Extrae la portada de Hacker News (títulos, puntos y número de comentarios).
- Costo de contexto al activarse
- 355 tok
- Tamaño del paquete
- 5 archivos
- Última actualización
- el mes pasado
Consulta, limpia y visualiza datos sin salir del agente.
273 skills en esta categoría
Extrae la portada de Hacker News (títulos, puntos y número de comentarios).
Extrae datos de una página web: prototipa con primitivas $B la primera vez, luego enruta a un browser-skill codificado (~200ms). Solo lectura; usa /automate para acciones que mutan la página.
The #1 directory of projects built with Jev
Úsalo para cualquier pregunta sobre una base de código, su arquitectura o relaciones de archivos; convierte cualquier entrada en un grafo de conocimiento persistente con nodos clave, comunidades y herramientas de consulta/ruta/explicación.
Se usa cuando el usuario quiere visualizar datos. Selecciona el tipo de gráfico más adecuado entre 26 opciones, extrae los parámetros según especificaciones detalladas y genera la imagen con un script de JavaScript.
Úsala cuando el usuario suba archivos Excel o CSV y quiera analizarlos: estadísticas, resúmenes, tablas dinámicas o consultas SQL. Soporta libros multi-hoja, agregación, filtrado, joins y exportar a CSV/JSON/Markdown.
Volcado programático de un solo disparo con todos los datos de costo: gasto total, por nivel, sesión top, estado de presupuesto y agregado de federación. En JSON o markdown.
Agente experto en análisis de grafos y cálculos de PageRank usando algoritmos sublineales. Se especializa en optimización de redes, análisis de influencia, topología de swarms y cómputo de grafos a gran escala.
Agrupa código por detección de comunidades en grafos mediante `npx ruvector@0.2.25 hooks graph-cluster` (espectral / Louvain).
Genera embeddings con `npx ruvector@0.2.25 embed text` (ONNX all-MiniLM-L6-v2, 384 dim), los normaliza y los guarda en un índice HNSW.
Logra los objetivos agresivos de rendimiento de la v3: speedup de Flash Attention de 2.49x-7.47x, mejoras de búsqueda de 150x-12.500x y reducción de memoria del 50-75%.
Entrena y despliega redes neuronales en sandboxes E2B distribuidos con Flow Nexus.
Convierte tu voz en texto, allí donde escribas.
Entrenamiento de patrones neuronales con SONA, MoE y EWC++ para consolidación de conocimiento.
Desglose de costo por mensaje dentro de una sola sesión. Es el complemento de detalle de cost-anomaly: cuando se marca una sesión como outlier, muestra qué mensajes concretos fueron caros.
Detección de outliers basada en MAD sobre el gasto por sesión. Robusto frente a los propios outliers que busca (a diferencia de media+sigma). Muestra las sesiones anómalas con su z-score modificado.
Tendencia de la tasa de gasto en el tiempo, con código de alerta opcional por deriva. Agrupa el gasto por sesión en buckets, muestra el delta entre ventanas y puede fallar si el último bucket supera la media previa en un %.
Vista de costo por conversación: lista cada sesión en cost-tracking con hora de inicio, número de mensajes, modelo principal y costo total.
Captura automáticamente el uso de tokens por sesión desde el jsonl de sesión de Claude Code y lo guarda en el namespace cost-tracking.
Agente experto en análisis y optimización de matrices usando algoritmos sublineales. Se especializa en propiedades matriciales, dominancia diagonal, número de condición y recomendaciones para sistemas lineales grandes.
Genera un reporte de costo mostrando uso de tokens y costos en USD por agente y por modelo.
Análisis contrafactual de costo con múltiples baselines. Compara el gasto real contra baselines hipotéticos de usar siempre haiku, sonnet u opus, para saber si el enrutamiento vale la pena.
Fotos profesionales con IA en minutos.
Analiza patrones de uso de tokens y recomienda optimizaciones de costo con el ahorro estimado.
