📊 Données et IA

Réduit les taux de détection AIGC et l'aspect IA dans les articles académiques avec Claude Code et Codex. Fondé sur des détecteurs tels que 知网, 万方, PaperPass et PaperPure, il utilise le balayage et le ciblage, le remplacement déterministe, la reconstruction au niveau de la phrase et l'audit Anti-AI pour réduire les traces d'IA standardisées tout en préservant le registre académique, les faits, les données, les citations et la terminologie. À utiliser lorsque l'utilisateur demande de réduire l'aspect IA, baisser le taux AIGC, contourner la détection IA, limiter les faux positifs de similarité IA, rendre un texte plus humain, ou mentionne « supprimer l'aspect IA », « réduire la similarité » ou « détection AIGC ».

Cette compétence doit être utilisée lors du travail avec des matrices de données annotées en Python, en particulier pour l'analyse génomique à cellule unique, la gestion des mesures expérimentales avec des métadonnées, ou le traitement de jeux de données biologiques à grande échelle. Utilisez-la lors de tâches impliquant des objets AnnData, des fichiers h5ad, des données de RNA-seq à cellule unique ou une intégration avec les outils scanpy/scverse.

Déléguez les tâches de codage au CLI multi-modèles de Blackbox AI.

Référence pour Claude API / Anthropic SDK couvrant les identifiants de modèles, la tarification, les paramètres, le streaming, l'utilisation d'outils, MCP, les agents, la mise en cache, le comptage de tokens et la migration de modèles. À lire avant d'ouvrir le fichier cible lorsque l'invite mentionne Claude/Anthropic, porte sur un LLM ou est une tâche de type LLM sans fournisseur précisé ; à ignorer seulement si un autre fournisseur est concerné.

Utilisez ceci lors de la configuration de claude-mem sur Cursor : worker local ou distant, observateur host-login local ou inférence distante cmem.ai.

Tableau de bord d'administration et d'analytique dans un seul fichier HTML. Barre latérale gauche fixe, barre supérieure avec utilisateur/recherche, grille principale de cartes KPI et un ou deux graphiques. À utiliser lorsque le brief demande un écran de tableau de bord, d'administration, d'analytique ou de panneau de contrôle.

Calcul parallèle/distribué. Écaler pandas/NumPy au-delà de la mémoire, DataFrames/tableaux parallèles, traitement multi-fichiers, graphes de tâches, pour les jeux de données plus grands que la RAM et les flux de travail parallèles.

Wrapper Pythonique autour de RDKit avec une interface simplifiée et des valeurs par défaut judicieuses. Préféré pour la découverte de médicaments standard : analyse SMILES, normalisation, descripteurs, empreintes digitales, regroupement, conformères 3D, traitement parallèle. Retourne des objets rdkit.Chem.Mol natifs. Pour un contrôle avancé ou des paramètres personnalisés, utilisez directement rdkit.

Un tableau de bord de dating / matchmaking à l'aspect grand public : navigation latérale gauche, barre de tickers avec signaux communautaires, KPIs principaux, graphique en barres des mutual-matches sur 30 jours et bloc de tendance du taux de match. Typographie éditoriale et accent sobre. À utiliser lorsque le brief mentionne un "dating site", "matchmaking", "community dashboard", "social network dashboard" ou tout produit grand public où les données racontent l'histoire.

Données de marché, historique du compte et révision des transactions Hyperliquid.

Utilisez cette skill lorsque l'utilisateur demande de configurer claude-mem, d'appairer claude-mem, de connecter cmem, d'ajouter sa clé cmem, de configurer la synchronisation cloud dans Cowork, ou fournit les valeurs cmem.ai Connect (sync token, user id, SyncHub URL) pour ce plugin. Configure les informations d'identification du plugin claude-mem-cowork.

Déléguez le codage à OpenHands CLI (agnostique du modèle, LiteLLM).

Interface Python pour OpenMS destinée à l'analyse de données de spectrométrie de masse. Utilisez-la pour les flux de travail en protéomique et métabolomique LC-MS/MS, y compris la gestion des fichiers (mzML, mzXML, mzTab, FASTA, pepXML, protXML, mzIdentML), le traitement du signal, la détection de caractéristiques, l'identification des peptides et l'analyse quantitative. Appliquez-la lors du travail avec des données de spectrométrie de masse, de l'analyse d'expériences en protéomique ou du traitement de jeux de données en métabolomique.

