📦
venue-templates
85准备学术投稿材料
学术投稿常常会因为不同投稿场所的格式规则不同而失败。此技能提供模板、要求和示例，帮助更快地准备材料。
研究与学习 查看
技能 molfeat
📦
molfeat
内容修订 r1 中风险 📁 文件系统访问⚙️ 外部命令🌐 网络访问
为 ML 构建分子特征
分子 ML 项目需要从 SMILES 和 RDKit 分子中获得一致的特征。此技能可指导 molfeat 选择、批量特征化、预训练嵌入、缓存和 QSAR 工作流。
支持: Claude Codex Code(CC)
使用我的智能体安装
将此请求复制给你的智能体，其中包含权威 Skill 页面和清单。
智能体请求
Review the Skillstore skill "molfeat" from https://skillstore.io/skills/k-dense-ai-molfeat.md and its manifest at https://skillstore.io/api/skills/k-dense-ai-molfeat/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.你的智能体仍应展示其计划，并按安全策略请求必要确认。
Agent 可读资源
当 AI Agent、爬虫或脚本需要干净上下文，而不是读取完整页面时，请使用这些链接。
测试它
正在使用“molfeat”。 我有 100,000 个 SMILES，需要为性质模型生成特征。
预期结果:
- 建议从 ECFP 开始，以获得速度优势和强基线。
- 建议使用带并行 workers 的分块批处理来控制内存使用。
- 概述了无效 SMILES 的验证步骤和可复现的特征化器设置。
正在使用“molfeat”。 我想比较 ChemBERTa 嵌入和经典描述符。
预期结果:
- 识别预训练嵌入在依赖项和运行时方面的差异。
- 提出使用相同训练集和验证集划分的比较方案。
- 建议同时跟踪特征维度、运行时间和模型指标。
正在使用“molfeat”。 我需要一个用于化合物库的相似性搜索工作流。
预期结果:
- 根据库大小和相似性目标，建议使用 ECFP 或 MAP4。
- 解释如何一致地计算查询特征和库特征。
- 建议在相似性评分和审查后对顶部化合物进行排序。
安全审计
中风险v7 • 2026/7/5 打开版本化报告
Most static findings are false positives caused by Markdown code fences, inline API names, local cache examples, and documentation links. No prompt injection attempt, data exfiltration intent, or automatic command execution was found. The only semantic concern is unsafe pickle cache loading guidance without a trust warning.
4
已扫描文件
1,998
分析行数
0
复核项
0
已忽略误报
已确认安全问题 (1)
中
Unsafe Pickle Cache Loading in Examples
The caching examples load embeddings from pickle files without warning that pickle files must be trusted. Copying this pattern for attacker-controlled cache files can enable code execution.
Both examples use pickle.load on a local cache file. Exploitability depends on attacker control of that file, so the guidance risk is clear but contextual.
风险因素
📁 文件系统访问 (2)
⚙️ 外部命令 (75)
SKILL.md:28-33 SKILL.md:33-36 SKILL.md:36-37 SKILL.md:37-38 SKILL.md:38-39 SKILL.md:39-40 SKILL.md:40-46 SKILL.md:46-48 SKILL.md:48-56 SKILL.md:56-61 SKILL.md:61-63 SKILL.md:63-73 SKILL.md:73-79 SKILL.md:79-81 SKILL.md:81-91 SKILL.md:91-96 SKILL.md:96-102 SKILL.md:102-117 SKILL.md:117-121 SKILL.md:121-127 SKILL.md:127-131 SKILL.md:131-142 SKILL.md:142-149 SKILL.md:149-158 SKILL.md:158-161 SKILL.md:161-169 SKILL.md:169-172 SKILL.md:172-179 SKILL.md:179-184 SKILL.md:184-190 SKILL.md:190-193 SKILL.md:193-200 SKILL.md:200-204 SKILL.md:204-217 SKILL.md:217-221 SKILL.md:221-231 SKILL.md:231-237 SKILL.md:237-254 SKILL.md:254-258 