Especialista en entrenamiento y despliegue de redes neuronales. Gestiona entrenamiento distribuido, inferencia y ciclo de vida de modelos usando la infraestructura cloud de Flow Nexus.
Genera embeddings de datos jerárquicos con `ruvector@0.2.25 embed text` y los proyecta en la bola de Poincaré en tu propio código (0.2.25 no tiene flag --model poincare).
Agente especializado en desarrollo, entrenamiento y despliegue de modelos de machine learning.
Análisis integral de rendimiento, detección de cuellos de botella y recomendaciones de optimización para swarms de Claude Flow.
Entiende el contenido de un vídeo en local con extracción de fotogramas por ffmpeg y transcripción con Whisper. Sin claves de API.
Transcribe audio a texto con Azure AI Speech (API REST Fast Transcription). Proveedor STT en la nube opcional, preferido cuando AZURE_SPEECH_KEY está configurada.
Crea visualizaciones de datos interactivas con d3.js. Úsalo para gráficos a medida, diagramas de red, visualizaciones geográficas o cualquier SVG complejo que necesite control fino de elementos, transiciones e interacciones.
Transcribe audio a texto con ElevenLabs Scribe v2. Úsalo para convertir audio o vídeo a texto, generar subtítulos, transcribir reuniones o procesar contenido hablado.
Convierte cualquier web en datos limpios listos para LLMs.
Para cuando el usuario quiere saber qué marketing impulsa realmente conversiones e ingresos, elegir un modelo de atribución o reconciliar cifras contradictorias entre herramientas.
Para cuando quieres configurar, mejorar o auditar el tracking de analytics: GA4, conversion tracking, event tracking, UTM, GTM, planes de tracking y validación de eventos.
Infiere redes de regulación génica (GRN) a partir de datos de expresión génica con algoritmos escalables (GRNBoost2, GENIE3), para transcriptómica bulk o de célula única, con computación distribuida.
Análisis de velocimetría por imágenes de partículas (PIV) con OpenPIV: extrae campos de velocidad de pares de imágenes PIV, valida y reemplaza vectores espurios, y calcula vorticidad, tasa de deformación y estadísticas de turbulencia.
Computación distribuida para workflows de pandas/NumPy que no caben en RAM. Para procesar archivos en paralelo, ML distribuido e integrar código pandas. Para out-of-core en una máquina usa vaex; para velocidad en memoria usa polars.
Kit de herramientas para datos biológicos: análisis de secuencias, alineamientos, árboles filogenéticos, métricas de diversidad (alfa/beta, UniFrac), ordenación (PCoA), PERMANOVA, E/S FASTA/Newick, para análisis de microbioma.
Rowan es una plataforma cloud de modelado molecular y química medicinal con API en Python: predicción de pKa/macropKa, conformeros, tautómeros, docking, cofolding proteína-ligando, MSA, dinámica molecular y permeabilidad.
Modelado bayesiano con PyMC: construye modelos jerárquicos, muestreo MCMC (NUTS), inferencia variacional, comparación LOO/WAIC y posterior checks para programación probabilística e inferencia.
Construye, inspecciona, prueba y analiza simulaciones de eventos discretos basadas en procesos y acotadas con SimPy: eventos, recursos, interrupciones, monitorización, réplicas, calentamiento y análisis reproducible.
El bloc de notas con IA que transcribe y organiza tus reuniones.
Rastrea unidades físicas y propaga incertidumbre de medición con pint y uncertainties: conversión y chequeo dimensional, presupuestos GUM, Monte Carlo, redondeo, constantes CODATA, auditoría de código y plausibilidad física.
Skill integral de ciencia geoespacial: teledetección, GIS, análisis espacial y ML para observación de la Tierra en más de 30 dominios científicos, con 500+ ejemplos de código en 8 lenguajes de programación.
Para los modelos de microbioma de Outpost Bio: los checkpoints Waypoint (6m/45m/170m), el corpus Atlas, el benchmark Compass y el CLI `waypoint`, incluida la conversión de tablas de MetaPhlAn, Kraken2, QIIME 2 o MGnify.
