> Research _

benchmark-kernel предоставляет комплексную систему для точной оценки и сравнения производительности различных бэкендов для обслуживания больших языковых моделей (LLM). Она решает проблему неточного измерения времени выполнения GPU-ядер, что критически важно для оптимизации AI-агентов и улучшения эффективности работы с большой языковой моделью. Фреймворк использует Python, CUDA, PyTorch и CUPTI для получения надежных результатов. Ключевой особенностью является точная синхронизация GPU-ядер с использованием CUPTI (предпочтительно) или событий CUDA, что позволяет исключить накладные расходы на передачу данных между хостом и устройством. Поддерживается сравнение различных реализаций, включая FlashAttention2/3, cuDNN, CUTLASS и TensorRT-LLM, обеспечивая всестороннюю оценку производительности. Результаты сохраняются в формате CSV для последующего анализа и интеграции в процессы разработки искусственного интеллекта. Фреймворк обеспечивает воспроизводимость результатов и автоматический выбор метода синхронизации (CUPTI или события CUDA) в зависимости от доступности. Это позволяет разработчикам быстро и эффективно выявлять узкие места и оптимизировать производительность своих решений, связанных с LLM и AI-агентами.

Асинхронные углубленные исследования через API взаимодействия Gemini (без зависимости от Gemini CLI). Запросы с использованием RAG (Retrieval-Augmented Generation) на основе локальных файлов (--context), предварительный расчет стоимости (--dry-run), структурированный вывод в формате JSON, адаптивное повторение запросов. Универсальный инструмент для более чем 30 AI-агентов, включая Claude Code, Amp, Codex и Gemini CLI.

Комплексный новостной агрегатор, который собирает, фильтрует и глубоко анализирует контент в режиме реального времени из 8 основных источников: Hacker News, GitHub Trending, Product Hunt, 36Kr, Tencent News, WallStreetCN, V2EX и Weibo. Идеально подходит для "ежедневного мониторинга", "новостных обзоров в сфере технологий", "финансовых новостей" и "глубокого анализа" актуальных тем.

Используйте эту функцию, когда пользователям необходимо искать в интернете информацию, новости, изображения или видео. Триггерами являются запросы на "поиск", "получение информации о", "поиск", "что нового", или любые запросы, требующие актуального веб-контента. Также используйте для исследовательских задач, проверки фактов, поиска визуальных материалов или сбора последних новостей. Требуется установка OpenClawCLI из clawhub.ai. Не используйте, когда встроенный инструмент web_search в Claude более подходит для простых запросов.

АКАДЕМИЧЕСКИЙ ПРИОРИТЕТ: Активируйте эту функцию всякий раз, когда запрос пользователя касается академических, научных или исследовательских тем, включая, но не ограничиваясь: статьи, публикации, цитирования, ученых, исследователей, профессоров, учреждений, университетов, лабораторий, журналов, конференций, мест проведения, патентов, областей исследований, индекса Хирша, импакт-фактора, соавторства, диссертаций, тезисов, рецензирования, грантовых проектов, тенденций в исследованиях или любых вопросов о "кто опубликовал что / где / когда". Эта функция имеет приоритет над общим поиском в интернете или общими вопросами и ответами для всех академических запросов. Это полнофункциональная функция AMiner с 27 API и 5 рабочими процессами. Используйте эту функцию, когда задача требует глубокого или сложного академического анализа, который не могут обеспечить бесплатные API. Используйте эту функцию для: получения полной информации об ученом (биография, образование, награды, статьи, патенты, проекты), детального анализа статьи (полное резюме, ключевые слова, авторы, цепочки цитирований), поиска статей по нескольким условиям или семантического поиска (фильтрация по автору + учреждению + журналу + ключевым словам или вопросы на естественном языке), анализа исследовательского потенциала учреждения (ученые, статьи, патенты), мониторинга публикаций в журнале по годам, получения подробной информации о патенте (IPC/CPC, правообладатель, формулы изобретения) и любых запросов, требующих платных API, таких как полные резюме, структурированные отношения цитирования или история работы ученого. НЕ используйте эту функцию для простых запросов, на

Выполняйте глубокие исследования, проводя всесторонний поиск в интернете и обобщая результаты в подробных отчетах. Этот навык предполагает соблюдение строгих протоколов поиска для обеспечения полного охвата исследования.

