Biblioteca multiplataforma de Python para computación cuántica, aprendizaje automático cuántico y química cuántica. Permite construir y entrenar circuitos cuánticos con diferenciación automática, integración perfecta con PyTorch/JAX/TensorFlow y ejecución independiente de dispositivo en simuladores y hardware cuántico (IBM, Amazon Braket, Google, Rigetti, IonQ, etc.). Utilice cuando trabaje con circuitos cuánticos, algoritmos cuánticos variacionales (VQE, QAOA), redes neuronales cuánticas, modelos híbridos cuántico-clásicos, simulaciones moleculares, cálculos de química cuántica o cualquier tarea de computación cuántica que requiera optimización basada en gradientes, programación agnóstica de hardware o flujos de trabajo de aprendizaje automático cuántico.
EN LO QUE TE CONVIERTES
Perfecto para estos escenarios
Genera documentación de API completa con ejemplos claros de solicitud/respuesta.
Crear materiales de incorporación para desarrolladores con fragmentos de código y diagramas de arquitectura.
Visualiza las interacciones de sistemas complejos con diagramas de arquitectura detallados.
Proporciona ejemplos de código con resaltado de sintaxis para una rápida integración por parte del desarrollador.
GANANCIA MEDIBLE
Beneficios probados e impacto medible
Reducir el tiempo de generación de documentación de horas a minutos.
Mantener un formato y estilo uniformes en toda la documentación técnica.
Acelera la comprensión de los desarrolladores con documentación clara y estructurada.
QUÉ INCLUYE
Archivos, etiquetas y la instalación en tres pasos
Consejo: Lee la documentación y el código antes del primer uso para saber qué hace y qué permisos necesita.
SIGUIENTES GUIONES
Recomendado según etiquetas y categoría
Sistema de generación de agentes de código Claude que crea agentes personalizados y subagentes con frontmatter YAML mejorado, patrones de acceso a herramientas y soporte para integración MCP siguiendo patrones de producción probados
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.
Esta habilidad debería usarse para tareas de aprendizaje automático de series temporales que incluyen clasificación, regresión, agrupamiento, pronóstico, detección de anomalías, segmentación y búsqueda de similitud. Usarla al trabajar con datos temporales, patrones secuenciales o observaciones indexadas en el tiempo que requieren algoritmos especializados más allá de los enfoques de ML estándar. Especialmente adecuada para análisis de series temporales univariadas y multivariadas con APIs compatibles con scikit-learn.
Generar y mantener archivos AGENTS.md siguiendo la convención pública agents.md. Usar cuando se cree documentación para flujos de trabajo de agentes AI, guías de incorporación o cuando se estandaricen patrones de interacción de agentes en proyectos.