使用ScholarEval框架系统性地评估学术成果，从问题提出、方法论、分析和写作等研究质量维度进行结构化评估，并提供量化评分和可操作的反馈意见。

创意研究构想与探索。适用于开放式头脑风暴、探索跨学科联系、质疑假设或识别研究空白。最适合在尚未有具体观察结果的早期研究规划阶段使用。如需根据数据生成可检验的假设，请使用假设生成。

评估科学主张和证据质量，用于评估实验设计的有效性、识别偏倚和混杂因素、应用证据分级框架（如GRADE、Cochrane偏倚风险评估）或教授批判性分析。适用于理解证据质量、发现缺陷。正式的同行评审撰写请使用“同行评审”功能。

使用 Nano Banana 2 AI 创建符合出版标准的科学图表，具备智能迭代优化功能。采用 Gemini 3.1 Pro 预览版进行质量审核，仅当图表质量低于您文档类型的阈值时才重新生成。专精于神经网络架构、系统图、流程图、生物通路及复杂的科学可视化。

为科研报告制作幻灯片和演示文稿。适用于制作PowerPoint幻灯片、会议报告、研讨会演讲、研究展示、论文答辩幻灯片或任何科学演讲。提供幻灯片结构、设计模板、时间安排指导和视觉验证功能，兼容PowerPoint和LaTeX Beamer。

适用于生成期刊投稿级图表的元技能。适用于需要多面板布局、显著性标注、误差条、色盲友好配色方案以及特定期刊格式（如《自然》《科学》《细胞》）的图表制作，可协调使用 matplotlib、seaborn 或 plotly 以符合出版样式。如需快速探索，可直接使用 seaborn 或 plotly。

深度研究与写作工具的核心技能：以完整段落形式撰写科学论文（严禁使用项目符号）。采用两阶段流程：（1）通过研究检索制作各部分提纲并列出关键点；（2）将提纲转化为连贯流畅的正文。遵循IMRAD结构，引用格式支持APA/AMA/Vancouver，包含图表，符合CONSORT/STROBE/PRISMA等报告规范，适用于研究论文及期刊投稿。

使用 scikit-learn 在 Python 中进行机器学习。适用于处理监督学习（分类、回归）、无监督学习（聚类、降维）、模型评估、超参数调优、数据预处理或构建机器学习流水线。提供算法、预处理技术、流水线和最佳实践的全面参考文档。

生物数据工具包。用于微生物组分析的序列分析、比对、系统发育树、多样性指标（α/β、UniFrac）、排序（PCoA）、PERMANOVA、FASTA/Newick 输入/输出。