Para procesar y analizar datasets tabulares enormes (miles de millones de filas) que no caben en RAM: operaciones DataFrame fuera de memoria, evaluación perezosa, agregaciones rápidas, visualización y ML sobre big data.
Pipeline estándar de análisis scRNA-seq: control de calidad, normalización, reducción de dimensionalidad (PCA/UMAP/t-SNE), clustering, expresión diferencial, visualización y conversión de formatos R a h5ad.
Consultas rápidas por CLI/Python a más de 20 bases de datos bioinformáticas: info de genes, BLAST/BLAT, secuencias virales, estructuras AlphaFold, enriquecimiento, OpenTargets, COSMIC, CELLxGENE y datos de ratón (8cube).
Orquestador end-to-end de RNA-seq bulk: de FASTQ crudo (QC, trimming, STAR/Salmon/featureCounts) a matriz de counts, expresión diferencial con pydeseq2, enriquecimiento GSEA y figuras de publicación.
Kit de cheminformática para control molecular fino: parsing SMILES/SDF, descriptores, fingerprints, búsqueda de subestructuras, generación 2D/3D, similitud y reacciones. Para flujos estándar más simples, usa datamol.
Librería de modelado estadístico para Python: OLS, GLM, modelos mixtos, ARIMA, con diagnósticos, residuos e inferencia detallada. Ideal para econometría e inferencia rigurosa con tablas de coeficientes.
Programa publicaciones en todas tus redes desde un solo sitio.
UMAP-learn para reducción de dimensionalidad no lineal: embeddings 2D/3D, preprocesamiento para clustering, UMAP supervisado o semisupervisado, DensMAP, AlignedUMAP y Parametric UMAP.
Guía y herramientas locales de auditoría para flujos Python que usan directamente GeoSeries, GeoDataFrame, operaciones espaciales o I/O de datos vectoriales de GeoPandas.
Flujos locales y auditados con Geniml para intervalos genómicos: valida contratos de BED y de universos, planifica corridas de Region2Vec o scEmbed, inspecciona compatibilidad de modelo/tokenizer y evalúa universos de consenso.
Usa NeuroKit2 para construir o auditar flujos de investigación reproducibles: preprocesamiento de series temporales fisiológicas, análisis de eventos, alineación multimodal, variabilidad y complejidad. No es para diagnóstico.
ML molecular con featurizers diversos y datasets preconstruidos. Para predicción de propiedades (ADMET, toxicidad) con ML tradicional o GNN. Para PyTorch graph-first usa torchdrug; para datasets de benchmark usa pytdc.
Librería de gráficos de bajo nivel para control total de cada elemento, tipos de gráfico nuevos o flujos científicos concretos. Exporta a PNG/PDF/SVG. Para gráficos rápidos usa seaborn; interactivos, plotly.
Procesa, limpia, compara y busca espectros de masas en tándem (MS/MS) con matchms: I/O de archivos, armonización de metadatos, filtrado de picos, similitud espectral, búsqueda en librerías y redes de similitud molecular.
Featurización molecular para ML con más de 100 featurizers: ECFP, MACCS, descriptores, modelos preentrenados como ChemBERTa. Convierte SMILES en features para QSAR y ML molecular.
Realiza análisis exploratorio local y acotado de archivos científicos soportados: perfiles CSV/TSV/JSON, inspección opcional de NumPy/HDF5/FASTA/FASTQ/imágenes, auditorías de datos faltantes y de fuga.
Haz crecer tu tráfico orgánico en piloto automático.
Framework de deep learning (PyTorch Lightning): organiza código en LightningModules, configura Trainers multi-GPU/TPU, pipelines de datos, callbacks, logging (W&B, TensorBoard, MLflow) y entrenamiento distribuido (DDP, FSDP, DeepSpeed).
Consulta y descarga datos públicos de imágenes oncológicas del NCI Imaging Data Commons (IDC): colecciones, acceso DICOM, radiología (CT, MR, PET), patología, metadatos, visualización y licencias. No requiere autenticación.
