Realice búsquedas web impulsadas por IA con información en tiempo real utilizando modelos de Perplexity a través de LiteLLM y OpenRouter. Esta habilidad debe usarse al realizar búsquedas web de información actual, encontrar literatura científica reciente, obtener respuestas fundamentadas con citas de fuentes o acceder a información más allá del corte de conocimiento del modelo. Proporciona acceso a múltiples modelos de Perplexity, incluyendo Sonar Pro, Sonar Pro Search (búsqueda agentica avanzada) y Sonar Reasoning Pro, a través de una sola clave API de OpenRouter.
EN LO QUE TE CONVIERTES
Perfecto para estos escenarios
Desarrollar agentes de IA con integración y orquestación de herramientas para tareas específicas.
Cree redes de agentes colaborativas para resolver problemas complejos de forma eficiente.
Prueba y optimiza el rendimiento de los agentes con los marcos de evaluación integrados.
Implementa agentes escalables en producción con las herramientas de despliegue de Google ADK.
GANANCIA MEDIBLE
Beneficios probados e impacto medible
Cree agentes de IA en la mitad de tiempo en comparación con la codificación manual.
Mejore el rendimiento del agente con una orquestación de herramientas optimizada.
Reducir los gastos operativos con el despliegue de agentes simplificado.
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 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.
Acceda a más de 200 millones de estructuras de proteínas predichas por IA de AlphaFold. Recupere estructuras por ID de UniProt, descargue archivos PDB/mmCIF, analice métricas de confianza (pLDDT, PAE) para la descubrimiento de fármacos y la biología estructural.
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.