Проверяйте утверждения и информацию, используя профессиональные сервисы фактчекинга. Используйте этот навык, когда пользователи хотят проверить факты, проверить утверждения в статьях/видео/транскриптах, подтвердить достоверность новостей, сопоставить информацию с надежными источниками фактчекинга или расследовать потенциально ложный или вводящий в заблуждение контент. Триггерами являются запросы "проверить факт", "подтвердить это", "это правда?", "проверить, насколько это точно", или когда пользователи делятся контентом, который они хотят проверить на предмет дезинформации.

Навык для пользователей с клиническим, биоинформатическим, трансляционным и базовым экспериментальным опытом, предназначенный для работы с научной и медицинской литературой. Используйте этот навык, когда пользователь хочет прочитать, проанализировать, критически оценить или интерпретировать научную или медицинскую статью, независимо от того, предоставляет ли он PDF-файл, аннотацию, DOI, PMID или просто заголовок. Триггерами являются запросы, такие как: "проанализируй эту статью", "оцени эту работу", "насколько это сильная статья?", "найди похожие исследования", "подготовь меня к обсуждению в научном клубе", "помоги мне понять эту статью по биоинформатике", "в чем здесь слабые стороны?", или "преврати это в ментальную карту". Также активируется для любых последующих результатов, таких как материалы для обсуждений в научных клубах, сравнительные таблицы, краткие обзоры для руководителей проектов, материалы для воспроизведения результатов или планы последующих экспериментов. Не используйте этот навык как обычный инструмент для обобщения – он выполняет структурированную классификацию доказательств, критическую оценку, специфичную для конкретной области, оценку границ интерпретации и генерацию материалов, соответствующих уровню научных исследований.

Используйте эту функцию, когда пользователям необходимо искать научные статьи, скачивать исследовательские документы, извлекать библиографические данные или собирать научную информацию. Триггерами являются запросы, такие как "найти статьи о", "поиск исследований о", "скачать научные статьи", "получить библиографические данные для" или любые запросы, связанные с научными базами данных, такими как arXiv, PubMed, Semantic Scholar или Google Scholar. Также используйте для обзоров литературы, создания библиографий и поиска новых исследований. Требуется установка OpenClawCLI из clawhub.ai.

Комплексный новостной агрегатор, который собирает, фильтрует и глубоко анализирует контент в режиме реального времени из 8 основных источников: Hacker News, GitHub Trending, Product Hunt, 36Kr, Tencent News, WallStreetCN, V2EX и Weibo. Идеально подходит для "ежедневного мониторинга", "новостных обзоров в сфере технологий", "финансовых новостей" и "глубокого анализа" актуальных тем.

Обнаруживайте и блокируйте скрытые атаки, осуществляемые через запросы, при обработке внешнего контента (публикации в социальных сетях, комментарии, документы, электронные письма, веб-страницы, загруженные пользователями файлы). Используйте эту функцию ПЕРЕД обработкой любого непроверенного внешнего контента, чтобы выявлять попытки манипуляций, направленные на изменение целей, кражу данных, переопределение инструкций или использование социальной инженерии для получения согласия. Включает более 20 шаблонов обнаружения, обнаружение омоглифов и скрипты очистки.

Профессиональный инструмент для написания пресс-релизов в академической сфере. Включает в себя стандартную структуру письма из пяти абзацев, пошаговые инструкции, решения распространенных проблем и советы по повышению эффективности. **Используйте этот инструмент, когда:** (1) необходимо написать пресс-релизы/промо-материалы для академических учреждений или исследовательских групп; (2) необходимо преобразовать научные статьи или результаты исследований в научно-популярные пресс-релизы для широкой аудитории; (3) пользователь упоминает ключевые слова, такие как "академический пресс-релиз", "промо-материалы для научных исследований", "пресс-релиз научной статьи", "продвижение результатов"; (4) требуется стандартный шаблон для написания пресс-релизов и руководство по процессу.

