具备全面的 Markdown 和 Mermaid 图表编写能力，适用于创建任何科学文档、报告、分析或可视化内容。以文本化图表为默认文档标准，提供完整的样式指南（Markdown + Mermaid）、24 种图表类型参考及 9 种文档模板。

将文件和办公文档转换为 Markdown。支持 PDF、DOCX、PPTX、XLSX、图片（含 OCR）、音频（含转录）、HTML、CSV、JSON、XML、ZIP、YouTube 链接、EPub 等格式。

Google NotebookLM 的自托管开源替代品，支持AI驱动的研究与文档分析。适用于将研究资料整理成笔记本、导入多种内容来源（PDF、视频、音频、网页、Office文档），生成AI驱动的笔记与摘要，从研究内容创建多说话者播客，通过上下文感知AI与文档对话，利用全文和向量搜索跨材料检索，或运行自定义内容转换。支持包括OpenAI、Anthropic、Google、Ollama、Groq和Mistral在内的16种以上AI服务商，并通过自托管确保完全的数据隐私。

与 protocols.io API 集成，用于管理科学实验方案。当需要与 protocols.io 配合进行方案搜索、创建、更新或发布，管理方案步骤与材料，处理讨论与评论，组织工作区，上传与管理文件，或将 protocols.io 功能整合到工作流程中时，请使用此技能。适用于方案发现、协作式方案开发、实验跟踪、实验室方案管理及科学文档管理。

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。

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。

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。

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。