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。

提供生产就绪的强化学习算法（PPO、SAC、DQN、TD3、DDPG、A2C），采用类似 scikit-learn 的 API，适用于标准强化学习实验、快速原型开发和文档完善的算法实现。最适合单智能体与 Gymnasium 环境结合使用。如需高性能并行训练、多智能体系统或自定义向量化环境，请改用 pufferlib。

提供指导性的统计分析，包括测试选择与结果报告。适用于需要帮助选择适合的数据检验方法、检验假设、功效分析以及APA格式结果输出的场景，最适合学术研究结果报告和测试选择指导。如需编程实现特定模型，请使用statsmodels。

Python 的统计模型库。当您需要特定模型类别（如 OLS、GLM、混合模型、ARIMA）并附带详细诊断、残差和推断时使用。最适合计量经济学、时间序列分析以及带有系数表格的严谨推断。如需在 APA 报告格式下进行引导式统计检验选择，请使用 statistical-analysis。

使用 TileDB 高效存储和检索基因组变异数据，支持可扩展的 VCF/BCF 数据导入、增量样本添加、压缩存储、并行查询以及群体基因组学的导出功能。

使用 Google 的 TimesFM 基础模型进行零样本时间序列预测。无需训练自定义模型，即可对任何单变量时间序列（如销售、传感器、能源、生命体征、天气）进行预测。支持 CSV/DataFrame/数组输入，提供点预测和预测区间。包含预运行系统检查脚本，可在首次使用前验证内存和 GPU 状态。

为所有临床专科生成简洁（3-4页）、聚焦的医疗治疗计划，支持通用医疗、康复治疗、心理健康、慢性病管理、围手术期护理和疼痛管理。包含SMART目标框架、基于证据的干预措施（引用最少）、符合HIPAA法规要求及专业排版，注重简洁性与临床可操作性。

获取主要科学出版平台（如《自然》、《科学》、PLOS、IEEE、ACM）、学术会议（如NeurIPS、ICML、CVPR、CHI）、研究展板及基金申请（如NSF、NIH、DOE、DARPA）的完整LaTeX模板、格式要求和投稿指南。当准备期刊投稿论文、会议论文、研究展板或基金申请时，如需遵循特定投稿平台的格式要求和模板，应使用此技能。