Zurück zu Fähigkeiten

interpret-ir-spectrum

pjt222
Aktualisiert 6 days ago
14 Ansichten
17
2
17
Auf GitHub ansehen
Anderegeneral

Über

Diese Claude Skill analysiert Infrarotspektren, um systematisch funktionelle Gruppen in einer Probe zu identifizieren. Sie verarbeitet spektrale Daten in diagnostischen und Fingerabdruck-Regionen, bewertet Wasserstoffbrückenbindungseffekte und erstellt ein Inventar der funktionellen Gruppen mit Zuverlässigkeitsangaben. Nutzen Sie sie für Substanzscreening, Reaktionsüberwachung oder als ergänzende Analyse zusammen mit anderen spektroskopischen Daten.

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/interpret-ir-spectrum

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

Dokumentation

解紅外譜

析紅外吸收→識官能團、評氫鍵、輯樣中結構之總清單。

  • 未知物初篩:識官能團
  • 證特定官能團存否(如醇→酮之驗)
  • 監反應進度(觀特徵吸收增減)
  • 辨類似化合物(官能團異)
  • 與 NMR、質譜互補

  • :紅外譜數據(cm-1 頻及強,%T 或 A)
  • :樣備法(KBr 片、ATR、Nujol、薄膜、溶液池)
  • :分子式或預期類
  • :他譜之已知片
  • :儀參(解析度、掃範、檢測器)

一:立譜質與式

析峰前驗譜堪解:

  1. 察 y 軸式:%T(下)或 A(上)?後析須一致
  2. 驗波數範:標中紅外當涵 4000-400 cm-1。記截
  3. 評基線:無吸收區當近 100%T(或 0A)且平。斜或噪減可靠
  4. 察解析度:近峰隔小於儀解析度不可辨。典 FTIR 為 4 cm-1
  5. 識備樣偽影:KBr 片或示濕寬 O-H(~3400)。Nujol 遮 C-H 伸。ATR 低波數強扭曲。記限

得:譜確可解,式、範、偽影已記。

敗:基線嚴重問題、飽和(濃樣致平底峰)、備樣偽影遮要區→記限並標不可靠區。

二:掃診區(4000-1500 cm-1)

系統析高頻區(多官能團特徵處):

  1. O-H 伸(3200-3600):察寬吸收。~3600 尖→自由 O-H;3200-3400 寬→氫鍵 O-H(醇、羧酸、水)
  2. N-H 伸(3300-3500):一級胺二峰(對/反稱);二級胺一峰。多較 O-H 尖
  3. C-H 伸(2800-3300)
頻(cm-1)
3300sp C-H(炔,尖)
3000-3100sp2 C-H(芳、烯)
2850-3000sp3 C-H(烷,多峰)
2700-2850醛 C-H(費米共振二峰)
  1. 三鍵區(2000-2300)
頻(cm-1)
2100-2260C≡C稱→弱或缺
2200-2260C≡N中至強
~2350CO2大氣偽影,忽
  1. 羰基區(1650-1800) —— 紅外最具診斷之單區:
頻(cm-1)
1800-1830, 1740-1770酸酐(二 C=O 伸)
1770-1780酰氯
1735-1750
1700-1725羧酸
1705-1720
1705-1720
1680-1700共軛酮/α-β 不飽和
1630-1690酰胺(酰胺 I 帶)
  1. C=C 與 C=N 伸(1600-1680):烯 C=C 於 1620-1680(弱至中)。芳 C=C 於 1450-1600 多峰。C=N(亞胺)於 1620-1660

得:診區諸吸收已識,附官能團歸與信心(強、試定、缺)。

敗:羰基區遮(如 KBr 水吸、大氣 CO2)→記隙。預期官能團缺→以第二備法證再結論。

三:析指紋區(1500-400 cm-1)

審低頻區以證與結構細:

