Claude Scientific Skills 技能汇总（水文学研究·精简版）

针对用户方向： 水文学研究、数据分析、机器学习、写论文、写项目

评分说明：

★★★★★ 非常相关，强烈推荐
★★★★☆ 很相关，推荐
★★★☆☆ 有一定相关性

技能列表（共 61 个）

A-B

技能名	推荐度	中文名称/描述
aeon	★★★★☆	时间序列机器学习工具，支持分类、回归、聚类、预测、异常检测、分割和相似性搜索。水文时间序列预测很有用

C

技能名	推荐度	中文名称/描述
citation-management	★★★★★	学术研究综合文献管理。搜索 Google Scholar 和 PubMed 论文、提取准确元数据、验证引用、生成 BibTeX 条目。写论文必备
csv-data-summarizer	★★★★★	分析 CSV 文件，生成统计摘要和可视化。使用 Python 和 pandas 进行数据分析和快速绘图。水文数据分析必备

D

技能名	推荐度	中文名称/描述
dask	★★★★★	用于超越内存或跨集群的 pandas/NumPy 工作流的分布式计算。适合并行文件处理、分布式 ML。处理长期水文数据序列必备
datacommons-client	★★★☆☆	使用 Data Commons 平台，提供对全球公共统计数据的程序化访问。处理人口统计数据、经济指标、健康统计、环境数据。环境统计数据、水资源经济评估有用
denario	★★★☆☆	用于科学研究辅助的多智能体 AI 系统，自动化从数据分析到发表的研究工作流。AI 研究助手
docx	★★☆☆☆	综合文档创建、编辑和分析。支持格式化、样式、表格、图片等。Word 文档处理。已有 scientific-writing，备用

E-F

技能名	推荐度	中文名称/描述
exploratory-data-analysis	★★★★★	对 200+ 文件格式的科学数据文件进行综合探索性数据分析。自动检测文件类型并生成详细报告。水文数据分析必备
file-organizer	★★★☆☆	智能文件组织整理。理解上下文、查找重复项、建议更好的结构、自动化清理任务。整理大量水文数据文件有用
fluidsim	★★★☆☆	使用 Python 进行计算流体力学模拟的框架。运行流体动力学模拟，包括 Navier-Stokes 方程、浅水方程、分层流动。水文流体模拟相关
fred-economic-data	★★★☆☆	查询 FRED(美联储经济数据)API，获取 100+ 来源的 80 万+ 经济时间系列。访问 GDP、失业率、通货膨胀、利率等。水资源经济研究、水价评估有用

G

技能名	推荐度	中文名称/描述
generate-image	★★★☆☆	使用 AI 模型(FLUX、Gemini)生成或编辑图像。用于通用图像生成，包括照片、插图、艺术品、视觉资产。生成演示图片可能有用
geopandas	★★★★★	用于处理地理空间矢量数据的 Python 库，包括 shapefiles、GeoJSON 和 GeoPackage 文件。用于空间分析、几何操作、坐标转换。流域地理空间数据处理必备
get-available-resources	★★★★☆	在任何计算密集型科学任务开始时检测和报告可用系统资源(CPU 核心、GPU、内存、磁盘空间)。运行数值模型前很有用

H

技能名	推荐度	中文名称/描述
hypogenic	★★★☆☆	在表格数据集上进行自动化 LLM 驱动的假设生成和测试。系统地探索关于经验数据模式的假设。探索水文数据规律可能有用
hypothesis-generation	★★★★☆	从观察中结构化地制定假设。当您有实验观察或数据并需要制定可测试的假设、预测机制和设计实验时使用。科学假设制定

L

技能名	推荐度	中文名称/描述
latex-posters	★★★★☆	使用 LaTeX(beamerposter、tikzposter、baposter)创建专业研究海报。学术会议必备

