Chem.Mol-Objekte zurück. Für erweiterte Kontrolle oder benutzerdefinierte Parameter verwenden Sie RDKit direkt.

Ein Dating-/Matchmaking-Dashboard mit Consumer-Feeling: linke Seitennavigation, Ticker-Leiste mit Community-Signalen, Headline-KPIs, 30-Tage-Balkendiagramm für gegenseitige Matches und Block für den Match-Rate-Trend. Editorielle Typografie, dezente Akzente. Nutze es, wenn das Briefing einen "dating site", "matchmaking", "community dashboard", "social network dashboard" oder ein Consumer-Produkt fordert, bei dem die Daten die Geschichte erzählen.

Hyperliquid-Marktdaten, Kontohistorie und Handelsrückblick.

Verwenden Sie diesen Skill, wenn der Benutzer auffordert, claude-mem einzurichten, claude-mem zu koppeln, cmem zu verbinden, seinen cmem-Schlüssel hinzuzufügen, die Cloud-Synchronisierung in Cowork einzurichten, oder cmem.ai Connect-Werte (sync token, user id, SyncHub URL) für dieses Plugin bereitstellt. Konfiguriert die Anmeldedaten des claude-mem-cowork-Plugins.

Delegieren Sie Codierungsaufgaben an die OpenHands CLI (modellunabhängig, LiteLLM).

Python-Schnittstelle zu OpenMS für die Analyse von Massenspektrometrie-Daten. Nutzen Sie sie für LC-MS/MS-Proteomik- und Metabolomik-Workflows, einschließlich Dateiverwaltung (mzML, mzXML, mzTab, FASTA, pepXML, protXML, mzIdentML), Signalverarbeitung, Featureerkennung, Peptididentifizierung und quantitative Analyse. Anwenden, wenn Sie mit Massenspektrometrie-Daten arbeiten, Proteomik-Experimente analysieren oder Metabolomik-Datensätze verarbeiten.

Skill für tiefgehende E-Commerce-Review- und VOC-Analyse, der Produktbewertungen in umsetzbare Erkenntnisse verwandelt. Mit 22-dimensionalem AI-Tagging werden Nutzer-Personas, Pain Points und echte Bedürfnisse extrahiert, ein 15-Kapitel-Einblicksbericht und thematische Dashboards ausgegeben sowie Optimierungspotenziale aus schlechten und Erfolgsfaktoren aus guten Bewertungen gewonnen. CSV ist die Hauptquelle, SellerSprite optional erhältlich, Feishu-Synchronisierung unterstützt; nicht für Keyword-Recherche oder Produkt-Radar-Aufgaben geeignet.

Systematisches Framework zur Bewertung wissenschaftlicher und Forschungsarbeiten auf der Basis der ScholarEval-Methodologie. Diese Fähigkeit sollte verwendet werden, wenn Forschungsarbeiten bewertet, Literaturreviews evaluiert, Forschungsmethodologien bewertet, die Qualität wissenschaftlicher Texte analysiert oder strukturierte Evaluationskriterien auf akademische Arbeiten angewendet werden. Sie bietet eine umfassende Bewertung in mehreren Dimensionen, darunter Problemformulierung, Literaturreview, Methodologie, Datenerhebung, Analyse, Ergebnisinterpretation und Qualität wissenschaftlicher Schreibweise.

Schreiben Sie wissenschaftliche Manuskripte. IMRAD-Struktur, Zitierungen (APA/AMA/Vancouver), Abbildungen/Tabellen, Berichtsrichtlinien (CONSORT/STROBE/PRISMA), Zusammenfassungen für Forschungsarbeiten und Zeitschriftenbeiträge.

Machine Learning in Python mit scikit-learn. Verwenden Sie es bei der Arbeit mit überwachten Lernverfahren (Klassifizierung, Regression), unüberwachten Lernverfahren (Clustering, Dimensionsreduzierung), Modellauswertung, Hyperparameter-Tuning, Vorverarbeitung oder dem Erstellen von ML-Pipelines. Es bietet umfassende Referenzdokumentation für Algorithmen, Vorverarbeitungstechniken, Pipelines und Best Practices.

Diese Fähigkeit sollte bei der Analyse von Single-Cell-Omics-Daten mit scvi-tools verwendet werden, einschließlich scRNA-seq, scATAC-seq, CITE-seq, räumlicher Transkriptomik und anderen Single-Cell-Modälaritäten. Verwenden Sie diese Fähigkeit für probabilistische Modellierung, Batch-Korrektur, Dimensionsreduktion, differentiellere Expression, Zelltyp-Annotation, multimodale Integration und räumliche Analyseaufgaben.

Graph Neural Networks (PyG). Knoten-/Graphklassifikation, Linkvorhersage, GCN, GAT, GraphSAGE, heterogene Graphen, Moleküleigenschaftsvorhersage für geometrisches Tiefenlernen.

UMAP-Dimensionalitätsreduktion. Schnelles nichtlineares Manifold-Lernen für 2D/3D-Visualisierung, Cluster-Vorverarbeitung (HDBSCAN), überwachtes/parametrisches UMAP für hochdimensionale Daten.

Verwenden Sie diese Fähigkeit für die Verarbeitung und Analyse großer tabellarischer Datensätze (Milliarden von Zeilen), die den verfügbaren RAM überschreiten. Vaex besticht bei Out-of-Core-DataFrame-Operationen, Lazy Evaluation, schnellen Aggregationen, effizienter Visualisierung von Big Data und maschinellem Lernen auf großen Datensätzen. Wenden Sie sie an, wenn Benutzer mit großen CSV/HDF5/Arrow/Parquet-Dateien arbeiten müssen, schnelle Statistiken auf massiven Datensätzen durchführen, Visualisierungen von Big Data erstellen oder ML-Pipelines erstellen, die nicht in den Speicher passen.

Ein X/Twitter-Wachstumsmentor im Format von 10.000 $ pro Stunde, basierend auf den Methoden von Nicolas Cole, Dickie Bush, Sahil Bloom, Justin Welsh, Dan Koe und Alex Hormozi sowie einer tiefen Analyse des Open-Source-Algorithmus von X und spezialisierten KI/Tech-Strategien. Er destilliert sechs zentrale mentale Modelle, zehn Entscheidungsheuristiken und ein vollständiges Handbuch für Themenfindung, Schreiben und Wachstum, mit allgemeinen Methoden als Grundlage und KI/Tech als Spezialisierung. Wird ausgelöst, wenn Nutzer X/Twitter-Betrieb, Tweet-/Thread-Schreiben, Follower-Wachstum, X-Strategie, X-Algorithmus oder verwandte Begriffe erwähnen.

Intelligentes Tool zum Clippen von YouTube-Videos. Es lädt Video und Untertitel herunter, nutzt KI zur Erstellung feingranularer Kapitel, schneidet ausgewählte Clips automatisch, übersetzt Untertitel ins Chinesisch-Englische, brennt sie ins Video ein und erzeugt eine Zusammenfassung.