使用多种特征提取器和预构建数据集的分子机器学习。当您需要丰富的特征提取选项和MoleculeNet基准时，可将其用于性质预测（如ADMET、毒性）与传统机器学习或图神经网络（GNN）结合使用。最适合使用预训练模型和多样分子表示进行快速实验。对于以图为主的PyTorch工作流程，请使用torchdrug；对于基准数据集，请使用pytdc。

用于科学研究辅助的多智能体AI系统，可自动化从数据分析到论文发表的研究流程。当需要从数据集中生成研究想法、开发研究方法、执行计算实验、进行文献检索或生成符合发表要求的LaTeX格式论文时，应使用此功能。支持端到端研究流程，并提供可自定义的智能体编排。

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。

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。

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。