M

技能名	推荐度	中文名称/描述
literature-review	★★★★★	使用多个学术数据库(PubMed、arXiv、bioRxiv、Semantic Scholar 等)进行综合系统文献综述。写论文必备
market-research-reports	★★★☆☆	以顶级咨询公司(McKinsey、BCG、Gartner)的风格生成综合市场研究报告(50+ 页)。写项目书、政策报告的模板和框架很有用
markitdown	★★★☆☆	将文件和办公文档转换为 Markdown。支持 PDF、DOCX、PPTX、XLSX、图像(OCR)、音频(转录)、HTML 等。文档转换工具
matlab	★★★★☆	MATLAB 和 GNU Octave 数值计算，用于矩阵运算、数据分析、可视化和科学计算。数值模型常用
matplotlib	★★★★★	用于完全自定义的低级绘图库。当您需要对每个绘图元素进行细粒度控制时使用。绘图必备
modal	★★★★☆	在云中运行 Python 代码，具有无服务器容器、GPU 和自动扩展。用于部署 ML 模型、运行批处理作业。云端运行数值模型

O

技能名	推荐度	中文名称/描述
openalex-database	★★★★☆	使用 OpenAlex 数据库查询和分析学术文献。搜索学术论文、分析研究趋势、查找作者/机构作品。跨学科文献搜索

P

技能名	推荐度	中文名称/描述
paper-2-web	★★★☆☆	将学术论文转换为推广和演示格式，包括交互式网站(Paper2Web)、演示视频(Paper2Video)和会议海报(Paper2Poster)。论文展示可能有用
pdf	★★★☆☆	综合的 PDF 操作工具包。提取文本和表格、创建新 PDF、合并/拆分文档、处理表单。处理论文、报告有用
peer-review	★★★☆☆	具有基于清单评估的结构化手稿/资助审查。用于编写正式同行评审、方法学评估、统计有效性、报告标准合规性。审稿可能有用
perplexity-search	★★★★★	使用 Perplexity 模型通过 LiteLLM 和 OpenRouter 进行 AI 驱动的网络搜索。获取实时信息和来源引用。AI 搜索必备
plotly	★★★★★	交互式可视化库。当您需要悬停信息、缩放、平移或可嵌入网络的图表时使用。交互式图表必备
polars	★★★★★	适用于适合 RAM 的数据集的快速内存 DataFrame 库。当 pandas 太慢但数据仍适合内存时使用。快速处理水文数据
pptx	★★☆☆☆	创建和编辑 PowerPoint 演示文稿。支持布局、格式、图表、动画等。已有 latex-posters，备用
pptx-posters	★★☆☆☆	使用 HTML/CSS 创建可导出为 PDF 或 PPTX 的研究海报。仅当用户明确请求 PowerPoint/PPTX 海报格式时使用。
pubmed-database	★★☆☆☆	直接 REST API 访问 PubMed。高级布尔/MeSH 查询、E-utilities API、批处理、引用管理。医学文献，水文较少但可用
pymc	★★★★☆	使用 PyMC 进行贝叶斯建模。构建层次模型、MCMC(NUTS)、变分推断、LOO/WAIC 比较。贝叶斯水文建模很有用
pymoo	★★★★☆	多目标优化框架。NSGA-II、NSGA-III、MOEA/D、Pareto 前沿、约束处理。水文模型参数率定常用
pytorch-lightning	★★★★☆	深度学习框架(PyTorch Lightning)。将 PyTorch 代码组织成 LightningModules、配置多 GPU/TPU 的训练器。深度学习水文预测

R

技能名	推荐度	中文名称/描述
research-grants	★★★★★	为 NSF、NIH、DOE、DARPA 和台湾 NSTC 撰写有竞争力的研究提案。写项目书必备
research-lookup	★★★★★	使用 Perplexity Sonar Pro Search 或 Sonar Reasoning Pro 模型查找当前研究信息。文献查找必备

