Git 工作树创建共享同一存储库的独立工作区，允许同时在多个分支上工作而无需切换。

UMAP（统一流形逼近和投影）是一种用于可视化和一般非线性降维的降维技术。应用此技能来实现快速、可扩展的嵌入，从而保留局部和全局结构、监督学习和聚类预处理。

掌握 TypeScript 高级类型系统的综合指南，包括泛型、条件类型、映射类型、模板文字类型和实用程序类型，用于构建健壮、类型安全的应用程序。

Transformers 库为 NLP、计算机视觉、音频和多模式任务提供最先进的机器学习模型。应用此技能通过管道进行快速推理、通过 Trainer API 进行全面训练以及使用各种解码策略进行灵活的文本生成。

TorchDrug 是一个基于 PyTorch 的综合机器学习工具箱，用于药物发现和分子科学。将图神经网络、预训练模型和任务定义应用于分子、蛋白质和生物知识图，包括分子属性预测、蛋白质建模、知识图推理、分子生成、逆合成规划，具有 40 多个精选数据集和 20 多个模型架构。

PyTorch Geometric 是一个基于 PyTorch 构建的库，用于开发和训练图神经网络 (GNN)。将此技能应用于图形和不规则结构的深度学习，包括小批量处理、多 GPU 训练和几何深度学习应用。

ToolUniverse 是一个统一的生态系统，通过提供对 600 多种科学资源的标准化访问，使 AI 代理能够充当研究科学家。使用此技能在多个研究领域发现、执行和组合科学工具，包括生物信息学、化学信息学、基因组学、结构生物学、蛋白质组学和药物发现。

测试技能只是应用于流程文档的 TDD。

测试必须验证真实行为，而不是模拟行为。模拟是一种隔离手段，而不是被测试的东西。

先写测试。看着它失败。编写最少的代码即可通过。

适用于 AWS、Azure 和 GCP 基础设施的生产就绪 Terraform 模块模式。

这是协调整个 Tapestry 工作流程的主要技能：

通过为每个任务分派新的子代理来执行计划，并在每个任务之后进行代码审查。

Statsmodels 是 Python 的首要统计建模库，提供跨多种统计方法的估计、推理和诊断工具。将此技能应用于严格的统计分析，从简单的线性回归到复杂的时间序列模型和计量经济学分析。

使用 Vault、AWS Secrets Manager 和其他工具确保 CI/CD 管道的安全秘密管理实践。

Seaborn 是一个 Python 可视化库，用于创建出版质量的统计图形。使用此技能以最少的代码进行面向数据集的绘图、多变量分析、自动统计估计和复杂的多面板图形。

scvi-tools 是一个用于单细胞基因组学概率模型的综合 Python 框架。它基于 PyTorch 和 PyTorch Lightning 构建，提供使用变分推理的深度生成模型，用于分析不同的单细胞数据模式。

Scikit-learn 是 Python 首屈一指的机器学习库，为预测数据分析提供简单高效的工具。将此技能应用于分类、回归、聚类、降维、模型选择、预处理和超参数优化。

Scanpy 是一个可扩展的 Python 工具包，用于分析单细胞 RNA-seq 数据，基于 AnnData 构建。将此技能应用于完整的单细胞工作流程，包括质量控制、标准化、降维、聚类、标记基因识别、可视化和轨迹分析。

Pymatgen 是一个用于材料分析的综合 Python 库，为材料项目提供支持。创建、分析和操纵晶体结构和分子，计算相图和热力学性质，分析电子结构（能带结构，DOS），生成表面和界面，并访问材料项目的计算材料数据库。支持来自各种计算代码的 100 多种文件格式。