对任何问题（技术或非技术）进行严格的对抗性分析，以生成、评估、修复和整合解决方案。适用于需要彻底分析、多种解决方案及在实施前验证修复措施的复杂问题。

直接通过 REST API 访问 PubMed。支持高级布尔/MeSH 查询、E-utilities API、批量处理和引文管理。适用于 Python 工作流时，建议使用 BioPython（Bio.Entrez）。本工具适用于直接的 HTTP/REST 操作或自定义 API 实现。

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。

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。

使用scikit-survival库在Python中进行生存分析和事件发生时间建模的综合工具包。当处理删失生存数据、执行事件发生时间分析、拟合Cox模型、随机生存森林、梯度提升模型或生存支持向量机、使用一致性指数或Brier评分评估生存预测、处理竞争风险，或使用scikit-survival库实现任何生存分析流程时，请使用此技能。