S

技能名	推荐度	中文名称/描述
scholar-evaluation	★★☆☆☆	使用 ScholarEval 框架系统评估学术作品，提供研究质量维度的结构化评估。学术评估可能有用
scientific-brainstorming	★★★★☆	创意研究构思和探索。用于开放式头脑风暴会议、探索跨学科联系、挑战假设。科研构思
scientific-critical-thinking	★★★★☆	评估科学主张和证据质量。用于评估实验设计有效性、识别偏差和混杂因素。批判性思维
scientific-schematics	★★★★☆	使用 Nano Banana Pro AI 创建出版质量的科学图表，具有智能迭代优化。专注于神经网络架构、系统图、流程图。绘制水文系统流程图
scientific-slides	★★★★★	为研究讲座构建幻灯片和演示文稿。制作 PowerPoint 幻灯片、会议演示、研讨会演讲。学术报告必备
scientific-visualization	★★★★★	用于出版就绪图形的元技能。创建需要多面板布局、显著性注释、误差线、色盲安全调色板的期刊提交图形。出版级图表必备
scientific-writing	★★★★★	深度研究和写作工具的核心技能。用完整段落(永远不要用项目符号)撰写科学手稿。IMRAD 结构、引用。论文写作核心
scikit-learn	★★★★★	使用 scikit-learn 进行 Python 机器学习。监督学习(分类、回归)、无监督学习(聚类、降维)。机器学习必备
seaborn	★★★★★	具有熊猫集成的统计可视化。用于快速探索分布、关系和分类比较。统计可视化必备
shap	★★★★☆	使用 SHAP(SHapley 加性解释)进行模型可解释性和解释性。解释机器学习模型预测、计算特征重要性。模型解释，分析气象因子重要性
simpy	★★★☆☆	Python 中基于过程的离散事件模拟框架。构建具有过程、队列、资源和基于时间的事件的系统模拟。水文过程模拟可能有用
statistical-analysis	★★★★★	具有测试选择和报告的指导性统计分析。帮助为数据选择适当的测试、假设检查、功效分析。统计分析必备
statsmodels	★★★★★	Python 统计模型库。需要具有详细诊断、残差和推理的特定模型类(OLS、GLM、混合模型、ARIMA)。时间序列分析必备
sympy	★★★☆☆	在 Python 中使用符号数学。用于符号计算任务，包括代数求解方程、微积分运算、操作代数表达式。推导水文方程可能有用

T

技能名	推荐度	中文名称/描述
torch-geometric	★★★☆☆	图神经网络(PyG)。节点/图分类、链接预测、GCN、GAT、GraphSAGE、异构图、分子属性预测。图神经网络，流域分析可能有用
transformers	★★★★☆	用于自然语言处理、计算机视觉、音频或多模态任务的预训练 transformer 模型。时间序列预测可用 Transformer

U-V

技能名	推荐度	中文名称/描述
umap-learn	★★★★☆	UMAP 降维。用于 2D/3D 可视化、聚类预处理(HDBSCAN)、监督/参数化 UMAP 的快速非线性流形学习。降维可视化水文数据
vaex	★★★★★	处理和分析大型表格数据集(数十亿行)，超出可用 RAM。擅长核外 DataFrame 操作、延迟评估、快速聚合。超大规模水文数据必备
venue-templates	★★★★★	访问主要科学出版场所(Nature、Science、PLOS、IEEE、ACM)的综合 LaTeX 模板、格式要求和提交指南。期刊投稿必备

X-Z

技能名	推荐度	中文名称/描述
xlsx	★★★★★	综合电子表格创建、编辑和分析。支持公式、格式、数据分析和可视化。Excel 水文数据分析必备
zarr-python	★★★☆☆	用于云存储的块状 N-D 数组。压缩数组、并行 I/O、S3/GCS 集成、NumPy/Dask/Xarray 兼容。云存储数组，可能有用

按推荐度分类

★★★★★ 核心必备（27个）

数据分析与机器学习：

polars - 快速内存数据处理
dask - 分布式大数据处理
vaex - 超大规模数据核外处理
scikit-learn - 标准机器学习库
statsmodels - 统计模型与时间序列
exploratory-data-analysis - 探索性数据分析
statistical-analysis - 指导统计分析
csv-data-summarizer - CSV 数据分析
xlsx - Excel 电子表格

