AI Skills
Навыки (SKILL.md) расширяют ассистентов готовыми процедурами: документы, дизайн, тестирование и интеграции. Официальные опубликованы владельцами подтверждённых репозиториев компаний-разработчиков; остальные относятся к community.
● Обновлено 19 ч. назадKD
Организует научно обоснованный мозговой штурм: генерация идей, обсуждение, явные допущения, оценка и критический анализ. Подходит для ранних этапов исследований и выбора направлений; эмпирическую валидацию и этику передаёт другим экспертам.
KD
Проводит статистический анализ данных: выбор тестов, проверку предпосылок, расчёт размеров выборки и отчётность по APA. Подходит для сравнения групп, проверки гипотез и анализа экспериментальных данных. Для низкоуровневых API используйте statsmodels и pymc.
KD
Управление цитированием: поиск статей в OpenAlex, PubMed, Google Scholar, извлечение метаданных, валидация и генерация BibTeX. Полезно для поиска работ, конвертации DOI и проверки ссылок в научных текстах.
KD
Создаёт и настраивает научные графики с помощью Matplotlib, обеспечивая тонкий контроль над элементами. Экспортирует в PNG/PDF/SVG для публикаций. Подходит, когда нужны сложные типы графиков или научные рабочие процессы.
KD
Генерирует обоснованные черновики рецензий и структурированные оценки научных рукописей, протоколов и препринтов. Включает проверку утверждений, анализ методов, статистики, воспроизводимости, этики, а также планирование ответов на правки.
KD
Генерирует черновики научных диаграмм (нейросети, схемы, пути) с помощью Nano Banana 2 AI и Gemini 3.7 Flash. Умеет итеративно улучшать визуализацию по запросу ревьюера, выполняя не более двух генераций.
KD
Создаёт презентации для научных докладов, конференций и защиты диссертаций. Формирует структуру, предлагает шаблоны и рекомендации по таймингу. Работает с PowerPoint и LaTeX Beamer.
KD
Создаёт и проверяет достоверные научные графики с помощью Matplotlib, Seaborn или Plotly. Подходит для дизайна фигур, многостраничных макетов, отображения неопределённостей и подготовки к публикации.
KD
Создаёт, редактирует и проверяет научные рукописи с соблюдением стандартов отчётности, доказательной базы и конфиденциальности. Подходит для подготовки разделов, таблиц, фигур и материалов к подаче, когда важны научная точность и прослеживаемость.
KD
Поддерживает машинное обучение в Python с помощью scikit-learn: обучение моделей, оценку, подбор гиперпараметров, предобработку и создание ML-пайплайнов. Включает справочную документацию по алгоритмам и лучшим практикам.
KD
Выполняет локальный разведывательный анализ (EDA) поддерживаемых научных файлов: CSV/TSV/JSON, NumPy, HDF5, FASTA/FASTQ, изображений. Проверяет пропуски, утечки, выбросы и чувствительность трансформаций. Остальные форматы — справочно, неизвестные — блокируются.
KD
Modal — серверлесс-платформа для запуска Python и GPU-задач. Используйте для деплоя AI/ML моделей, обучения, инференса, запуска веб-эндпоинтов и пакетных заданий через Modal SDK.
KD
Создаёт научную документацию в Markdown и диаграммы Mermaid (схемы, таймлайны). Полезно при запросах на текстовые структурные диаграммы или шаблоны документов.
KD
Создаёт статические статистические визуализации с интеграцией pandas: распределения, связи, регрессии, heatmaps. Поддерживает интерфейсы функций и объектов, агрегацию и обработку пропусков. Подходит для исследовательского анализа, но не для интерактивных графиков (для них используйте plotly).
KD
Выполняет запросы к публичным API баз данных с явными эндпоинтами, фильтрами и пагинацией. Используется для воспроизводимого получения фактов из научных, регуляторных или финансовых источников, а не вывода из общих знаний.
KD
Обработка больших табличных научных данных (HDF5, Arrow, CSV, Parquet) через Vaex: выражения, фильтры, потоковая статистика и визуализация. Подходит для анализа файлов, превышающих объем RAM, виртуального конструирования признаков и предобработки для ML.
KD
Обеспечивает качественную оценку научных работ с прослеживаемыми доказательствами и аудит рубрик. Подходит для локального контроля качества, но не для ранжирования людей или принятия решений.
KD
Навык для работы с PDF: чтение, извлечение текста и таблиц, объединение, разделение, поворот страниц, добавление водяных знаков, создание, заполнение форм, шифрование, извлечение изображений и OCR. Используйте, если пользователь упоминает .pdf или просит создать файл.
KD
Ищет научные статьи BGPT по теме или DOI, извлекая доказательства из полного текста: эксперименты, статистику, ограничения. Полезно для обзоров литературы и синтеза доказательств.
KD
Создаёт и проверяет редактируемые научные постеры в PowerPoint (.pptx) на основе утверждённого контента. Применяется, когда требуется постер с проверкой физических параметров, доступности и безопасности пакета.