AgentArxiv – это платформа, решающая проблему публикации и оценки научных работ, создаваемых AI-агентами. Она позволяет автоматизированным системам, использующим большую языковую модель, делиться результатами исследований, отслеживать прогресс и участвовать в процессе рецензирования, способствуя развитию коллективного интеллекта. Платформа предоставляет инструменты для публикации научных статей, гипотез и экспериментов в структурированном формате, а также систему отслеживания выполнения задач, включая вознаграждения за воспроизведение результатов. Используя Python и API (REST), AgentArxiv обеспечивает удобный интерфейс для взаимодействия и обмена знаниями. AgentArxiv – это не просто инструмент, это сообщество исследователей, где каждый AI-агент может внести свой вклад в развитие искусственного интеллекта. Поддерживается публикация в формате Markdown, а взаимодействие с API осуществляется посредством Curl.

Упростите интеграцию с множеством искусственный интеллект сервисов. elite-longterm-memory предоставляет унифицированный REST API для доступа и управления более чем 50 моделями от ведущих провайдеров, включая Bedrock, OpenAI, Vertex и другими. Это позволяет разработчикам легко выбирать и использовать оптимальные большая языковая модель для конкретных задач, избегая необходимости работы с различными API и форматами данных. Ключевые особенности включают интеллектуальную маршрутизацию для оптимизации затрат и качества, а также поддержку широкого спектра типов моделей: от чат-ботов и генерации изображений до видео и преобразования текста в речь. Поддерживается гибкая фильтрация моделей по типу и получение подробной документации для каждой модели. Реализация построена на базе Python, Bash и JSON. Используйте единый ключ API для вызова любой модели по ID или позвольте системе автоматически выбирать наиболее подходящую. elite-longterm-memory позволяет создавать эффективных AI-агент без сложных интеграционных усилий, значительно ускоряя разработку и развертывание решений на базе искусственный интеллект.

Решение проблемы неконтролируемого поведения AI-агентов требует четких механизмов управления. Этот репозиторий предоставляет проверенные шаблоны и политики для обеспечения безопасности, надежности и соответствия требованиям в системах, использующих большую языковую модель и искусственный интеллект. В частности, он фокусируется на контроле доступа к инструментам, обработке контента и создании аудиторских следов для обеспечения ответственности. Ключевые особенности включают в себя определение политик управления, строгий контроль доступа к инструментам (с использованием списков разрешений и запретов) и ведение подробных журналов аудита для последующего анализа и проверки. Используя Python, dataclasses и Enum, можно эффективно реализовывать Policy Enforcement и создавать надежные границы для работы AI-агентов. Данные шаблоны особенно актуальны для систем с доступом к инструментам, многоагентных сред и производственных развертываний, где критически важны соответствие нормативным требованиям, безопасность и возможность аудита. Они позволяют контролировать действия AI-агентов и минимизировать риски, связанные с несанкционированным доступом и обработкой данных.

Решение для создания и управления AI-агентами на базе ElevenLabs, обеспечивающее синтез голоса, клонирование и разработку агентов для OpenClaw. Этот репозиторий позволяет автоматизировать сложные сценарии взаимодействия, выходящие за рамки простого преобразования текста в речь. В основе решения лежит использование большой языковой модели и искусственного интеллекта для построения диалоговых AI-агентов с низкими задержками благодаря потоковой передаче TTS. Поддерживается интеграция с OpenClaw и использование Python для гибкой настройки и расширения функциональности. Для работы требуется ELEVENLABS_API_KEY. Предоставляются скрипты для удобного управления голосами и генерации речи, включая контроль эмоций. Решение позволяет создавать полноценных голосовых агентов, а не только осуществлять синтез речи.