可视化：

matplotlib - 低级绘图库
seaborn - 统计可视化
plotly - 交互式可视化
scientific-visualization - 出版级图表
geopandas - 地理空间数据处理

写作与项目：

scientific-writing - 论文写作核心
literature-review - 文献综述
scientific-slides - 制作学术PPT
citation-management - 文献管理
research-grants - 撰写项目书
venue-templates - 期刊投稿模板
research-lookup - 文献查找
perplexity-search - AI 网络搜索

★★★★☆ 强烈推荐（17个）

机器学习与建模：

aeon - 时间序列机器学习
pytorch-lightning - 深度学习框架
pymoo - 多目标优化（参数率定）
pymc - 贝叶斯建模
shap - 模型可解释性
transformers - Transformer模型
umap-learn - 降维可视化
networkx - 图分析（河流网络）
modal - 云端运行Python
matlab - 数值计算

通用科研工具：

hypothesis-generation - 科学假设制定
scientific-brainstorming - 科研构思
scientific-critical-thinking - 批判性思维
scientific-schematics - 科学图表
latex-posters - LaTeX海报
openalex-database - 跨学科文献搜索
get-available-resources - 计算资源检测

★★★☆☆ 备用技能（15个）

AI 研究助手：

denario - AI研究助手
hypogenic - 假设生成测试

经济与跨学科：

datacommons-client - 公共统计数据（环境/经济）
fred-economic-data - 经济时间序列（水资源经济）
market-research-reports - 智库风格报告（项目书模板）

工具类：

generate-image - AI图像生成
markitdown - 文档转换
peer-review - 同行评审
paper-2-web - 论文展示
scholar-evaluation - 学术评估
sympy - 符号数学
torch-geometric - 图神经网络
simpy - 离散事件模拟
zarr-python - 云存储数组
file-organizer - 文件组织整理
pdf - PDF 处理

★★☆☆☆ 保留可选（4个）

docx - Word 文档（已有 scientific-writing）
pptx - PowerPoint（已有 latex-posters）
pubmed-database - 医学文献
pptx-posters - PPT海报

使用建议

日常高频使用

数据处理：polars / dask / vaex / csv-data-summarizer / xlsx
可视化：matplotlib / seaborn / plotly
机器学习：scikit-learn / pytorch-lightning
统计分析：statsmodels / statistical-analysis

写论文/项目时

核心写作：scientific-writing / literature-review
文献查找：research-lookup / perplexity-search
制作图表：scientific-visualization / scientific-slides
项目申请：research-grants / market-research-reports
文档处理：pdf / xlsx

水文建模辅助

地理数据：geopandas
网络分析：networkx（河流网络）
参数优化：pymoo（多目标优化）
云端计算：modal
文件整理：file-organizer

技能选择决策树

数据处理工具选择

数据大小评估
    │
    ├─ < 1GB，适合内存
    │   ├─ 需要最快速度 → polars
    │   ├─ 熟悉 pandas → csv-data-summarizer
    │   └─ Excel 格式 → xlsx
    │
    ├─ 1GB - 100GB
    │   ├─ 有多核 CPU → dask（并行处理）
    │   └─ 单机内存不够 → vaex（核外计算）
    │
    └─ > 100GB 或集群
        ├─ 云端运行 → modal + dask
        └─ 本地集群 → dask（分布式模式）

可视化工具选择

图表类型需求
    │
    ├─ 快速探索数据
    │   ├─ 统计关系 → seaborn
    │   └─ 自定义绘图 → matplotlib
    │
    ├─ 交互式图表
    │   ├─ 网页展示 → plotly
    │   └─ 演示汇报 → scientific-slides
    │
    └─ 期刊投稿
        ├─ 多面板图 → scientific-visualization
        ├─ 地理数据 → geopandas + matplotlib
        └─ 色盲友好 → scientific-visualization（自动处理）

