LÍNEA DE GUION
Depurar con print, caer tres veces en la misma trampa.
Errores localizados a la primera: revisas, no rehaces.
212 habilidades en esta línea
Guía de arquitectura de software centrada en la calidad. Esta habilidad debe usarse cuando los usuarios quieran escribir código, diseñar arquitectura, analizar código, en cualquier caso que tenga relación con el desarrollo de software.
Una habilidad para probar caracteres especiales y patrones de inyección
Kit de herramientas de análisis estadístico. Pruebas de hipótesis (prueba t, ANOVA, chi-cuadrado), regresión, correlación, estadísticas bayesianas, análisis de poder, comprobaciones de suposiciones, informes APA, para investigación académica.
Kit de herramientas de modelado estadístico. OLS, GLM, logístico, ARIMA, series temporales, pruebas de hipótesis, diagnósticos, AIC/BIC, para inferencia estadística rigurosa y análisis econométrico.
Ejecutar el plan de implementación mediante el envío de un nuevo subagente para cada tarea, con revisión de código entre tareas
Uso cuando se ejecutan planes de implementación con tareas independientes en la sesión actual - envía un subagente nuevo para cada tarea con revisión de código entre tareas, lo que permite una iteración rápida con puertas de calidad
Especialista completo en Supabase con acceso a 2.616 archivos de documentación oficial que cubren la base de datos PostgreSQL, autenticación, suscripciones en tiempo real, almacenamiento, funciones edge, incrustaciones vectoriales y todas las funciones de la plataforma. Invocar cuando el usuario mencione Supabase, PostgreSQL, base de datos, autenticación, tiempo real, almacenamiento, funciones edge, backend-as-a-service o pgvector.
Utilice esta habilidad al trabajar con matemáticas simbólicas en Python. Esta habilidad debe usarse para tareas de cómputo simbólico, incluyendo resolver ecuaciones algebraicamente, realizar operaciones de cálculo (derivadas, integrales, límites), manipular expresiones algebraicas, trabajar con matrices simbólicamente, cálculos de física, problemas de teoría de números, cálculos de geometría y generar código ejecutable a partir de expresiones matemáticas. Aplique esta habilidad cuando el usuario necesite resultados simbólicos exactos en lugar de aproximaciones numéricas, o cuando trabaje con fórmulas matemáticas que contengan variables y parámetros.
Marco de depuración de cuatro fases que garantiza la investigación de la causa raíz antes de intentar soluciones. Nunca saltar a las soluciones.
Utilice cuando se encuentre con cualquier error, fallo de prueba o comportamiento inesperado, antes de proponer soluciones: un marco de cuatro fases (investigación de la causa raíz, análisis de patrones, prueba de hipótesis, implementación) que garantiza la comprensión antes de intentar soluciones
Guía completa de Desarrollo Guiado por Pruebas para subagentes de ingeniería con soporte de múltiples frameworks, análisis de cobertura y generación inteligente de pruebas
Usa de forma proactiva cuando necesites implementar funcionalidades o corregir errores usando la metodología estricta de Desarrollo Guiado por Pruebas (TDD, Test-Driven Development). Este agente debe activarse para cualquier tarea de codificación que requiera escribir nueva funcionalidad, refactorizar código existente o asegurar una cobertura de pruebas completa, pero no debe usarse para ninguna tarea relacionada con diseño. El agente destaca en desglosar requisitos complejos en incrementos probables y mantener una alta calidad de código mediante ciclos disciplinados de TDD. Usa este agente de forma proactiva o si el usuario menciona "TDD", "tdd" o "Desarrollo Guiado por Pruebas".
Escribir la prueba primero, verla fallar, escribir el código mínimo para pasar
Utilizar cuando se implemente cualquier funcionalidad o solución de error, antes de escribir el código de implementación: escribir la prueba primero, observar que falla, escribir el código mínimo para que pase; asegura que las pruebas realmente verifiquen el comportamiento al requerir que fallen primero
Ejecuta pruebas y corrige sistemáticamente todas las pruebas que fallan usando agrupación inteligente de errores. Úsalo cuando el usuario pida corregir pruebas que fallan, mencione fallos de pruebas, ejecute un conjunto de pruebas y ocurran fallos, o solicite hacer que las pruebas pasen.
Nunca pruebas el comportamiento simulado. Nunca agregues métodos exclusivos de prueba a las clases de producción. Entiende las dependencias antes de simular.
Utilizar al escribir o modificar pruebas, agregar mocks o cuando se tenga la tentación de agregar métodos solo para pruebas en código de producción: evita probar el comportamiento de los mocks, la contaminación de producción con métodos solo para pruebas y el uso de mocks sin entender las dependencias
Controla de forma remota sesiones tmux para CLI interactivos (python, gdb, etc.) enviando pulsaciones de teclado y scraping la salida de los paneles. Usa cuando debuguees aplicaciones, ejecutes REPL interactivos (Python, gdb, ipdb, psql, mysql, node), automatices flujos de trabajo en terminal o cuando el usuario mencione tmux, depuración o shells interactivas.
Utiliza esta habilidad al trabajar con herramientas y flujos de trabajo de investigación científica en bioinformática, quiemioinformática, genómica, biología estructural, proteómica y descubrimiento de fármacos. Esta habilidad proporciona acceso a más de 600 herramientas científicas, incluidos modelos de aprendizaje automático, conjuntos de datos, API y paquetes de análisis. Utilízala al buscar herramientas científicas, ejecutar flujos de trabajo de biología computacional, componer pipelines de investigación de múltiples pasos, acceder a bases de datos como OpenTargets/PubChem/UniProt/PDB/ChEMBL, realizar descubrimiento de herramientas para tareas de investigación o integrar recursos computacionales científicos en flujos de trabajo de LLM.
Herramienta para descubrimiento de fármacos basada en grafos. Predicción de propiedades moleculares (ADMET), modelado de proteínas, razonamiento de grafos de conocimiento, generación molecular, retrosíntesis, GNN (GIN, GAT, SchNet), más de 40 conjuntos de datos, para ML basado en PyTorch sobre moléculas, proteínas y grafos biomédicos.
Evaluar extensiones de TYPO3 por conformidad con los estándares TYPO3 12/13 LTS, las pautas de codificación (PSR-12) y los patrones de arquitectura. Utilizar al evaluar la calidad de la extensión, generar informes de conformidad, identificar deuda técnica o planificar modernización. Valida: arquitectura de la extensión, composer.json, ext_emconf.php, archivos ext_*, deprecaciones de v13, conformidad de módulo de backend de v13 (módulos ES6, DocHeader, APIs Modal/Notification, diseño Module.html, ARIA, coherencia de clave de extensión, CSRF, iconos), inyección de dependencias, servicios, pruebas, patrones Extbase, Crowdin, flujos de trabajo de GitHub. Calificación dual (0-100 base + 0-22 excelencia). Delega en las habilidades typo3-tests y typo3-docs para análisis profundos. Soporte para PHP 8.1-8.4.