Aprendizaje automático en Python con scikit-learn: clasificación, regresión, clustering, reducción de dimensionalidad, evaluación de modelos, ajuste de hiperparámetros, preprocesamiento y pipelines de ML.
Framework de optimización multiobjetivo: NSGA-II, NSGA-III, MOEA/D, frentes de Pareto, manejo de restricciones y benchmarks (ZDT, DTLZ) para problemas de diseño e ingeniería.
Planifica, configura, inspecciona, reinicia y analiza simulaciones CFD con FluidSim con controles explícitos de validez numérica y seguridad HPC: selección de solver, parámetros, FFT/MPI, diagnóstico de salidas y compatibilidad de reinicio.
Análisis de velocidad de ARN con scVelo: estima transiciones de estado celular a partir de la dinámica de ARNm empalmado/no empalmado, infiere trayectorias, calcula tiempo latente e identifica genes conductores en scRNA-seq.
Modelos generativos profundos para ómica de célula única: corrección de lote probabilística (scVI), aprendizaje por transferencia, expresión diferencial con incertidumbre e integración multimodal (totalVI, MultiVI).
Envoltura pythónica sobre RDKit con interfaz simplificada para descubrimiento de fármacos: parsing de SMILES, estandarización, descriptores, fingerprints, clustering y conformeros 3D. Para control avanzado usa rdkit directamente.
Crea y audita figuras científicas veraces, accesibles y listas para publicación con Matplotlib, Seaborn o Plotly: diseño, layouts multipanel, incertidumbre y datos faltantes, contraste de color y exportación por revista.
Revisiones de código con IA. Detecta bugs y corrígelos en un clic.
Cálculos de tamaño muestral y potencia estadística para planificar estudios: análisis a priori, efecto mínimo detectable (MDE), curvas de potencia y justificación de tamaño muestral para becas, protocolos IRB o preregistros.
Análisis estadístico guiado para datos de investigación: selección de prueba, comprobación de supuestos, tamaños del efecto, análisis de potencia, alternativas bayesianas e informes con formato APA.
Arrays N-dimensionales fragmentados (chunked) para almacenamiento en la nube con Zarr-Python 3: arrays comprimidos, E/S paralela, S3/GCS vía fsspec, compatible con NumPy/Dask/Xarray, para pipelines de computación científica a gran escala.
Lee, inspecciona y escribe archivos FCS (Flow Cytometry Standard) 2.0, 3.0 y 3.1 con FlowIO: metadatos de bajo nivel, canales, extracción de eventos a NumPy, múltiples datasets y creación de FCS 3.1. Usa FlowKit para compensación o gating.
Inspecciona y automatiza de forma segura flujos de datos de microscopía en OMERO.server con omero-py, BlitzGateway, la CLI de OMERO, tablas, anotaciones, ROIs, renderizado y las APIs documentadas de OMERO.web.
Predice regiones regulatorias, estructura génica y expresión desde secuencia de ADN con los modelos transformer alojados de Genomic Intelligence, sin GPU ni pesos locales: seis tareas vía REST y un servidor MCP público.
Construye, evalúa y audita flujos de análisis de supervivencia con censura por la derecha o riesgos competitivos usando scikit-survival: preprocesamiento sin fugas, selección de modelo, predicción de probabilidad y métricas.
Crea, analiza y visualiza redes y grafos complejos en Python con NetworkX: algoritmos de grafos (caminos más cortos, centralidad, clustering), detección de comunidades, generación de redes sintéticas y E/S de formatos.
Explica y audita predicciones de machine learning con SHAP: selección de explainers y maskers, cálculo y validación de atribuciones, explicaciones multisalida y visualizaciones SHAP locales o globales.
Convierte tu voz en texto, allí donde escribas.
Convierte intervalos genómicos entre convenciones de coordenadas, normaliza y compara variantes, y detecta desajustes de assembly o nomenclatura de contigs antes de que corrompan un análisis.
