通过 LiteLLM 和 OpenRouter 使用 Perplexity 模型进行基于实时信息的 AI 驱动网页搜索。此功能适用于查找当前信息、检索近期科学文献、获取带有来源引用的可靠答案，或访问超出模型知识截止日期之外的信息。通过单一的 OpenRouter API 密钥，即可访问多个 Perplexity 模型，包括 Sonar Pro、Sonar Pro Search（高级代理搜索）和 Sonar Reasoning Pro。
只要涉及 .pptx 文件，无论作为输入、输出或两者兼有，均使用此技能。包括：创建幻灯片、推介演示文稿或演讲稿；读取、解析或从任何 .pptx 文件中提取文本（即使提取的内容将用于其他地方，如邮件或摘要）；编辑、修改或更新现有演示文稿；合并或拆分幻灯片文件；使用模板、版式、演讲者备注或批注。只要用户提及“演示文稿”、“幻灯片”、“演示”或提及任何 .pptx 文件名，无论其后续如何使用内容，均触发此技能。若需打开、创建或操作任何 .pptx 文件，请使用此技能。
专为速度和扩展性优化的高性能强化学习框架。当您需要快速并行训练、向量化环境、多智能体系统或与游戏环境（Atari、Procgen、NetHack）集成时，请使用本框架。相比标准实现，速度提升可达2至10倍。如需快速原型设计或需要详尽文档的标准算法实现，请改用stable-baselines3。
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。
使用 PyMC 进行贝叶斯建模：构建分层模型、MCMC（NUTS）、变分推断、LOO/WAIC 比较、后验检验，用于概率编程与推断。
多目标优化框架。NSGA-II、NSGA-III、MOEA/D、帕累托前沿、约束处理、基准测试（ZDT、DTLZ），适用于工程设计与优化问题。
治疗数据commons：AI就绪的药物发现数据集（ADME、毒性、DTI）、基准测试、骨架拆分、分子预测模型，用于治疗学机器学习和药理预测。
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。