SKILL.md:258-274 SKILL.md:274-278 SKILL.md:278-292 SKILL.md:292-296 SKILL.md:296-309 SKILL.md:309-313 SKILL.md:313-328 SKILL.md:328-334 SKILL.md:334-354 SKILL.md:354-360 SKILL.md:360-371 SKILL.md:371-375 SKILL.md:375-384 SKILL.md:384-388 SKILL.md:388-401 SKILL.md:401-405 SKILL.md:405-409 SKILL.md:409-410 SKILL.md:410-418 SKILL.md:418-419 SKILL.md:419-420 SKILL.md:420-421 SKILL.md:421-422 SKILL.md:422-423 SKILL.md:423-424 SKILL.md:424-434 SKILL.md:434-435 SKILL.md:435-436 SKILL.md:436-455 SKILL.md:455-458 SKILL.md:458-477 SKILL.md:477-483 SKILL.md:483-490 SKILL.md:490-493 SKILL.md:493-497 SKILL.md:497-501
🌐 网络访问 (4)
审计者: codex 查看审计历史 →
分享与引用此报告
分享版本化评估报告、中性徽章、嵌入卡片和引用。Skillstore 只报告证据，不判断该 Skill 是否安全。
复制报告链接
https://skillstore.io/skills/k-dense-ai-molfeat/audits/7?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportMarkdown 徽章
[](https://skillstore.io/skills/k-dense-ai-molfeat?utm_source=security_passport_badge)HTML 徽章
<a href="https://skillstore.io/skills/k-dense-ai-molfeat?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/k-dense-ai-molfeat/security.svg" alt="Skillstore security assessment" loading="lazy"></a>嵌入卡片
<iframe src="https://skillstore.io/embed/skills/k-dense-ai-molfeat.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>学术引用 (APA · BibTeX · CFF)
APA 引用
K-Dense-AI. (2026). molfeat security audit report (audit version 7) [Author version unspecified]. Skillstore. https://skillstore.io/skills/k-dense-ai-molfeat/audits/7BibTeX 引用
@techreport{k-dense-ai-k-dense-ai-molfeat-2026,
author = {K-Dense-AI},
title = {molfeat security audit report (audit version 7)},
institution = {Skillstore},
year = {2026},
number = {7},
url = {https://skillstore.io/skills/k-dense-ai-molfeat/audits/7},
note = {Author version unspecified}
}CITATION.cff
cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "molfeat security audit report (audit version 7)"
version: "unspecified"
type: report
authors:
- name: "K-Dense-AI"
date-released: "2026-07-05"
url: "https://skillstore.io/skills/k-dense-ai-molfeat/audits/7"
identifiers:
- type: other
value: "skillstore:k-dense-ai-molfeat:audit:7"
description: "Skillstore immutable audit report identifier"
比较变体
2 个可安装变体每位作者的技能都保持为独立的可安装项。推荐变体按 Skillstore 证据排序。
为什么此变体排名第一
Skillstore 评分最高
作者 / 来源 Skillstore 评分 证据置信度 Skillstore 使用量 已更新
Skillstore 评分
评分依据 证据置信度: 高 45
架构
85
可维护性
87
内容
70
社区
87
规范符合性
你能构建什么
准备 QSAR 特征
选择指纹或描述符，并为性质预测模型构建可复现的输入。
构建筛选管线
将大型化合物库转换为用于排序、分类和命中选择的特征。