Analiza grabaciones extracelulares Neuropixels de extremo a extremo con SpikeInterface: carga SpikeGLX/Open Ephys/NWB, preprocesamiento, corrección de drift, spike sorting con Kilosort4, métricas de calidad y curación de unidades.
Para tareas de machine learning con series temporales: clasificación, regresión, clustering, forecasting, detección de anomalías, segmentación y búsqueda de similitud, con APIs compatibles con scikit-learn.
Consulta programáticamente la CZ CELLxGENE Census: metadatos y expresión de single-cell/espacial versionados a escala poblacional, entre organismos, tejidos, enfermedades y ensayos, sin descargar datasets enteros.
Estructura de datos para matrices anotadas en análisis de célula única. Úsala con archivos .h5ad o el ecosistema scverse; para análisis usa scanpy, para modelos probabilísticos scvi-tools, para escala poblacional cellxgene-census.
Librería de DataFrames de alto rendimiento para ETL, analítica y migración desde pandas en Python: expresiones, optimización de consultas lazy, ejecución paralela, streaming out-of-core, Arrow y GPU opcional.
Pronóstico zero-shot de series temporales con el modelo fundacional TimesFM de Google, para cualquier serie univariada sin entrenar un modelo propio. Admite CSV/DataFrame/arrays, con pronósticos puntuales e intervalos de predicción.
Ejecuta y analiza simulaciones de dinámica molecular con OpenMM y MDAnalysis: monta sistemas de proteínas/moléculas pequeñas, corre MD de producción y analiza trayectorias (RMSD, RMSF, mapas de contacto).
Algoritmos de aprendizaje por refuerzo listos para producción (PPO, SAC, DQN, TD3, DDPG, A2C) con una API similar a scikit-learn, para experimentos de RL estándar y prototipado rápido con entornos Gymnasium de un solo agente.
Fotos profesionales con IA en minutos.
Filtros de química medicinal para triaje de compuestos: reglas de similitud a fármacos (Lipinski, Veber, CNS), catálogos de alertas estructurales (PAINS, NIBR, ChEMBL), métricas de complejidad y lenguaje de consulta.
Modelado metabólico basado en restricciones (COBRA): FBA, FVA, knockouts de genes, muestreo de flujos y modelos SBML, para análisis de biología de sistemas e ingeniería metabólica.
Visualización estadística integrada con pandas para explorar distribuciones, relaciones y comparaciones categóricas: box plots, violin plots, pair plots, heatmaps, con estilos atractivos por defecto. Construida sobre matplotlib.
Construye sistemas de backtesting robustos para estrategias de trading, manejando correctamente look-ahead bias, survivorship bias y costes de transacción.
Prepara, formatea y valida datasets para fine-tuning supervisado y entrenamiento de preferencias: formato, plantillas de chat, packing, datos sintéticos y dataset card.
Domina dbt para ingeniería analítica: organización de modelos, testing, documentación y estrategias incrementales para transformaciones de datos.
Selecciona y optimiza modelos de embeddings para búsqueda semántica y aplicaciones RAG, incluyendo estrategias de chunking y ajuste por dominio.
Construye pipelines MLOps de extremo a extremo: preparación de datos, entrenamiento, validación y despliegue en producción del modelo.
Implementa búsqueda por similitud eficiente con bases de datos vectoriales; útil para búsqueda semántica, consultas de vecinos más cercanos u optimización de retrieval.
Convierte cualquier web en datos limpios listos para LLMs.
Optimiza jobs de Apache Spark con particionamiento, caching, optimización de shuffle y ajuste de memoria, para mejorar rendimiento y escalar pipelines.
Implementa validación de calidad de datos con Great Expectations, pruebas dbt y contratos de datos para pipelines fiables.
Transforma datos en narrativas persuasivas usando visualización, contexto y estructura. Útil al presentar analíticas a stakeholders, crear reportes o presentaciones ejecutivas.
Diseña dashboards de KPI efectivos: selección de métricas, buenas prácticas de visualización y patrones de monitoreo en tiempo real.
Mostrando los primeros 96 de 273. Ver todo.