📊 Datos e IA

Reduce las tasas de detección AIGC y el tono de IA en artículos académicos con Claude Code y Codex. Basado en detectores como 知网, 万方, PaperPass y PaperPure, aplica escaneo y localización, reemplazo determinista, reconstrucción a nivel de oración y auditoría Anti-AI para disminuir huellas de IA plantilla conservando el registro académico, hechos, datos, citas y terminología. Úsalo cuando el usuario pida reducir el tono de IA, bajar la tasa AIGC, evitar la detección de IA, reducir falsos positivos de similitud con IA, hacer que un texto parezca escrito por un humano, o mencione 'eliminar tono de IA', 'reducir similitud' o 'detección AIGC'.

Esta habilidad se debe usar cuando se trabaja con matrices de datos anotados en Python, especialmente para análisis de genómica de células individuales, gestión de mediciones experimentales con metadatos o manejo de conjuntos de datos biológicos a gran escala. Usarla cuando las tareas involucren objetos AnnData, archivos h5ad, datos de RNA-seq de células individuales o integración con herramientas scanpy/scverse.

Delega tareas de codificación al CLI multimodelo de Blackbox AI.

Referencia para la Claude API / Anthropic SDK: identificadores de modelos, precios, parámetros, streaming, uso de herramientas, MCP, agentes, caché, conteo de tokens y migración de modelos. Léela antes de abrir el archivo de destino cuando el prompt mencione Claude/Anthropic, pregunte por un LLM o la tarea tenga forma de LLM sin proveedor indicado; solo omitir si se está trabajando con otro proveedor.

Úsalo al configurar claude-mem en Cursor: worker local o remoto, observador host-login local o inferencia remota de cmem.ai.

Panel de administración/analítica en un único archivo HTML. Barra lateral izquierda fija, barra superior con usuario/búsqueda, cuadrícula principal de tarjetas KPI y uno o dos gráficos. Úsalo cuando el brief solicite una pantalla de dashboard, administración, analítica o panel de control.

Cálculo paralelo/distribuido. Escalar pandas/NumPy más allá de la memoria, DataFrames/Arrays paralelos, procesamiento de múltiples archivos, grafos de tareas, para conjuntos de datos más grandes que la memoria RAM y flujos de trabajo paralelos.

Envoltura pythonica alrededor de RDKit con interfaz simplificada y valores predeterminados sensatos. Preferida para descubrimiento de fármacos estándar: análisis de SMILES, estandarización, descriptores, huellas digitales, agrupamiento, conformadores 3D, procesamiento paralelo. Devuelve objetos nativo rdkit.Chem.Mol. Para control avanzado o parámetros personalizados, use rdkit directamente.

Panel de citas/matchmaking con sensación de producto de consumo: navegación lateral izquierda, barra de ticker con señales de la comunidad, KPIs principales, gráfico de barras de mutual-matches de 30 días y bloque de tendencia de la tasa de match. Tipografía editorial y acento contenido. Úsalo cuando el brief solicite un "dating site", "matchmaking", "community dashboard", "social network dashboard" o cualquier producto de consumo donde los datos cuenten la historia.

Datos de mercado, historial de la cuenta y revisión de operaciones de Hyperliquid.

Usa esta skill cuando el usuario pida configurar claude-mem, emparejar claude-mem, conectar cmem, añadir su clave de cmem, configurar la sincronización en la nube en Cowork, o proporcione los valores de cmem.ai Connect (sync token, user id, SyncHub URL) para este plugin. Configura las credenciales del plugin claude-mem-cowork.

Delega la programación a OpenHands CLI (independiente del modelo, LiteLLM).

Interfaz Python para OpenMS para análisis de datos de espectrometría de masas. Usar para flujos de trabajo de proteómica y metabolómica LC-MS/MS incluyendo manejo de archivos (mzML, mzXML, mzTab, FASTA, pepXML, protXML, mzIdentML), procesamiento de señales, detección de características, identificación de péptidos y análisis cuantitativo. Aplicar cuando se trabaje con datos de espectrometría de masas, se analicen experimentos de proteómica o se procesen conjuntos de datos de metabolómica.

