Marimo est un environnement de notebooks Python réactif qui garantit un état cohérent entre le code et les sorties. Cette compétence fournit des conseils experts pour construire des applications de données interactives et des notebooks reproductibles qui s'exécutent comme des scripts et se déploient comme des applications web.

Évitez les erreurs de virgule flottante dans les calculs financiers et scientifiques. Cette compétence évalue les expressions mathématiques avec une précision arbitraire en utilisant big.js pour des résultats décimaux exacts.

Les équipes de croissance ont du mal à s'aligner sur les métriques et à mener des expérimentations disciplinées. Cette compétence fournit des cadres éprouvés pour les boucles de croissance, le PLG et l'expérimentation qui génèrent un impact mesurable tout en respectant la vie privée des utilisateurs.

Les modifications de schéma de base de données sont sujettes aux erreurs et peuvent casser la production. Cette compétence fournit des modèles éprouvés pour créer des migrations Supabase idempotentes avec isolation des espaces de travail et politiques Row Level Security.

Des informations commerciales incohérentes entre les répertoires endommagent le classement SEO local et confondent les clients. Cette compétence garantit que vos données NAP restent parfaitement synchronisées sur Google Business Profile, Apple Maps, Facebook et plus de 30 répertoires avec des audits automatisés et une génération de balisage Schema.

Le web scraping est difficile et chronophage. Crawl4AI fournit 6 modes intelligents pour extraire du contenu, des captures d’ecran et des PDF depuis n’importe quel site web avec des fonctions anti-detection.

Alembic génère des migrations sans comprendre les implications de performance de PostgreSQL. Cette compétence fournit des modèles pour réviser les migrations de base de données et écrire des requêtes efficaces qui évitent les pièges de performance courants.

La construction de structures moléculaires initiales pour les simulations nécessite des contraintes spatiales précises. Packmol automatise le placement des molécules avec prévention des chevauchements, prenant en charge les boîtes, sphères, cylindres et plans pour divers besoins de simulation.

Les agents perdent toutes leurs connaissances à la fin des sessions. Cette compétence fournit des modèles d'architectures de mémoire multicouche qui préservent les connaissances des entités, suivent les relations et permettent des requêtes temporelles entre les sessions.

Construire des systèmes d’évaluation LLM fiables est difficile en raison de biais systématiques. Cette compétence fournit des schémas prêts pour la production pour la notation directe, la comparaison par paires et l’atténuation des biais afin de créer des pipelines d’évaluation automatisée dignes de confiance.

Travailler avec des fichiers Excel nécessite une connaissance des formules, de la mise en forme et de l'analyse de données. Cette compétence fournit des conseils complets pour créer des feuilles de calcul, effectuer des calculs et analyser des données selon des normes professionnelles.

Le traitement manuel des documents PDF prend trop de temps. Cette boîte à outils offre des opérations PDF complètes incluant l'extraction de texte, la détection de formulaires, le remplissage de formulaires et la création de documents avec Python et les outils en ligne de commande.

Créer des compositions musicales originales et convertir des fichiers MIDI en fichiers audio MP3 ou WAV. Utilise la bibliothèque music21 pour une composition intelligente et prend en charge la génération de musique orchestrale et électronique avec des sons d'instruments réalistes.

Les utilisateurs ont besoin d'un guide expert pour comprendre l'architecture de base de données Datascript de Logseq pour une gestion efficace du graphe de connaissances. Cette compétence fournit des connaissances autoritaires sur la conception de schéma, les types de propriétés, les hiérarchies de classes et les relations d'entités.

Les utilisateurs doivent extraire et interroger des données depuis leurs graphes de connaissances Logseq. Cette compétence fournit une bibliothèque cliente Python unifiée pour récupérer des pages, des blocs, des propriétés et exécuter des requêtes Datalog avancées sur des graphes Logseq locaux via HTTP API ou CLI.

Les utilisateurs de Logseq ont besoin de conseils clairs lors de la transition des fichiers Markdown vers le format de base de données. Ce skill fournit une planification de migration étape par étape, des stratégies de sauvegarde, un dépannage pour les problèmes courants et des exemples de requêtes Datalog pour la validation.

L'analyse des modèles EDN prend du temps lorsqu'elle est effectuée manuellement. La compétence edn-analyzer fournit une analyse automatisée de la structure, des contrôles de qualité et des fonctionnalités de comparaison pour les modèles de graphe de base de données Logseq. Elle identifie les éléments orphelins, valide la structure et génère des rapports exploitables.

Les utilisateurs ont besoin d'intégrer Claude avec leurs graphes de connaissances Logseq pour interroger et écrire des données. Cette skill fournit une gestion automatisée des connexions via les backends HTTP API, CLI et MCP Server avec support de dépannage intégré.

La construction d'arbres phylogénétiques à partir de multiples assemblages génomiques nécessite des flux de travail complexes avec de nombreux outils. Cette compétence génère des scripts prêts à l'emploi, compatibles avec les ordonnanceurs, pour le pipeline complet de phylogénomique basé sur BUSCO.

L'analyse biogéographique phylogénétique aide les chercheurs à comprendre comment les aires de répartition géographiques des espèces ont évolué au fil du temps. Cette compétence automatise le flux de travail complet de BioGeoBEARS, de la validation des données d'entrée aux visualisations des aires ancestrales prêtes pour publication.