Diese Fähigkeit sollte zu Beginn jeder rechenintensiven wissenschaftlichen Aufgabe verwendet werden, um verfügbare Systemressourcen (CPU-Kerne, GPUs, Arbeitsspeicher, Speicherplatz) zu erkennen und zu melden. Sie erstellt eine JSON-Datei mit Ressourceninformationen und strategischen Empfehlungen, die Entscheidungen zum Rechenansatz informieren, wie z. B. die Nutzung von paralleler Verarbeitung (joblib, multiprocessing), Out-of-Core-Computing (Dask, Zarr), GPU-Beschleunigung (PyTorch, JAX) oder speichereffiziente Strategien. Verwenden Sie diese Fähigkeit vor der Durchführung von Analysen, dem Trainieren von Modellen, der Verarbeitung großer Datensätze oder jeder Aufgabe, bei der Ressourcenbeschränkungen relevant sind.
DAZU WIRST DU
Perfekt für diese Szenarien
Automatisieren Sie die Analyse von Tausenden von Mikroskopbildern für Wirkstoffentdeckungs-Assays.
ROI-Annotation und -Berichterstattung für diagnostische Histologie-Workflows standardisieren.
Wenden Sie einheitliche Filter und Messungen effizient auf große Mikroskopie-Datensätze an.
Überwachen Sie dynamische Zellprozesse mit automatisierter ROI-Verfolgung über die Zeit.
MESSBARER GEWINN
Bewährte Vorteile und messbare Wirkung
Greifen Sie sofort auf bestimmte Bilder oder Datensätze zu, ohne manuell navigieren zu müssen.
Standardisierte ROI-Tools reduzieren menschliche Fehler bei Messungen und Annotationen.
Automatisieren Sie sich wiederholende Aufgaben, um sich auf die kritische Mikroskopieanalyse zu konzentrieren.
DEIN EQUIPMENT
Dateien, Tags und die Installation in drei Schritten
Tipp: Lies Dokumentation und Code vor der ersten Nutzung, damit du Funktion und benötigte Berechtigungen kennst.
NÄCHSTE SKRIPTE
Empfohlen basierend auf Tags und Kategorie
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.
Diese Fähigkeit sollte für Zeitreihenmaschinelles Lernen einschließlich Klassifikation, Regression, Clustering, Prognose, Anomalieerkennung, Segmentierung und Ähnlichkeitssuche verwendet werden. Verwenden Sie sie bei der Arbeit mit zeitlichen Daten, sequentiellen Mustern oder zeitindexierten Beobachtungen, die spezialisierte Algorithmen über standardisierte ML-Ansätze hinaus erfordern. Besonders geeignet für die Analyse univariate und multivariate Zeitreihen mit scikit-learn-kompatiblen APIs.
Claude Code-Agent-Erzeugungssystem, das benutzerdefinierte Agenten und Sub-Agenten mit erweiterter YAML-Frontmatter, Tools-Zugriffsmustern und MCP-Integrationsunterstützung gemäß bewährten Produktionsmustern erstellt
Generieren und pflegen Sie AGENTS.md-Dateien entsprechend der öffentlichen agents.md-Konvention. Verwenden Sie dies bei der Erstellung von Dokumentation für KI-Agenten-Workflows, Onboarding-Anleitungen oder bei der Standardisierung von Agenten-Interaktionsmustern zwischen Projekten.