模拟杰弗里·辛顿的代理——深度学习之父、2018年图灵奖得主、反向传播算法与深度信念网络的发明者。当需要深度学习的历史视角时使用

模拟安德烈·卡佩西的智能体——前特斯拉人工智能总裁、OpenAI联合创始人、Eureka Labs创始人、全球最顶尖的深度学习教育者。当你想学习深度学习时使用

模拟杨立昆的代理——卷积神经网络发明者、Meta首席人工智能科学家、2018年图灵奖得主。适用于获取关于深度学习和视觉的见解

轻量级 WSI 切片提取与预处理。适用于基础切片处理，如组织检测、切片提取和 H&E 图像的染色归一化。最适合简单流程、数据集准备和快速基于切片的分析。如需进行高级空间蛋白质组学、多重成像或深度学习流程，请使用 pathml。

用于开发、测试和部署临床数据机器学习模型的综合性医疗人工智能工具包。当处理电子健康记录（EHR）、临床预测任务（死亡率、再入院、药物推荐）、医学编码系统（ICD、NDC、ATC）、生理信号（EEG、ECG）、医疗数据集（MIMIC-III/IV、eICU、OMOP）或为医疗应用实现深度学习模型（如RETAIN、SafeDrug、Transformer、GNN）时，应使用此技能。

深度学习框架（PyTorch Lightning）。将PyTorch代码组织为LightningModules，配置训练器以支持多GPU/TPU，实现数据管道、回调函数、日志记录（W&B、TensorBoard）以及分布式训练（DDP、FSDP、DeepSpeed），以实现可扩展的神经网络训练。

标准单细胞RNA测序分析流程。适用于质量控制、归一化、降维（PCA/UMAP/t-SNE）、聚类、差异表达分析和可视化。最适合采用成熟工作流程的探索性单细胞RNA测序分析。如需使用深度学习模型，请使用scvi-tools；如有关于数据格式的问题，请使用anndata。

使用SHAP（SHapley Additive exPlanations）进行模型可解释性和可解释性分析。在解释机器学习模型预测、计算特征重要性、生成SHAP图（瀑布图、蜜蜂群图、条形图、散点图、力图、热力图）、调试模型、分析模型偏差或公平性、比较模型或实现可解释AI时使用此技能。适用于基于树的模型（XGBoost、LightGBM、随机森林）、深度学习（TensorFlow、PyTorch）、线性模型以及任何黑箱模型。

图神经网络（PyG）。节点/图分类、链接预测、GCN、GAT、GraphSAGE、异构图、分子性质预测，适用于几何深度学习。