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
- hace 20 días
Consulta, limpia y visualiza datos sin salir del agente.
263 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.
Convierte tu voz en texto, allí donde escribas.
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.
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.
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.
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.
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.
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.
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.
Fotos profesionales con IA en minutos.
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.
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 %.
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.
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 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).
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%.
Captura automáticamente el uso de tokens por sesión desde el jsonl de sesión de Claude Code y lo guarda en el namespace cost-tracking.
Analiza patrones de uso de tokens y recomienda optimizaciones de costo con el ahorro estimado.
Análisis integral de rendimiento, detección de cuellos de botella y recomendaciones de optimización para swarms de Claude Flow.
Convierte cualquier web en datos limpios listos para LLMs.
Agente especializado en desarrollo, entrenamiento y despliegue de modelos de machine learning.
Entrenamiento de patrones neuronales con SONA, MoE y EWC++ para consolidación de conocimiento.
Entrena y despliega redes neuronales en sandboxes E2B distribuidos con Flow Nexus.
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.
Vista de costo por conversación: lista cada sesión en cost-tracking con hora de inicio, número de mensajes, modelo principal y costo total.
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 ElevenLabs Scribe v2. Úsalo para convertir audio o vídeo a texto, generar subtítulos, transcribir reuniones o procesar contenido hablado.
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 Azure AI Speech (API REST Fast Transcription). Proveedor STT en la nube opcional, preferido cuando AZURE_SPEECH_KEY está configurada.
El bloc de notas con IA que transcribe y organiza tus reuniones.
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.
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.
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.
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.
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.
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.
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.
Programa publicaciones en todas tus redes desde un solo sitio.
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.
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.
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.
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.
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.
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.
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.
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.
Modelado bayesiano con PyMC: construye modelos jerárquicos, muestreo MCMC (NUTS), inferencia variacional, comparación LOO/WAIC y posterior checks para programación probabilística e inferencia.
Haz crecer tu tráfico orgánico en piloto automático.
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).
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).
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.
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.
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.
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.
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.
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.
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.
Revisiones de código con IA. Detecta bugs y corrígelos en un clic.
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.
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.
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.
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.
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.
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.
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.
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.
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.
Convierte tu voz en texto, allí donde escribas.
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.
Aprendizaje automático en Python con scikit-learn: clasificación, regresión, clustering, reducción de dimensionalidad, evaluación de modelos, ajuste de hiperparámetros, preprocesamiento y pipelines de ML.
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.
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.
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.
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.
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.
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.
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.
Fotos profesionales con IA en minutos.
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.
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.
UMAP-learn para reducción de dimensionalidad no lineal: embeddings 2D/3D, preprocesamiento para clustering, UMAP supervisado o semisupervisado, DensMAP, AlignedUMAP y Parametric UMAP.
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.
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.
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.
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.
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.
Guía y herramientas locales de auditoría para flujos Python que usan directamente GeoSeries, GeoDataFrame, operaciones espaciales o I/O de datos vectoriales de GeoPandas.
Convierte cualquier web en datos limpios listos para LLMs.
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).
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.
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).
Construye sistemas de backtesting robustos para estrategias de trading, manejando correctamente look-ahead bias, survivorship bias y costes de transacción.
Convierte trazas de evaluación y logs de producción en ejemplos SFT y pares de preferencia; útil ante trazas calificadas, rejection sampling o construcción de pares DPO.
Implementa búsqueda por similitud eficiente con bases de datos vectoriales; útil para búsqueda semántica, consultas de vecinos más cercanos u optimización de retrieval.
Construye pipelines MLOps de extremo a extremo: preparación de datos, entrenamiento, validación y despliegue en producción del modelo.
Domina dbt para ingeniería analítica: organización de modelos, testing, documentación y estrategias incrementales para transformaciones de datos.
Optimiza jobs de Apache Spark con particionamiento, caching, optimización de shuffle y ajuste de memoria, para mejorar rendimiento y escalar pipelines.
El bloc de notas con IA que transcribe y organiza tus reuniones.
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.
Combina búsqueda vectorial y por palabras clave para mejorar la recuperación. Útil al implementar RAG, motores de búsqueda o cuando ningún enfoque solo basta.
Selecciona y optimiza modelos de embeddings para búsqueda semántica y aplicaciones RAG, incluyendo estrategias de chunking y ajuste por dominio.
Mostrando los primeros 96 de 263. Ver todo.