这项技能可以获取您的图像和屏幕截图，并使它们看起来更好——更锐利、更清晰、更专业。

假设生成是开发可检验解释的系统过程。根据观察形成基于证据的假设、设计实验、探索相互竞争的解释并做出预测。将这项技能应用于跨领域的科学探究。

Hypogenic 使用大型语言模型提供自动假设生成和测试，以加速科学发现。该框架支持三种方法：HypoGeniC（数据驱动假设生成）、HypoRefine（协同文献和数据集成）和 Union 方法（文献和数据驱动假设的机械组合）。

Gtars 是一个高性能 Rust 工具包，用于操作、分析和处理基因组区间数据。它提供了用于重叠检测、覆盖分析、机器学习标记化和参考序列管理的专用工具。

使用 Transformer 强化学习 (TRL) 库实施组相对策略优化 (GRPO) 的专家级指南。该技能提供了经过实战检验的模式、关键见解和可用于生产的工作流程，用于通过自定义奖励函数微调语言模型。

训练后量化方法，使用分组量化将 LLM 压缩至 4 位，且精度损失最小。

Google Gemini 文件搜索是一个完全托管的 RAG（检索增强生成）系统，无需单独的矢量数据库、自定义分块逻辑或嵌入生成代码。上传文档（PDF、Word、Excel、代码文件等）并使用自然语言对其进行查询 - Gemini 自动处理智能分块、嵌入其优化模型、语义搜索和引文生成。

状态：生产就绪 ✅ 最后更新：2025-11-06 依赖项：无（推荐 git 和 gh CLI）最新版本：actions/checkout@v4.2.2、actions/setup-node@v4.1.0、github/codeql-action@v3.27.4

从 git diff 生成常规提交消息。

掌握先进的 Git 技术，以维护干净的历史记录、有效协作并自信地从任何情况中恢复。

gget 是一个命令行生物信息学工具和 Python 包，提供对 20 多个基因组数据库和分析方法的统一访问。通过一致的界面查询基因信息、序列分析、蛋白质结构、表达数据和疾病关联。所有 gget 模块都可以用作命令行工具和 Python 函数。

检测可用的计算资源并为科学计算任务生成战略建议。该技能可自动识别 CPU 功能、GPU 可用性（NVIDIA CUDA、AMD ROCm、Apple Silicon Metal）、内存限制和磁盘空间，以帮助做出有关计算方法的明智决策。

Geniml 是一个 Python 包，用于根据 BED 文件的基因组间隔数据构建机器学习模型。它提供了用于学习基因组区域、单细胞和元数据标签嵌入的无监督方法，从而实现相似性搜索、聚类和下游 ML 任务。

专家级的欧盟通用数据保护条例 (GDPR) 和德国数据保护条例 (DSGVO) 合规性，具有全面的数据保护审计、隐私影响评估和监管合规性验证功能。

ETE（树探索环境）是一个用于系统发育和层次树分析的工具包。操纵树木、分析进化事件、可视化结果并与生物数据库集成以进行系统发育研究和聚类分析。

ESM 提供最先进的蛋白质语言模型，用于理解、生成和设计蛋白质。该技能支持使用两个模型系列：用于跨序列、结构和功能的生成蛋白质设计的 ESM3，以及用于高效蛋白质表示学习和嵌入的 ESM C。

使用强大的错误处理策略构建弹性应用程序，可以优雅地处理故障并提供出色的调试体验。

当您需要执行以下操作时，请使用 DSPy：

DNAnexus 是一个用于生物医学数据分析和基因组学的云平台。构建和部署应用程序/小程序、管理数据对象、运行工作流程以及使用 dxpy Python SDK 进行基因组学管道开发和执行。

该技能通过分析您的 Claude Code 聊天交互并识别揭示优势和发展领域的模式，为您最近的编码工作提供个性化反馈。