Zurück zu Fähigkeiten

plan-spectroscopic-analysis

pjt222
Aktualisiert Yesterday
3 Ansichten
17
2
17
Auf GitHub ansehen
Anderegeneral

Über

Diese Fähigkeit unterstützt Entwickler bei der Planung optimaler spektroskopischer Analysequenzen für organische oder anorganische Verbindungen. Sie wählt komplementäre Techniken (NMR, IR, MS, etc.) basierend auf Analysezielen und Probenbeschränkungen aus, um die Effizienz zu maximieren. Nutzen Sie sie für Strukturaufklärung, Verifizierung oder bei der Arbeit mit begrenzten Probenmengen.

Schnellinstallation

Claude Code

Empfohlen
Primär
npx skills add pjt222/agent-almanac -a claude-code
Plugin-BefehlAlternativ
/plugin add https://github.com/pjt222/agent-almanac
Git CloneAlternativ
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/plan-spectroscopic-analysis

Kopieren Sie diesen Befehl und fügen Sie ihn in Claude Code ein, um diese Fähigkeit zu installieren

Dokumentation


name: plan-spectroscopic-analysis locale: zh-CN source_locale: en source_commit: 6f65f316 translator: claude-sonnet-4-6 translation_date: 2026-03-16 description: > 为有机或无机化合物规划最优的谱学分析组合方案。通过明确分析目标、 评估可用样品量,以及选择互补性谱学技术(NMR、IR、MS、UV-Vis、拉曼) 的最优序列,提高鉴定效率。 license: MIT allowed-tools: Read Grep Glob WebFetch WebSearch metadata: author: Philipp Thoss version: "1.0" domain: spectroscopy complexity: intermediate language: natural tags: spectroscopy, analytical-planning, technique-selection, structure-elucidation

规划谱学分析方案

通过明确分析目标、样品约束和可用技术,系统规划一套最优的谱学分析序列,以最小化样品消耗并最大化信息获取效率。

适用场景

  • 鉴定未知化合物,需要确定最优谱学组合
  • 验证合成产物的结构,确定所需实验的最少集合
  • 在有限样品量(< 1 mg)的约束下规划分析策略
  • 为多步合成项目设计高通量筛选流程
  • 将谱学分析工作优先级排序,以高效利用仪器时间

输入

  • 必填:分析目标(结构鉴定 / 身份确认 / 纯度检测 / 定量分析)
  • 必填:已知的化合物信息(合成路线、天然来源、元素分析等)
  • 必填:可用样品量(毫克数)
  • 可选:预期官能团(来自合成或文献知识)
  • 可选:仪器可用性(哪些技术在本实验室可以使用)
  • 可选:时间限制

步骤

第 1 步:明确分析目标类型

不同目标决定不同的分析策略:

目标类型典型问题推荐策略
结构鉴定(未知物)"这是什么化合物?"全套谱学:MS → IR → NMR(一维+二维)
结构确认(已知目标)"是否合成成功?"最小集:1H NMR + MS(或 IR)
纯度检测"是否含有杂质?"1H NMR + HPLC/GC-MS
定量分析"浓度是多少?"UV-Vis(若有发色团)或定量 NMR
官能团确认"羰基/羟基存在吗?"IR(首选快速筛查)

预期结果: 分析目标明确分类,避免采集不必要的谱图。

失败处理: 若目标不明确,先采集快速且样品消耗少的谱图(如 IR、MS),根据结果再决定进一步的 NMR 分析。

第 2 步:评估样品约束

样品量决定可行的技术选择:

样品量可用技术注意事项
> 50 mg全部技术无特殊限制
10–50 mgNMR、IR(ATR)、MSNMR 可进行二维实验
1–10 mgNMR(可能较长时间)、MS、IR-ATR13C 和 DEPT 可能需要较长累积时间
0.1–1 mgMS(ESI)、微量 NMR考虑微量管;IR 和二维 NMR 困难
< 0.1 mgMS(ESI)、毛细管 NMR仅 MS 实际可行

溶剂选择(NMR 分析):

  • D2O:水溶性化合物(氨基酸、糖、盐)
  • CDCl3:大多数有机化合物
  • DMSO-d6:难溶化合物、可观察 OH/NH 峰
  • CD3CN:中等极性化合物