机器学习工具选择

任务类型
    │
    ├─ 传统机器学习
    │   ├─ 分类/回归 → scikit-learn
    │   ├─ 时间序列 → aeon
    │   └─ 需要解释 → scikit-learn + shap
    │
    ├─ 深度学习
    │   ├─ 标准 PyTorch → pytorch-lightning
    │   ├─ 时间序列 → transformers + pytorch-lightning
    │   └─ 图神经网络 → torch-geometric（河流网络）
    │
    └─ 参数优化
        ├─ 单目标 → pymoo（简单模式）
        └─ 多目标 → pymoo（Pareto 前沿）

写作工具选择

写作阶段
    │
    ├─ 文献调研
    │   ├─ 综合搜索 → literature-review
    │   ├─ 快速查找 → research-lookup
    │   └─ 实时信息 → perplexity-search
    │
    ├─ 假设构思
    │   ├─ 头脑风暴 → scientific-brainstorming
    │   ├─ 假设制定 → hypothesis-generation
    │   └─ 批判评估 → scientific-critical-thinking
    │
    ├─ 论文撰写
    │   ├─ 正文写作 → scientific-writing
    │   ├─ 引用管理 → citation-management
    │   └─ 期刊模板 → venue-templates
    │
    └─ 项目申请
        ├─ 撰写提案 → research-grants
        ├─ 参考模板 → market-research-reports
        └─ 制作海报 → latex-posters

典型工作流示例

工作流 1：水文数据分析与预测

graph LR
    A[数据获取] --> B[探索性分析]
    B --> C[预处理]
    C --> D[特征工程]
    D --> E[模型训练]
    E --> F[模型解释]
    F --> G[结果可视化]

    A:::tools -->|xlsx, csv-data-summarizer| B
    B:::tools -->|exploratory-data-analysis, seaborn| C
    C:::tools -->|polars, dask| D
    D:::tools -->|statsmodels| E
    E:::tools -->|scikit-learn, aeon| F
    F:::tools -->|shap| G
    G:::tools -->|scientific-visualization, plotly|

    classDef tools fill:#e1f5fe,stroke:#01579b,stroke-width:2px;

技能组合链： xlsx → csv-data-summarizer → polars → statsmodels → scikit-learn → shap → scientific-visualization

工作流 2：流域建模与参数率定

graph LR
    A[地理数据处理] --> B[模型数据准备]
    B --> C[参数优化]
    C --> D[云端运行]
    D --> E[结果分析]

    A:::tools -->|geopandas| B
    B:::tools -->|polars, file-organizer| C
    C:::tools -->|pymoo| D
    D:::tools -->|modal, get-available-resources| E
    E:::tools -->|matplotlib, geopandas|

    classDef tools fill:#e8f5e9,stroke:#1b5e20,stroke-width:2px;

技能组合链： geopandas → polars → pymoo → modal → matplotlib

工作流 3：论文撰写全流程

graph LR
    A[文献调研] --> B[假设构思]
    B --> C[数据分析]
    C --> D[论文撰写]
    D --> E[图表制作]
    E --> F[投稿准备]

    A:::tools -->|literature-review, research-lookup| B
    B:::tools -->|hypothesis-generation, scientific-brainstorming| C
    C:::tools -->|polars, scikit-learn| D
    D:::tools -->|scientific-writing, citation-management| E
    E:::tools -->|scientific-visualization, scientific-schematics| F
    F:::tools -->|venue-templates, latex-posters|

    classDef tools fill:#fff3e0,stroke:#e65100,stroke-width:2px;

技能组合链： literature-review → hypothesis-generation → polars → scientific-writing → scientific-visualization → venue-templates

工作流 4：项目申请书撰写

graph LR
    A[背景调研] --> B[研究设计]
    B --> C[预算评估]
    C --> D[撰写提案]
    D --> E[制作演示]

    A:::tools -->|perplexity-search, openalex-database| B
    B:::tools -->|scientific-critical-thinking| C
    C:::tools -->|datacommons-client, fred-economic-data| D
    D:::tools -->|research-grants, market-research-reports| E
    E:::tools -->|scientific-slides, latex-posters|

    classDef tools fill:#f3e5f5,stroke:#4a148c,stroke-width:2px;

