interpret-ir-spectrum
About
This skill systematically analyzes infrared spectra to identify functional groups in a sample. It processes both the diagnostic (4000-1500 cm⁻¹) and fingerprint (1500-400 cm⁻¹) regions, accounts for hydrogen bonding effects, and compiles a functional group inventory with confidence levels. Use it for initial compound screening, reaction monitoring, or to complement NMR and mass spectrometry data.
Quick Install
Claude Code
Recommendednpx skills add pjt222/agent-almanac -a claude-code/plugin add https://github.com/pjt222/agent-almanacgit clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/interpret-ir-spectrumCopy and paste this command in Claude Code to install this skill
Documentation
解讀紅外光譜
分析紅外吸收光譜以識別官能團、評氫鍵,並編樣品所含結構特徵之完整清單。
適用時機
- 首篩未知化合物中之官能團
- 確特定官能團之存或缺(如驗反應將醇轉為酮)
- 以特徵吸收之現或失監反應進度
- 別官能團內容異之相似化合物
- 以振動信息補 NMR 與質譜數據
輸入
- 必要:IR 光譜數據(cm-1 之吸收頻率與強度,為 %透射或吸光度圖)
- 必要:樣品製備法(KBr 壓片、ATR、Nujol 糊、薄膜、溶液池)
- 選擇性:分子式或預期化合物類
- 選擇性:自他光譜數據得之已知結構片段
- 選擇性:儀器參數(分辨率、掃描範圍、檢測器類)
步驟
步驟一:立光譜品質與格式
分析峰之前,驗光譜適於解讀:
- 查 y 軸格式:定光譜繪為 %透射(%T,峰向下)或吸光度(A,峰向上)。後續分析皆假定一致慣例
- 驗波數範圍:確光譜涵標準中紅外分析之至少 4000--400 cm-1。記任何截斷
- 評基線:好基線於無吸收域當相對平而近 100%T(或 0 吸光度)。傾斜或噪基線降可靠度
- 查分辨率:鄰峰距小於儀器分辨率者不能分辨。常 FTIR 分辨率為 4 cm-1
- 識製備偽影:KBr 壓片或顯吸濕之寬 O-H 帶(~3400 cm-1)。Nujol 糊遮 C-H 伸縮。ATR 光譜於低波數示強度失真。記任何限解讀之偽影
預期: 確光譜適分析,格式、範圍與偽影已記錄。
失敗時: 若光譜有嚴重基線問題、飽和(過濃樣品之平底峰),或遮關鍵域之製備偽影,記此限並標受影響光譜域為不可靠。
步驟二:掃診斷區(4000--1500 cm-1)
系統分析多數官能團產特徵吸收之高頻區:
- O-H 伸縮(3200--3600 cm-1):尋寬吸收。近 3600 cm-1 之尖峰示自由 O-H;3200--3400 cm-1 中心之寬帶示氫鍵之 O-H(醇、羧酸、水)
- N-H 伸縮(3300--3500 cm-1):一級胺示二峰(對稱與反對稱伸縮);二級胺示一峰。常較 O-H 帶尖
- C-H 伸縮(2800--3300 cm-1):
| Frequency (cm-1) | Assignment |
|---|---|
| 3300 | sp C-H (alkyne, sharp) |
| 3000--3100 | sp2 C-H (aromatic, vinyl) |
| 2850--3000 | sp3 C-H (alkyl, multiple peaks) |
| 2700--2850 | Aldehyde C-H (two peaks from Fermi resonance) |
- 三鍵區(2000--2300 cm-1):
| Frequency (cm-1) | Assignment | Notes |
|---|---|---|
| 2100--2260 | C triple-bond C | Weak or absent if symmetric |
| 2200--2260 | C triple-bond N | Medium to strong |
| ~2350 | CO2 | Atmospheric artifact, disregard |
- 羰基區(1650--1800 cm-1)——IR 中最具診斷之單區:
| Frequency (cm-1) | Assignment |
|---|---|
| 1800--1830, 1740--1770 | Acid anhydride (two C=O stretches) |
| 1770--1780 | Acid chloride |
| 1735--1750 | Ester |
| 1700--1725 | Carboxylic acid |
| 1705--1720 | Aldehyde |
| 1705--1720 | Ketone |
| 1680--1700 | Conjugated ketone / alpha-beta unsaturated |
| 1630--1690 | Amide (amide I band) |
- C=C 與 C=N 伸縮(1600--1680 cm-1):烯烴 C=C 於 1620--1680 cm-1(弱至中)。芳香 C=C 於近 1450--1600 cm-1 示多峰。C=N(亞胺)於 1620--1660 cm-1
預期: 診斷區所有吸收已識別,附官能團指派與信心級(強、暫定、缺)。
失敗時: 若羰基區被遮(如 KBr 中水吸收、大氣 CO2),記此缺口。若預期之官能團吸收缺,於確定真缺之前以第二製備法確認。
步驟三:分析指紋區(1500--400 cm-1)
察低頻區尋確認與結構細節:
- C-O 伸縮(1000--1300 cm-1):醚、酯、醇與羧酸產強 C-O 伸縮吸收。酯除羰基外於近 1000--1100 cm-1 示特徵強帶
- C-N 伸縮(1000--1250 cm-1):胺與醯胺;與 C-O 重疊使指派於無他證時暫定