  1. C-O 伸(1000-1300):醚、酯、醇、羧酸皆強 C-O 伸。酯除羰基另於 1000-1100 有特徵強帶
  2. C-N 伸(1000-1250):胺與酰胺;與 C-O 疊→無他證僅試定
  3. C-F、C-Cl、C-Br 伸
頻(cm-1)
1000-1400C-F(強)
600-800C-Cl
500-680C-Br
  1. 芳取代式(700-900):面外 C-H 彎示取代:
頻(cm-1)
730-770單取代(+ 690-710)
735-770鄰二取代
750-810, 860-900間二取代
790-840對二取代
  1. 總指紋比:指紋區對各化合物獨。若有參譜→疊而比此區以證身

得:步二官能團之證歸及附加結構細(取代式、C-O/C-N 歸)。

敗:指紋區本複而疊。歸模糊→試定之並賴診區與他譜為終結論。

四:評氫鍵與分子間效應

評樣態與分子間交互對譜之影響:

  1. 氫鍵展寬:比 O-H、N-H 帶寬與位。自由 O-H 尖近 3600;氫鍵 O-H 寬移至 3200-3400。羧酸二聚顯極寬 O-H(2500-3300)
  2. 濃與態效:異濃溶液譜可辨分子內(濃無關)與分子間(濃依賴)氫鍵
  3. 費米共振:二疊帶可交互裂為雙峰。典例為醛 C-H 對近 2720、2820。識之以免誤分離峰為他官能團
  4. 固態效:KBr 片與 Nujol 反固態堆積→帶寬,頻相對溶液譜移 10-20 cm-1。ATR 最接純液態

得:氫鍵狀態定,備法偽影已計,異常帶形已釋。

敗:氫鍵效不能解(如 O-H、N-H 疊)→記模糊。D2O 交換或變溫實驗可助,但需額外數據。

五:輯官能團清單

諸發現輯為結構報告:

  1. 已證官能團:診區強、無歧吸收(如 1715 尖 C=O = 酮或醛)
  2. 試定歸:證弱或疊吸收(可由多於一官能團釋)
  3. 缺官能團:特徵強吸收明顯無(如無寬 O-H →無自由醇或羧酸)
  4. 記差異:不合預設官能團集之吸收,或預期缺之吸收
  5. 交叉參:IR 清單 vs 他技(NMR、MS、UV-Vis)信息

得:完整清單按信心分,各歸引具體頻與強為證。

敗:清單不全或矛盾→識哪額外實驗(ATR vs KBr、變濃、D2O 交換)可解模糊。

  • 譜質評(基線、解析度、偽影、y 軸式)
  • 溶劑、備法、大氣偽影識並排
  • 診區(4000-1500)諸吸收歸或標
  • 羰基區析,可能處具體子類歸
  • 指紋區審以得證證據
  • 氫鍵效評並記其對峰形/位之影響
  • 官能團清單輯附信心
  • 缺官能團明記(負證亦有信息)
  • 歸交叉參他譜數據

  • 忽備樣偽影:KBr 濕(寬 3400)、Nujol C-H(2850-2950)、ATR 低波數強扭曲——皆模擬或遮真樣吸收。必考備法
  • 過解指紋區:1500 以下區複而疊。用為證,非主識。勿逐峰歸
  • 混大氣 CO2 為樣峰:~2350 尖雙幾乎皆大氣 CO2 非樣吸收。背景減當除,然須驗
  • 忽帶強與寬:同頻之強寬吸收 vs 弱尖峰診斷價異。附頻報強(強/中/弱)與形(尖/寬)
  • 單峰歸:勿以單吸收識官能團。羰基當有他帶支持(酯 C-O、酰胺 N-H、醛 C-H)
  • 由弱吸收假設缺:某官能團本弱(稱 C=C、稱炔之三鍵)。缺峰非必缺團

  • interpret-nmr-spectrum —— 定詳連接與氫環境
  • interpret-mass-spectrum —— 立分子式與裂片式
  • interpret-uv-vis-spectrum —— 徵發色團補 IR 官能團數據
  • interpret-raman-spectrum —— 得 IR 無效模之補振數據
  • plan-spectroscopic-analysis —— 數據採前擇譜技序

GitHub Repository

pjt222/agent-almanac
Pfad: i18n/wenyan-ultra/skills/interpret-ir-spectrum
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