预期结果: 根据样品量筛除不可行的技术,明确每种技术所需的最低样品量。

失败处理: 若样品量极少(< 1 mg),优先选择 MS 确认分子量,再用微量 NMR 管(1.7 mm 管)尝试 NMR。

第 3 步:选择互补性谱学技术

根据分析目标和样品约束,选择最优技术组合:

技术互补性矩阵

技术主要信息不能提供样品消耗
1H NMR氢环境、偶合、积分季碳、分子量2–5 mg
13C NMR碳骨架精确分子量5–50 mg
DEPT碳氢化程度同 13C同 13C
二维 NMR(COSY/HSQC/HMBC)连接性绝对构型5–20 mg
IR(ATR)官能团(快速)分子量、精确结构< 1 mg(固体/液体)
EI-MS分子量、碎片、分子式大分子、热不稳定物< 1 mg
ESI-MS分子量(软电离)详细碎片信息< 0.1 mg
UV-Vis共轭体系、浓度非共轭化合物< 0.1 mg(溶液)
拉曼对称振动(IR 互补)荧光性样品原位、无损

推荐的技术组合方案

  1. 未知有机小分子(5–20 mg 可用): 顺序:IR-ATR(10 min)→ ESI-MS 或 EI-MS(30 min)→ 1H NMR(30 min)→ 13C/DEPT(2–4 h)→ HSQC(2 h)→ HMBC(4 h)→ COSY(2 h)

  2. 合成产物的快速确认(1–5 mg 可用): 顺序:1H NMR(30 min)→ ESI-MS(10 min)

  3. 定量分析(含发色团): 顺序:UV-Vis 标准曲线(1 h)→ 样品测定(10 min/样)

预期结果: 已选择一套最优技术组合,按信息量/样品消耗比最优的顺序排列。

失败处理: 若推荐的技术在本实验室不可用,列出替代方案(如用 GC-MS 代替 EI-MS;用 FTIR 透射代替 ATR-IR)。

第 4 步:确定分析序列(信息效率最优)

将技术按"最大化早期信息获取,最小化样品消耗"的原则排序:

  1. 首先:无损或微量技术(IR-ATR、MS)
  2. 其次:快速一维 NMR(1H),指导后续实验
  3. 然后:根据一维结果决定是否需要 13C/DEPT
  4. 最后:按需采集二维谱(COSY → HSQC → HMBC)

决策树(NMR 层面)

1H NMR 是否足以完成鉴定?
├─ 是(纯化合物,已知目标)→ 结束
└─ 否 → 是否需要碳骨架信息?
    ├─ 是 → 采集 13C + DEPT
    │   └─ 是否有季碳或复杂连接?
    │       ├─ 是 → 采集 HMBC
    │       └─ 邻位连接是否不清?→ 采集 COSY
    └─ 否(仅需确认官能团)→ IR 已足够

预期结果: 一份有优先级的分析计划,说明每步决策依据。

失败处理: 若决策树无法适用(如完全未知的天然产物),则采用全套谱学方法,确保覆盖所有信息维度。

第 5 步:撰写分析计划报告

输出结构化的分析计划:

## 谱学分析计划

### 样品信息
- 编号:[样品 ID]
- 来源:[合成 / 天然 / 未知]
- 可用量:[mg]
- 已知信息:[分子式、合成路线等]

### 分析目标
[结构鉴定 / 身份确认 / 纯度 / 定量]

### 推荐技术序列
| 步骤 | 技术 | 预期获取信息 | 样品消耗 | 预计时间 |
|-----|-----|-----------|---------|---------|
| 1   | [技术] | [信息] | [mg] | [时间] |

### 决策节点
- 若步骤 1 显示 [结果],则进行步骤 2
- 若步骤 2 显示 [结果],则不需要步骤 3

### 总计
- 总样品消耗:[mg]
- 预计总时间:[小时]

预期结果: 一份完整的分析计划,可直接传达给仪器操作员或实验室记录。

失败处理: 若样品量不足以支持全套方案,在报告中注明所有假设,并列出可能无法完全鉴定时的备选策略。

验证清单

  • 分析目标已明确分类(鉴定/确认/纯度/定量)
  • 样品量约束已评估,排除了不可行的技术
  • 所选技术之间具有互补性(避免重复信息的冗余技术)
  • 技术序列按"无损先行、信息量优先"排列
  • 每步决策节点已明确(何时停止,何时追加实验)
  • 总样品消耗和时间在实际约束范围内
  • 计划已记录,可重现