Habilidad de análisis profundo de reseñas de comercio electrónico y VOC que convierte reseñas de productos en insights accionables. Utiliza etiquetado AI de 22 dimensiones para extraer perfiles de usuario, puntos de dolor y necesidades reales, genera un informe de insights de 15 capítulos y dashboards temáticos, y detecta oportunidades de mejora en reseñas negativas y factores de éxito en las positivas. Admite CSV como fuente principal, SellerSprite como mejora opcional y sincronización con Feishu; no está destinada a investigación de palabras clave ni tareas de radar de selección de productos.

Marco sistemático para evaluar trabajos académicos e investigativos basado en la metodología ScholarEval. Esta habilidad debe usarse al evaluar artículos de investigación, evaluar revisiones literarias, puntuar metodologías de investigación, analizar la calidad de la escritura científica o aplicar criterios de evaluación estructurados a trabajos académicos. Proporciona una evaluación integral en múltiples dimensiones que incluyen formulación del problema, revisión literaria, metodología, recolección de datos, análisis, interpretación de resultados y calidad de la escritura académica.

Escribir manuscritos científicos. Estructura IMRAD, citas (APA/AMA/Vancouver), figuras/tablas, directrices de informe (CONSORT/STROBE/PRISMA), resúmenes, para artículos de investigación y envíos a revistas.

Machine learning en Python con scikit-learn. Usar cuando se trabaje con aprendizaje supervisado (clasificación, regresión), aprendizaje no supervisado (agrupamiento, reducción de dimensionalidad), evaluación de modelos, ajuste de hiperparámetros, preprocesamiento o construcción de pipelines de ML. Proporciona documentación de referencia integral para algoritmos, técnicas de preprocesamiento, pipelines y buenas prácticas.

Esta habilidad debe utilizarse cuando se trabaja con análisis de datos de omica de célula única usando scvi-tools, incluyendo scRNA-seq, scATAC-seq, CITE-seq, transcriptómica espacial y otras modalidades de célula única. Utilice esta habilidad para modelado probabilístico, corrección de lotes, reducción de dimensionalidad, expresión diferencial, anotación de tipos celulares, integración multimodal y tareas de análisis espacial.

Redes Neuronales Gráficas (PyG). Clasificación de nodos/graficas, predicción de enlaces, GCN, GAT, GraphSAGE, graficas heterogéneas, predicción de propiedades moleculares, para aprendizaje profundo geométrico.

Reducción de dimensionalidad UMAP. Aprendizaje de variedades no lineales rápido para visualización 2D/3D, preprocesamiento de agrupamiento (HDBSCAN), UMAP supervisado/paramétrico, para datos de alta dimensión.

Utiliza esta habilidad para procesar y analizar grandes conjuntos de datos tabulares (mil millones de filas) que exceden la RAM disponible. Vaex destaca en operaciones de DataFrame out-of-core, evaluación diferida, agregaciones rápidas, visualización eficiente de big data y aprendizaje automático en grandes conjuntos de datos. Aplícala cuando los usuarios necesiten trabajar con archivos grandes CSV/HDF5/Arrow/Parquet, realizar estadísticas rápidas en conjuntos de datos masivos, crear visualizaciones de big data o construir pipelines de ML que no caben en la memoria.

Mentor de crecimiento en X/Twitter a nivel de $10K/hora, basado en las metodologías de Nicolas Cole, Dickie Bush, Sahil Bloom, Justin Welsh, Dan Koe y Alex Hormozi, junto con un análisis profundo del algoritmo abierto de X y estrategias especializadas en IA/tecnología. Destila seis modelos mentales centrales, diez heurísticas de decisión y un manual completo de ideación, redacción y crecimiento, con métodos generales como base y el nicho de IA/tecnología como especialización. Se activa cuando el usuario menciona operaciones en X/Twitter, redacción de tweets/threads, crecimiento, estrategia de X, algoritmo de X o frases relacionadas.

Herramienta inteligente para recortar videos de YouTube. Descarga el video y los subtítulos, utiliza IA para generar capítulos detallados y edita automáticamente los clips seleccionados por el usuario, traduce los subtítulos al chino e inglés bilingüe, los quema en el video y genera un resumen.