Esta habilidad debe usarse al principio de cualquier tarea científica intensiva en cómputo para detectar y reportar los recursos del sistema disponibles (núcleos de CPU, GPUs, memoria, espacio en disco). Crea un archivo JSON con información de recursos y recomendaciones estratégicas que informan decisiones de enfoque computacional, como si usar procesamiento paralelo (joblib, multiprocessing), cómputo out-of-core (Dask, Zarr), aceleración GPU (PyTorch, JAX) o estrategias eficientes en memoria. Usa esta habilidad antes de ejecutar análisis, entrenar modelos, procesar conjuntos de datos grandes o cualquier tarea donde las limitaciones de recursos importen.
EN LO QUE TE CONVIERTES
Perfecto para estos escenarios
Automatice el análisis de miles de imágenes de microscopía para ensayos de descubrimiento de fármacos.
Estandarizar la anotación y el informe de ROI en los flujos de trabajo de histología diagnóstica.
Aplique filtros y mediciones uniformes de forma eficiente en grandes conjuntos datos de microscopía.
Monitoree los procesos celulares dinámicos con seguimiento automático de ROI a lo largo del tiempo.
GANANCIA MEDIBLE
Beneficios probados e impacto medible
Accede al instante a imágenes o conjuntos de datos específicos sin necesidad de navegar manualmente.
Las herramientas de ROI estandarizadas reducen el error humano en las mediciones y anotaciones.
Automatiza tareas repetitivas para centrarte en el análisis crítico de microscopía.
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
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.
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
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.