常见问题

  • "全套谱学"思维陷阱:不加区分地采集所有谱图浪费样品和仪器时间。应先根据目标筛选,只采集必要的谱图。
  • 忽视样品稳定性:热不稳定或对光敏感的样品需避免高温电离(EI)或长时间光照(UV-Vis)。应在分析计划中注明样品的稳定性要求。
  • NMR 溶剂选择不当:在 CDCl3 中不溶的化合物强行溶解会导致谱图质量差。应先做溶解度筛查,选择合适的氘代溶剂。
  • 过早进行二维 NMR:若一维 NMR 已可完成鉴定,不必采集耗时的二维谱。先仔细分析一维谱,再决定是否需要二维实验。
  • 不记录分析计划:临时决定采集哪些谱图导致分析路径不可重现。应在开始前制定并记录完整计划。
  • 忽视仪器校准状态:使用未校准(锁场未正常/匀场差)的 NMR 仪器得到的数据质量差,导致错误结论。开始分析前确认仪器工作状态。

相关技能

  • interpret-nmr-spectrum — 执行 NMR 谱解读
  • interpret-ir-spectrum — 执行 IR 谱解读
  • interpret-mass-spectrum — 执行 MS 谱解读
  • interpret-uv-vis-spectrum — 执行 UV-Vis 谱解读
  • interpret-raman-spectrum — 执行拉曼谱解读

GitHub Repository

pjt222/agent-almanac
Pfad: i18n/zh-CN/skills/plan-spectroscopic-analysis
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Verwandte Skills

llamaguard

Andere

LlamaGuard ist Metas 7-8B-Parameter-Modell zur Moderation von LLM-Eingaben und -Ausgaben in sechs Sicherheitskategorien wie Gewalt und Hassrede. Es bietet eine Genauigkeit von 94-95 % und kann mit vLLM, Hugging Face oder Amazon SageMaker eingesetzt werden. Nutzen Sie diese Skill, um Inhaltsfilterung und Sicherheitsguardrails einfach in Ihre KI-Anwendungen zu integrieren.

Skill ansehen

cost-optimization

Andere

Diese Claude Skill unterstützt Entwickler bei der Optimierung von Cloud-Kosten durch Ressourcen-Dimensionierung, Tagging-Strategien und Ausgabenanalysen. Sie bietet einen Rahmen zur Senkung von Cloud-Ausgaben und zur Implementierung von Kosten-Governance für AWS, Azure und GCP. Nutzen Sie sie, wenn Sie Infrastrukturkosten analysieren, Ressourcen richtig dimensionieren oder Budgetvorgaben einhalten müssen.

Skill ansehen

quantizing-models-bitsandbytes

Andere

Diese Fähigkeit quantisiert LLMs auf 8-Bit- oder 4-Bit-Präzision mittels bitsandbytes und erreicht dabei eine Speicherreduzierung von 50–75 % bei minimalem Genauigkeitsverlust. Sie ist ideal für den Betrieb größerer Modelle mit begrenztem GPU-Speicher oder zur Beschleunigung von Inferenzvorgängen und unterstützt Formate wie INT8, NF4 und FP4. Die Fähigkeit integriert sich in HuggingFace Transformers und ermöglicht QLoRA-Training sowie 8-Bit-Optimierer.

Skill ansehen

dispatching-parallel-agents

Andere

Diese Claude-Fähigkeit verteilt mehrere Agenten, um drei oder mehr unabhängige Probleme gleichzeitig zu untersuchen und zu beheben. Sie ist für Szenarien konzipiert, die unabhängige Fehler umfassen, die ohne gemeinsamen Zustand oder Abhängigkeiten gelöst werden können. Die Kernfähigkeit ist die parallele Problemlösung, bei der pro unabhängigem Problembereich ein Agent zugewiesen wird, um die Effizienz zu maximieren.

Skill ansehen