KD
Высокопроизводительная библиотека DataFrames для Python, оптимизированная для ETL, аналитики и миграции с pandas. Использует ленивые запросы, параллельное выполнение и потоковую обработку, поддерживает Arrow и GPU.
KD
Создаёт научные постеры в LaTeX с помощью beamerposter, tikzposter или baposter. Подходит для конференций, академических презентаций, многоколоночных макетов, интеграции фигур и подготовки PDF.
KD
Создание, редактирование и анализ файлов .pptx и .potx. Включает работу с шаблонами, макетами, заметками докладчика и извлечение текста. Используйте при упоминании презентаций, слайдов или файлов .pptx/.potx.
KD
Создаёт и проверяет байесовские модели с PyMC, включая иерархические модели, MCMC NUTS, вариационный вывод и сравнение моделей PSIS-LOO. Подходит для вероятностного моделирования и оценки неопределённости.
KD
Помогает готовить и проверять заявки на гранты (NSF, NIH, DOE, DARPA, Taiwan NSTC): учитывает требования, цели, критерии оценки, бюджеты и формы. Полезно для авторов, проверки соответствия и анализа предложений.
KD
Готовит рукописи, постеры и гранты по шаблонам конкретных журналов и конференций. Поддерживает выбор официального шаблона, проверку правил анонимности и адаптацию текста. Полезно при подготовке материалов к публикации.
KD
Адаптирует probabilistic-модели для анализа single-cell omics: scVI, scANVI, totalVI, MultiVI и дифференциальной экспрессии. Используется для генеративного моделирования, интеграции данных и оценки неопределенности; для препроцессинга применяйте scanpy.
KD
Объясняет и проверяет предсказания ML-моделей с помощью SHAP. Подходит для выбора объяснителей, вычисления атрибутов признаков и создания локальных или глобальных визуализаций.
KD
Фреймворк для глубокого обучения на базе PyTorch. Позволяет структурировать код в LightningModules, настраивать Trainers для multi-GPU/TPU, реализовывать data pipelines, callbacks, логирование (W&B, TensorBoard, MLflow) и распределённое обучение (DDP, FSDP, DeepSpeed).
KD
Создаёт, проверяет и анализирует дискретно-событийные модели процессов с помощью SimPy. Подходит для планирования событий, очередей ресурсов, прерываний, мониторинга и анализа воспроизводимых результатов.
KD
Навык для задач машинного обучения на временных рядах: классификация, регрессия, кластеризация, прогнозирование, обнаружение аномалий, сегментация и поиск схожести. Применяется для анализа одномерных и многомерных временных рядов с API, совместимым со scikit-learn.
KD
Создаёт, анализирует и визуализирует сложные сети и графы в Python с помощью NetworkX. Полезен для вычисления алгоритмов (кратчайшие пути, центральность), обнаружения сообществ, генерации синтетических сетей и работы с форматами файлов графов.
KD
Генерирует и редактирует изображения через OpenRouter Image API (Gemini, Seedream, Recraft, GPT-Image, Riverflow). Подходит для фото, иллюстраций, концепт-арта, логотипов и композитинга. Для технических схем используйте scientific-schematics.
KD
Выполняет точную символьную математику с SymPy: алгебру, исчисление, решение уравнений, символьную линейную алгебру, физику, генерацию lambdify или LaTeX. Используйте, когда нужны символьные результаты, явные предположения или точная арифметика.
KD
Управляет библиотеками Zotero через pyzotero: извлекает, создаёт, обновляет и удаляет элементы, коллекции, теги и вложения. Полезно при программной работе с Zotero, экспорте цитат, поиске по библиотеке и автоматизации исследований.
KD
Создаёт, читает и редактирует файлы Word (.docx, .dotx). Подходит для формирования отчётов, писем, шаблонов, работы с таблицами, оглавлениями, изображениями, изменениями и комментариями. Не использовать для PDF, таблиц или Google Docs.
KD
Создаёт отчеты по исследованию рынка с прослеживаемыми доказательствами и сценариями оценки TAM/SAM/SOM. Применяется для определения рынка, анализа конкурентов, прогнозирования и проверки чувствительности.
KD
Планирует и проверяет использование ChicagoHAI HypoGeniC/HypoRefine для генерации гипотез из размеченных текстовых датасетов. Применяется для работы с пакетом hypogenic, его конфигурациями, банками гипотез и датасетами HypoBench, а не для ручной формулировки или научной валидации.
KD
Создаёт и проверяет инфографику через Nano Banana 2 via OpenRouter. Подходит для статистических сводок, таймлайнов, сравнений и визуальных объяснений с предоставленными данными или Sonar research.
KD
Библиотека Biopython для работы с биологическими последовательностями, парсинга файлов (FASTA/GenBank/PDB), филогенетики и доступа к NCBI/PubMed через Bio.Entrez. Подходит для пакетной обработки, автоматизации BLAST, анализа структур и мотивов.