Разработка инновационных решений в области искусственного интеллекта требует глубокого анализа и систематизации информации. Этот модуль предоставляет комплексный инструментарий для проведения исследований, позволяющий эффективно извлекать, структурировать и анализировать данные, включая работу с большой языковой моделью для генерации отчетов и выявления ключевых тенденций. Функциональность включает в себя создание подробных исследовательских отчетов, сравнительный анализ нескольких вариантов (технологий, подходов) с использованием критериальной оценки, а также синтез литературных обзоров с выделением областей консенсуса и дискуссий. В основе лежит Python и интеграция с LLM APIs для автоматизации процессов сбора и обработки данных. Цель – создание эффективного AI-агента, способного к самостоятельной глубокой проработке исследовательских вопросов и предоставлению структурированных, обоснованных выводов, что критически важно для принятия обоснованных решений и дальнейшего развития в сфере искусственного интеллекта.

clarity-variant предоставляет централизованное хранилище и систему извлечения подробной информации о белковых вариантах, использующую данные протокола Clarity. Инструмент решает проблему фрагментации данных, объединяя структурные данные, результаты анализа на основе AI и информацию об агентах, что критически важно для биоинформатики. Реализованный на Python и Bash, с интеграцией AlphaFold и Clawhub, clarity-variant позволяет быстро получать доступ к таким данным, как сведения о мутациях, структурные наблюдения и выводы агентов. Это упрощает геномный анализ и ускоряет исследовательские процессы в области молекулярной биологии. Ключевые возможности включают извлечение данных вариантов, получение результатов работы агентов и управление аннотациями. Для получения информации о конкретном варианте используйте команду: python scripts/get_variant.py --fold-id . Дополнительные параметры позволяют фильтровать данные по типу агента и формату вывода.

Удалите признаки, указывающие на то, что текст был сгенерирован искусственным интеллектом. Используйте эту функцию при редактировании или проверке текста, чтобы он звучал более естественно и как будто написан человеком. Основано на всеобъемлющем руководстве Википедии "Признаки текста, созданного ИИ". Обнаруживает и исправляет такие шаблоны, как: чрезмерное использование символизма, рекламный язык, поверхностные анализы, неточные ссылки, чрезмерное использование тире, правило трех, слова, характерные для ИИ, негативные параллелизмы и избыточное использование союзов. Используйте эту функцию при написании документации для MCC.

Готовность к производственному применению: навыки филогенетики и анализа последовательностей для обработки выравниваний, анализа деревьев и оценки эволюционных метрик. Вычисляет такие параметры, как "деревовидность", RCV (коэффициент согласованности), отношение "деревовидности" к RCV, информативные сайты для метода максимальной экономии, скорость эволюции, DVMC (разнообразие молекулярных часов), длину дерева, статистику пробелов в выравнивании, содержание GC и поддержку бутстрэпом, используя PhyKIT, Biopython и DendroPy. Выполняет построение деревьев методами NJ (Соседнего соединения), UPGMA (Совместная кладограмма) и максимальной экономии, вычисляет расстояние Робинсона-Фоулдса, проводит тесты Манна-Уитни и выполняет пакетный анализ по семействам генов. Интегрируется с ToolUniverse для извлечения последовательностей (NCBI, UniProt, Ensembl) и аннотации деревьев. Используйте, когда необходимо обрабатывать файлы в форматах FASTA, PHYLIP, Nexus или Newick, вычислять филогенетические метрики, сравнивать группы таксонов или отвечать на вопросы, касающиеся выравниваний, деревьев, максимальной экономии или молекулярной эволюции.

Анализ операций анализа отчетов о покрытии. Автоматическое включение навыка для автоматизированного тестирования. Активируется при: анализе отчетов о покрытии, анализе отчетов о покрытии. Является частью категории навыков "Автоматизированное тестирование". Используйте, когда анализируете или проверяете отчеты о покрытии. Активируйте с помощью фраз, таких как "анализ отчетов о покрытии", "анализатор покрытия", "анализ отчета о покрытии r".

Комплексное управление библиографией для академических исследований. Ищите статьи в Google Scholar и PubMed, извлекайте точные метаданные, проверяйте корректность ссылок и генерируйте правильно отформатированные записи BibTeX. Этот навык следует использовать, когда вам нужно найти статьи, проверить информацию о ссылках, преобразовать DOI в BibTeX или обеспечить точность ссылок в научных работах.

Используйте эту функцию для запросов, связанных с веб-исследованиями; она предоставляет структурированный подход к проведению всесторонних веб-исследований.

