为NSF、NIH、DOE、DARPA和台湾NSTC撰写具有竞争力的研究提案，涵盖机构特定的格式要求、评审标准、预算编制、广泛影响、重要性陈述、创新叙述以及符合提交要求。

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。

用于单细胞组学的深度生成模型。当需要概率性批次校正（scVI）、迁移学习、带不确定性差异表达分析或多模态整合（TOTALVI、MultiVI）时使用。最适合高级建模、批次效应和多模态数据。标准分析流程请使用scanpy。

集成 pandas 的统计可视化工具，适用于快速探索分布、关系和分类比较，具备美观的默认设置。最适合绘制箱线图、小提琴图、配对图和热力图。基于 matplotlib 构建。如需交互式图表，请使用 plotly；如需出版级样式，请使用 scientific-visualization。

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。

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。