技能组合链： openalex-database → scientific-critical-thinking → datacommons-client → research-grants → scientific-slides

技能组合推荐

常用技能链

场景	推荐组合链	说明
快速数据分析	`csv-data-summarizer` → `seaborn`	导入 → 可视化
大规模数据处理	`dask` → `polars` → `plotly`	分布式 → 快速处理 → 交互展示
时间序列预测	`aeon` → `statsmodels` → `shap`	建模 → 评估 → 解释
地理空间分析	`geopandas` → `matplotlib` → `scientific-visualization`	空间处理 → 绘图 → 出版
深度学习	`pytorch-lightning` → `transformers` → `modal`	训练 → 模型 → 云部署
参数率定	`pymoo` → `shap` → `matplotlib`	优化 → 敏感性分析 → 可视化
降维聚类	`umap-learn` → `seaborn`	降维 → 可视化
贝叶斯建模	`pymc` → `arviz` (内置) → `matplotlib`	建模 → 诊断 → 绘图
文献综述	`research-lookup` → `literature-review` → `citation-management`	搜索 → 综述 → 引用
学术报告	`scientific-visualization` → `scientific-schematics` → `scientific-slides`	图表 → 流程图 → PPT

互补技能搭配

主技能	搭配技能	使用场景
`polars`	`seaborn`	数据处理 + 快速可视化
`scikit-learn`	`shap`	建模 + 可解释性
`matplotlib`	`scientific-visualization`	基础绘图 + 期刊美化
`scientific-writing`	`citation-management`	写作 + 引用管理
`geopandas`	`plotly`	地理数据 + 交互地图
`dask`	`modal`	本地并行 + 云端扩展
`pymoo`	`statistical-analysis`	参数优化 + 统计检验
`literature-review`	`perplexity-search`	文献搜索 + 实时信息

更新与维护

自动同步（GitHub Actions）

本项目已配置 GitHub Actions 自动同步上游，每天北京时间 9:00 AM 自动运行：

自动检测上游新技能
创建 sync 分支并复制新技能
生成同步报告（包含评估标准）
自动创建 Pull Request 供审核

你也可以在 Actions 页面手动触发同步。

手动同步上游

本项目基于 anthropics/scientific-skills 精简而来。如需手动同步：

# 1. 添加上游仓库为 remote（仅第一次）
cd hydrology-skills
git remote add upstream https://github.com/anthropics/scientific-skills.git

# 2. 获取上游更新
git fetch upstream

# 3. 查看上游新技能
git ls-tree upstream/main --name-only | grep -E "^[^/]+/$"

# 4. 选择性添加新技能（示例）
git checkout upstream/main/new-skill-name -- new-skill-name

# 5. 更新 README.md（手动）
# - 添加新技能到对应字母分类
# - 评估推荐度（★★★★★ ~ ★☆☆☆☆）
# - 更新技能总数

# 6. 提交更新
git add .
git commit -m "Add new skill: new-skill-name"
git push origin main

评估新技能建议

遇到上游新技能时，按以下标准评估是否添加：

评估维度	保留（★★★~★★★★★）	舍弃（★★~★）
数据相关	水文数据处理、时间序列、地理空间	纯生物/医学数据
建模相关	数值模型辅助、参数优化、ML/DL	分子动力学、量子化学
写作相关	学术写作、文献管理、期刊投稿	非学术写作
跨学科	经济数据、环境统计、政策报告	纯医学/生物

更新日志

建议在 README 末尾维护更新日志：

## 更新日志

- 2026-02-01: 初始版本，61 个技能
- [待更新]: 新增 XXX 技能（★★★★☆）

文档生成时间: 2026-02-01 针对用户：水文学研究、数据分析、机器学习 保留技能数: 61

Name		Name	Last commit message	Last commit date
.claude-plugin		.claude-plugin
.github/workflows		.github/workflows
hydrology-skills		hydrology-skills
.gitignore		.gitignore
LICENSE.md		LICENSE.md
README.md		README.md

Latest commit

History

Folders and files

Repository files navigation