比较分子嵌入
评估传统指纹与预训练嵌入在化学相似性和模型性能方面的表现。
试试这些提示
选择特征化器
帮助我为我的 SMILES 数据集选择一个 molfeat featurizer，并解释其在 QSAR 建模中的权衡。
规划批量特征化
为大型 SMILES 列表设计一个 molfeat 工作流，包括无效分子处理、并行处理和可复现设置。
比较模型输入
针对我的分子预测任务，比较 ECFP、MACCS、RDKit descriptors、Mordred 和 ChemBERTa 特征。
设计筛选管线
创建一个虚拟筛选方案，使用 molfeat 特征、scikit-learn 评估、排序逻辑和注重内存的批处理。
最佳实践
- 在测试更大的预训练嵌入之前，先从快速指纹开始。
- 保存特征化器配置和软件包版本，以实现可复现实验。
- 对大型分子集合使用分块和并行处理。
避免
- 不要使用不同的训练集和验证集划分来比较特征化器。
- 不要在不跟踪哪些分子失败的情况下忽略无效 SMILES。
- 不要使用来自不可信来源的预训练模型缓存。
常见问题
molfeat 用于什么？
Molfeat 将分子结构转换为用于机器学习、相似性搜索和虚拟筛选的数值特征。
它可以处理 SMILES 字符串吗？
可以。示例展示了用于 calculators 和 transformers 的 SMILES 输入以及 RDKit 分子输入。
它包含深度学习嵌入吗？
可以。该技能涵盖 ChemBERTa、ChemGPT、GIN 和 Graphormer models 等预训练 transformers。
我可以将它与 scikit-learn 一起使用吗？
可以。该技能描述了兼容 scikit-learn 的 transformers、pipelines、交叉验证和网格搜索工作流。
该技能会自动安装依赖项吗？
不可以。它会记录安装命令和可选 extras，但用户必须自行管理环境。
它对生产工作流安全吗？
它是实现指导。生产使用前，请审查依赖项、缓存处理和科学验证。
开发者详情
作者
K-Dense-AI许可证
Apache-2.0 license
Skillstore 修订
r1
版本提示
作者未声明版本。
引用
a25199bc7d6b82598536822d1738eb5d5f54025b
维护新鲜度
2026/7/18
使用量
5 次下载 · 227 次浏览
文件结构
K-Dense-AI 的更多技能
查看全部📦
iso-13485-certification
85准备 ISO 13485 认证文档
医疗器械团队必须在认证审核前创建完整的 QMS 文档。此技能提供模板、检查清单和差距分析指导，帮助做好 ISO 13485 准备。
文档 查看
📦
pytdc
82使用 PyTDC 分析治疗领域 ML 数据集
药物发现团队需要可靠的数据集和公平的评估协议。此技能帮助 Claude 使用 PyTDC 获取经过整理的治疗领域 ML 数据、基准划分、指标和分子 oracle。
数据与分析 查看
📦
diffdock
81运行 DiffDock 分子对接
蛋白质-配体对接需要仔细的设置、参数选择和结果解读。此技能可指导 DiffDock 工作流，用于处理构象、置信度评分和筛选。
研究与学习 查看
📦
hypothesis-generation
80生成可检验的科学假设
研究人员需要将观察结果转化为清晰、可检验的解释。此技能会组织证据审查、竞争性假设、预测和实验计划。
研究与学习 查看
📦
statistical-analysis
80在统计指导下分析研究数据
选择检验方法和报告结果可能耗时且容易出错。此技能可指导检验选择、假设条件、效应量、功效分析、贝叶斯选项以及 APA 报告。
数据与分析 查看
相关技能
查看全部📦
senior-data-scientist
81设计数据科学实验与模型
由 alirezarezvani
当实验、特征和模型缺乏清晰的统计结构时，数据科学项目往往会失败。此技能为 Claude、Codex 和 Claude Code 提供用于实验、特征工程和模型评审的引导式工作流。
数据与分析 查看
📦
ml-antipattern-validator
81验证 ML 工作流中的隐藏反模式
由 Doyajin174
ML 项目可能看起来准确，但数据泄漏或薄弱的评估会掩盖严重缺陷。此技能会指导对拆分、指标、训练和部署就绪情况进行结构化检查。
数据与分析 查看
📦
senior-ml-engineer
81构建生产级 ML 和 RAG 系统
由 davila7
生产级 ML 系统难以持续地进行设计、部署和监控。此技能涵盖 MLOps、LLM 集成、RAG 架构以及本地工作流脚手架。
数据与分析 查看
📦
torch-geometric
80使用 PyTorch Geometric 构建图神经网络
由 davila7
图学习项目需要谨慎选择数据、模型、采样和评估方法。此技能提供 PyTorch Geometric 指南、示例、模板、基准测试和可视化工具。
数据与分析 查看
📦
scikit-learn
80构建 scikit-learn 机器学习工作流
由 davila7
机器学习项目需要一致的预处理、评估和模型选择模式。此技能为 Claude、Codex 和 Claude Code 提供聚焦于 scikit-learn 的指导，并附带参考资料和示例。
数据与分析 查看
📦
when-debugging-ml-training-use-ml-training-debugger
80调试 ML 训练失败
由 DNYoussef
ML 训练可能因 NaN 损失、过拟合、收敛缓慢或梯度不稳定而失败。此技能可指导诊断、针对性修复、验证和报告。
数据与分析 查看