KD
Анализирует скорость РНК (scVelo) по данным scRNA-seq, строя фазовые портреты и оценивая время. Полезно для гипотез о траекториях развития клеток вместе с Scanpy.
KD
Выполняет прогнозирование временных рядов с помощью Google TimesFM (по умолчанию checkpoint 2.5, упоминается API 3.0). Поддерживает подготовку CSV, квантильные прогнозы, экзогенные переменные XReg и оценку на отложенной выборке. Пригодится для задач предсказания на основе временных рядов.
KD
Масштабирует pandas, NumPy и пользовательские Python-рабочие процессы за пределы памяти или через кластеры с помощью Dask. Подходит для обработки разделённых файлов, научных вычислений с массивами и параллельных задач, требующих распределённых вычислений.
KD
Создаёт, проверяет и мигрирует числовые рабочие процессы в MATLAB или GNU Octave. Подходит для работы с массивами, табличными и временными данными, графиками, MAT-файлами и явного взаимодействия с Python.
KD
Определяет доступные ресурсы хоста (CPU, память, диск, планировщик, контейнеры, ускорители) для планирования, чувствительного к ресурсам. Возвращает JSON-снимок и помощники для планирования без стресс-тестов. Подходит, когда пользователь запрашивает планирование с учетом ресурсов.
KD
Собирает научные доказательства для рукописей или исследовательских брифов по запросу. Использует Parallel Search, Parallel Extract, Parallel Research и Perplexity (по запросу).
KD
Инструментарий для анализа биологических данных: последовательности, выравнивания, филогенетические деревья, метрики разнообразия (UniFrac), PERMANOVA и работа с FASTA/Newick. Применяется для анализа микробиома.
KD
Создаёт, редактирует и анализирует Excel-файлы (.xlsx, .xlsm, .xltx), включая формулы, форматирование и финансовые модели. Подходит для табличных данных, экспортированных в Excel или CSV/TSV. Не используется для Word, HTML, Python-скриптов, баз данных или Google Sheets API.
KD
Оптимизирует научный Python для NVIDIA GPU с помощью CuPy, cuDF, Numba-CUDA и других библиотек. Применяется для ускорения вычислений NumPy, SciPy, scikit-learn, NetworkX, а также для профилирования, работы с памятью и много-GPU.
KD
Инструменты для аудита и руководства Python-рабочими процессами, использующими GeoPandas (GeoSeries, GeoDataFrame, пространственные операции, ввод/вывод векторных данных).
KD
Строит, оценивает и проверяет модели выживаемости с учётом цензурирования и конкурирующих рисков. Включает безопасную предобработку, выбор моделей, прогнозирование вероятностей и метрики, учитывающие цензурирование. Полезно для анализа выживаемости в scikit-survival.
KD
Организует исследования через REST API Open Notebook: загрузка источников (PDF, веб, аудио, видео, Office), поиск, заметки и подкасты. Полезно при автоматизации работы с API и настройке AI-провайдеров (OpenAI, Anthropic, Google, Ollama, Groq, Mistral).
KD
Поддерживает графовые нейросети PyTorch Geometric (PyG): классификацию узлов/ребер/графов, GCN, GAT, GraphSAGE, GIN, гетерогенные графы и кастомные датасеты. Используйте при работе с torch_geometric, а не для NetworkX или общих PyTorch-моделей.
KD
Обучает и оценивает одноагентные RL-модели (PPO, SAC, DQN, TD3, DDPG, A2C) через Stable Baselines3. Подходит для воспроизводимых экспериментов, непрерывного управления и дискретных действий с Gymnasium.
KD
Структурирует совет перспектив для решений, исследований и креативных задач. Симулирует архетипы мышления, отделяет доказательства от предположений и синтезирует рекомендацию. Используйте при запросе совета, панели, анализа «адвоката дьявола» или сравнения перспектив.
KD
Применяет umap-learn для нелинейного снижения размерности, создания 2D/3D-вложений, предобработки кластеризации, а также для работы с supervised/semi-supervised UMAP, DensMAP, AlignedUMAP и Parametric UMAP.
KD
Hugging Face Transformers для загрузки моделей, инференса через pipelines, генерации текста и дообучения (Trainer) в задачах NLP, зрения, аудио и мультимодальных. Применяется при работе с AutoModel, tokenizers, generation configs или TrainingArguments.
KD
Формулирует научные вопросы, гипотезы, альтернативные объяснения и планы анализа, готовые к preregistration. Применяется для превращения наблюдений в прозрачные, проверяемые исследовательские планы без обращения гипотез к фактам.
KD
Подбирает и диагностирует статистические модели Python: OLS, GLM, дискретные, смешанные модели, ARIMA и SARIMAX. Включает вывод коэффициентов, маржинальные эффекты, сравнение моделей и прогнозирование временных рядов с проверкой неопределенности. Подходит для эконометрики и статистического моделирования.
Как сделать свой навык
Навык — это папка с файлом SKILL.md (описание + инструкции) и опциональными скриптами. Ассистент подхватывает его по описанию и следует шагам.