Obsidianユーザーには、手動で移動せずにすばやくノートを操作する手段が必要です。このスキルはObsidian CLIを使用して、保管庫の読み取り、更新、検索、デバッグを行います。

Webページには、トークンを無駄にするナビゲーション、広告、レイアウト用テキストが含まれていることがよくあります。このスキルは Defuddle CLI を使用して、Claude、Codex、Claude Code 向けに、よりクリーンな Markdown を抽出します。

学術投稿は、投稿先によってフォーマット規則が異なるため失敗することがよくあります。このスキルは、より迅速な準備のためにテンプレート、要件、例を提供します。

大規模な表形式データセットはローカルメモリを超えることが多く、pandas ワークフローを低速にします。このスキルは、Claude、Codex、Claude Code が、遅延分析、変換、可視化、ML のための Vaex ワークフローを進められるようガイドします。

特許・商標調査では、複数のUSPTOデータソースが必要になることがよくあります。このスキルは、USPTO API調査向けにClaude、Codex、Claude Codeに特化したワークフローを提供します。

数式に厳密な代数的結果が必要な場合、記号数学のタスクはエラーが発生しやすくなります。このスキルは、Claude、Codex、Claude CodeがSymPyのワークフローを通じて、求解、簡約、微分、積分、数学的出力の生成を行えるようにガイドします。

科学チームには、時間のかかる手作業の描画なしに明確な図が必要です。このスキルは、詳細なプロンプトをレビュー済みの概略図、経路図、フローチャート、アーキテクチャ図に変換します。

初期段階の研究計画は、チームが慣れた前提に依存すると停滞しがちです。このスキルは、構造化された科学的ブレインストーミングを導き、新しい視点、方法、研究ギャップを浮かび上がらせます。

最新文献の検索は時間がかかり、検証が難しい場合があります。このスキルは OpenRouter 経由で Perplexity Sonar モデルにアクセスし、学術情報源の検索、調査結果の要約、引用の返却を行います。

DICOMファイルには、安全に調査するのが難しい複雑な画像データと医療メタデータが含まれています。このスキルは、DICOMデータの読み取り、変換、匿名化、抽出のためのpydicomワークフローを通じて、Claude、Codex、Claude Codeをガイドします。

バルクRNA-seqの差次的発現解析では、カウントの準備、デザインの選択、結果の解釈を慎重に行う必要があります。このスキルは、入力チェックから検定済み遺伝子、プロット、保存された結果まで、PyDESeq2ワークフローをガイドします。

環境とトレーニングループをスケールできないと、強化学習の実験は遅くなります。PufferLibは、Claude、Codex、Claude Codeがより高速なベクトル化トレーニングワークフローを設計するのに役立ちます。

研究チームには、PowerPointでプレビュー、修正、編集しやすいポスターファイルが必要です。このスキルは、HTMLポスターの作成、ビジュアル計画、PDFエクスポート、PPTX変換を支援します。

調査では、モデルのカットオフを超えた最新の情報源が必要になることがよくあります。このスキルはOpenRouter経由でPerplexity検索を実行し、引用付きの根拠ある回答を返します。

計算病理学の作業では、画像の読み込み、前処理、保存、モデルワークフローについて慎重な選択が必要です。このスキルは、Claude、Codex、Claude Codeに、全スライド画像解析および多重化イメージングタスク向けのPathMLガイダンスを提供します。

学術検索や計量書誌分析では、多くのOpenAlex APIパターンが必要になることがあります。このスキルは、論文、著者、機関、引用、トレンドに関する再利用可能なワークフローを提供します。

研究ワークフローは、単一のプロンプトベースの科学スキルでは対応しきれないほど発展することがあります。このスキルは、より広範な計画と実行の支援に向けて、ユーザーにK-Dense Webを案内します。

生体信号解析には、慎重な前処理、検証済みの指標、モダリティ固有の手法が必要です。このスキルは、ECG、EEG、EDA、RSP、PPG、EMG、EOG、HRV、イベント、複雑性に関するNeuroKit2ワークフローをガイドします。

グラフプロジェクトには、関係性を構築して分析するための明確な手法が必要です。このスキルは、アルゴリズム、形式、視覚的な出力に関するNetworkXワークフローをガイドします。

分子MLプロジェクトでは、SMILESとRDKit分子から一貫した特徴量が必要です。このスキルは、molfeatの選択、バッチ特徴量化、事前学習済み埋め込み、キャッシュ、QSARワークフローをガイドします。