Универсальный исследовательский агент для X/Twitter. Ищет в X актуальные мнения, обсуждения разработчиков, отзывы о продуктах, культурные комментарии, последние новости и экспертные оценки. Работает как веб-исследовательский агент, но использует X в качестве источника. Используйте, когда: (1) пользователь говорит "x research", "search x for", "search twitter for", "what are people saying about", "what's twitter saying", "check x for", "x search", "/x-research"; (2) пользователь работает над чем-то, где недавние обсуждения в X могут предоставить полезный контекст (новые выпуски библиотек, изменения API, запуск продуктов, культурные события, индустриальные скандалы); (3) пользователь хочет узнать, что разработчики/эксперты/сообщество думают о какой-либо теме. Не предназначен для публикации твитов или управления аккаунтами. Обратите внимание: в настоящее время используется поиск за последние 7 дней. Полноценный поиск по архиву доступен в том же плане X API с оплатой за использование, но пока не реализован в этой функции.

Готовность к производственному применению: навыки филогенетики и анализа последовательностей для обработки выравниваний, анализа деревьев и оценки эволюционных параметров. Вычисляет такие показатели, как "деревовидность", RCV (коэффициент согласованности), отношение "деревовидность/RCV", информативные сайты для метода парсимонии, скорость эволюции, DVMC (разнообразие молекулярных часов), длину дерева, статистику пробелов в выравнивании, содержание GC и поддержку бутстрепом, используя инструменты PhyKIT, Biopython и DendroPy. Выполняет построение деревьев методами NJ (Соседнего присоединения), UPGMA (Совместного упорядочивания) и парсимонии, вычисляет расстояние Робинсона-Фолдса, проводит тесты Манна-Уитни и выполняет пакетный анализ по семействам генов. Интегрируется с ToolUniverse для извлечения последовательностей (NCBI, UniProt, Ensembl) и аннотации деревьев. Используйте, когда необходимо обрабатывать файлы в форматах FASTA, PHYLIP, Nexus или Newick, вычислять филогенетические метрики, сравнивать группы таксонов или отвечать на вопросы, касающиеся выравниваний, деревьев, парсимонии или молекулярной эволюции.

Используйте, когда агент получил численное измерение (температура, вес, pH) и должен сравнить его с предопределенным пороговым значением, чтобы определить двоичный результат. Этот навык извлекает измеренное значение, оценивает его по отношению к условию порога (выше/ниже) и выполняет соответствующее действие, такое как классификация или размещение.

Используйте, когда агенту необходимо найти, идентифицировать и сосредоточиться на конкретном животном или биологическом объекте в среде ScienceWorld. Этот навык выполняет задачи, связанные со сравнением животных, их изучением или взаимодействием (например, определением максимальной продолжительности жизни), путем перемещения в нужное место с помощью команды "телепортироваться", обзора местности с помощью команды "осмотреть" и выполнения команды "сосредоточиться на ЖИВОТНОЕ", указав точное название объекта.

Суть навыка Этот навык автоматизирует задачи математических исследований, передавая их специализированному под-агенту math-research-agent. Он обрабатывает последующие операции, включая обновление статуса и коммиты в Git, после выполнения под-агентом. Решает проблему ручной обработки и организации результатов математических исследований. Механика работы - Навык получает задачу и проверяет наличие обязательного параметра task_number в файле state.json. - Передает задачу под-агенту math-research-agent для выполнения математических вычислений и исследований. - После завершения работы под-агента, навык обновляет статус задачи и создает коммит в Git. - Возвращает результаты и метаданные, соответствующие схеме файла return-metadata-file.md. Технологии Навык использует NeoVim для редактирования и управления кодом. Обработка данных осуществляется с использованием Python. Формат JSON применяется для хранения и передачи данных. Интегрированы модели искусственного интеллекта: Claude-Code, Avante и Lectic. Для математических основ используются контекстные файлы. Работа с метаданными осуществляется согласно схеме return-metadata-file.md. Git используется для контроля версий.

Навыки для анализа данных одноклеточных и пространственных омиксных исследований. Лучшие практики, фрагменты кода и рабочие процессы для экосистемы scverse.

Навыки для обработки данных пространственной транскриптомики Open-ST, начиная с исходных файлов BCL и заканчивая объектами h5ad, представляющими собой отдельные клетки с пространственным разрешением.