Skill d'analyse approfondie des avis e-commerce et de la Voix du Client (VOC), qui transforme les avis produits en insights actionnables. Il utilise un étiquetage IA en 22 dimensions pour extraire les personas, les points de douleur et les besoins réels, produit un rapport d'insights en 15 chapitres et des tableaux de bord thématiques, et identifie les opportunités d'optimisation dans les avis négatifs ainsi que les facteurs de succès dans les avis positifs. Entrée principale au format CSV, renforcement optionnel SellerSprite et synchronisation Feishu ; ne convient pas à la recherche de mots-clés ni aux tâches de radar de sélection de produits.

Cadre systématique pour l'évaluation des travaux universitaires et de recherche basé sur la méthodologie ScholarEval. Cette compétence doit être utilisée lors de l'évaluation de papiers de recherche, de la notation des synthèses bibliographiques, de la notation des méthodologies de recherche, de l'analyse de la qualité de l'écriture scientifique ou de l'application de critères d'évaluation structurés aux travaux académiques. Fournit une évaluation complète sur plusieurs dimensions, notamment la formulation du problème, la synthèse bibliographique, la méthodologie, la collecte de données, l'analyse, l'interprétation des résultats et la qualité de l'écriture universitaire.

Rédiger des manuscrits scientifiques. Structure IMRAD, citations (APA/AMA/Vancouver), figures/tables, lignes directrices de rapport (CONSORT/STROBE/PRISMA), résumés, pour des articles de recherche et des soumissions à des revues.

Machine learning en Python avec scikit-learn. Utilisez-le lors du travail avec l'apprentissage supervisé (classification, régression), l'apprentissage non supervisé (clustering, réduction de dimension), l'évaluation de modèles, l'ajustement d'hyperparamètres, le prétraitement ou la construction de pipelines ML. Fournit une documentation de référence complète pour les algorithmes, les techniques de prétraitement, les pipelines et les bonnes pratiques.

Cette compétence doit être utilisée lors de l'analyse de données omique à cellule unique avec scvi-tools, y compris scRNA-seq, scATAC-seq, CITE-seq, transcriptomique spatiale et d'autres modalités à cellule unique. Utilisez cette compétence pour la modélisation probabiliste, la correction de lot, la réduction de dimension, l'expression différentielle, l'annotation des types de cellules, l'intégration multimodale et les tâches d'analyse spatiale.

Réseaux de neurones graphiques (PyG). Classification de nœuds/graphes, prédiction de liens, GCN, GAT, GraphSAGE, graphes hétérogènes, prédiction des propriétés moléculaires, pour l'apprentissage profond géométrique.

Réduction de dimensionnalité UMAP. Apprentissage rapide de variété non linéaire pour la visualisation 2D/3D, prétraitement pour le clustering (HDBSCAN), UMAP supervisé/paramétrique, pour les données de haute dimension.

Utilisez cette compétence pour traiter et analyser de grands ensembles de données tabulaires (bilions de lignes) qui dépassent la RAM disponible. Vaex excelle dans les opérations DataFrame hors cœur, l'évaluation paresseuse, les agrégations rapides, la visualisation efficace de grands ensembles de données et l'apprentissage automatique sur de grands ensembles de données. Appliquez-la lorsque les utilisateurs ont besoin de travailler avec de grands fichiers CSV/HDF5/Arrow/Parquet, d'effectuer des statistiques rapides sur des ensembles de données massifs, de créer des visualisations de grands ensembles de données ou de construire des pipelines de ML qui ne tiennent pas en mémoire.

Mentor en croissance X/Twitter de niveau 10 000 $/heure, fondé sur les méthodologies de Nicolas Cole, Dickie Bush, Sahil Bloom, Justin Welsh, Dan Koe et Alex Hormozi, ainsi que sur une analyse approfondie de l’algorithme open source de X et des stratégies spécialisées IA/technologie. Il distille six modèles mentaux essentiels, dix heuristiques de décision et un manuel complet d’idéation, de rédaction et de croissance, avec des méthodes générales comme socle et le secteur IA/technologie comme spécialisation. Se déclenche lorsque l’utilisateur mentionne les opérations X/Twitter, la rédaction de tweets/threads, la croissance, la stratégie X, l’algorithme X ou des expressions associées.

Outil intelligent de découpage YouTube. Il télécharge la vidéo et les sous-titres, utilise l'IA pour générer des chapitres fins, puis édite automatiquement les extraits choisis, traduit les sous-titres en chinois-anglais bilingue, les incruste dans la vidéo et génère un résumé.