- C-F、C-Cl、C-Br 伸縮:
| Frequency (cm-1) | Assignment |
|---|---|
| 1000--1400 | C-F (strong) |
| 600--800 | C-Cl |
| 500--680 | C-Br |
- 芳香取代模式(700--900 cm-1):面外 C-H 彎曲露取代:
| Frequency (cm-1) | Pattern |
|---|---|
| 730--770 | Mono-substituted (+ 690--710) |
| 735--770 | Ortho-disubstituted |
| 750--810, 860--900 | Meta-disubstituted |
| 790--840 | Para-disubstituted |
- 整體指紋比較:指紋區為每化合物獨有。若參考光譜可得,疊此區以確認同一
預期: 步驟二所識官能團之確認指派,加附結構細節(取代模式、C-O/C-N 指派)。
失敗時: 指紋區本質複而重疊。若指派模糊,標為暫定並依診斷區與他光譜數據作最終結論。
步驟四:評氫鍵與分子間效應
評樣品態與分子間互作如何影響光譜:
- 氫鍵寬化:比 O-H 與 N-H 帶之寬與位。自由 O-H 尖而近 3600 cm-1;氫鍵之 O-H 寬而移至 3200--3400 cm-1。羧酸二聚體自 2500--3300 cm-1 示甚寬 O-H
- 濃度與態效應:異濃之溶液光譜能別分子內(濃度無關)與分子間(濃度相關)氫鍵
- 費米共振:二重疊帶可作用而裂為雙峰。經典例為近 2720 與 2820 cm-1 之醛 C-H 對。識費米共振以避誤將多峰指派為別官能團
- 固態效應:KBr 壓片與 Nujol 糊反映固態堆積,寬化帶並相對溶液光譜移頻 10--20 cm-1。ATR 光譜最近純液態
預期: 氫鍵態已刻畫,製備法偽影已考量,任何異常帶形已釋。
失敗時: 若氫鍵效應不能解(如重疊之 O-H 與 N-H 帶),記此模糊。D2O 交換實驗或變溫研究可助,然此需附加數據。
步驟五:編官能團清單
合所有發現為結構化報告:
- 列已確認官能團:於診斷區有強、明確吸收者(如 1715 cm-1 之尖 C=O = 酮或醛)
- 列暫定指派:有較弱證據或重疊吸收、可由多於一官能團釋者
- 列缺官能團:其特徵強吸收明缺於光譜者(如無寬 O-H 帶謂無自由醇或羧酸)
- 記不符:任何不合擬議官能團集之吸收,或預期缺之吸收
- 交叉參考:若可得,比 IR 所得官能團清單於他技術(NMR、MS、UV-Vis)之信息
預期: 完整官能團清單按信心級分類,每指派以具體頻率與強度為據。
失敗時: 若清單不全或相悖,識別何附加實驗(ATR vs. KBr 比較、變濃、D2O 交換)可解模糊。
驗證
- 光譜品質已評(基線、分辨率、偽影、y 軸格式)
- 溶劑、製備法與大氣偽影已識別並排除
- 診斷區(4000--1500 cm-1)所有吸收已指派或標
- 羰基區已分析並於可能處作具體子類指派
- 指紋區已察以尋確認證據
- 氫鍵效應已評並記其對峰形/位之影響
- 官能團清單已編附信心級
- 缺官能團已明記之(負證據有信息)
- 指派已與他可得光譜數據交叉參考
常見陷阱
- 忽製備偽影:KBr 水(寬 3400 cm-1)、Nujol C-H(2850--2950 cm-1)與 ATR 低波數強度失真皆擬或遮真樣吸收。恒考製備法
- 過解指紋區:1500 cm-1 下之區複而重疊。用以確認,非主要識別。避每峰皆指派
- 混大氣 CO2 與樣峰:近 2350 cm-1 之尖雙峰幾皆為大氣 CO2,非樣吸收。背景減應除之,然當驗
- 忽帶強與寬:強寬吸收較同頻之弱尖峰有異診斷值。以強度(強/中/弱)與形(尖/寬)連同頻報之
- 單峰指派:絕勿以單吸收識別官能團。如羰基當有附加帶支之(酯之 C-O、醯胺之 N-H、醛之 C-H)
- 以弱吸收假缺:某些官能團本產弱 IR 吸收(對稱 C=C、對稱炔之三鍵)。峰缺不必謂團缺
相關技能
interpret-nmr-spectrum— 定詳連接性與氫環境interpret-mass-spectrum— 立分子式與裂片模式interpret-uv-vis-spectrum— 刻畫發色團以補 IR 官能團數據interpret-raman-spectrum— 獲 IR 非活模式之互補振動數據plan-spectroscopic-analysis— 於數據獲取前擇並排序光譜技術
GitHub Repository
Related Skills
llamaguard
OtherLlamaGuard is Meta's 7-8B parameter model for moderating LLM inputs and outputs across six safety categories like violence and hate speech. It offers 94-95% accuracy and can be deployed using vLLM, Hugging Face, or Amazon SageMaker. Use this skill to easily integrate content filtering and safety guardrails into your AI applications.
cost-optimization
OtherThis Claude Skill helps developers optimize cloud costs through resource rightsizing, tagging strategies, and spending analysis. It provides a framework for reducing cloud expenses and implementing cost governance across AWS, Azure, and GCP. Use it when you need to analyze infrastructure costs, right-size resources, or meet budget constraints.
quantizing-models-bitsandbytes
OtherThis skill quantizes LLMs to 8-bit or 4-bit precision using bitsandbytes, achieving 50-75% memory reduction with minimal accuracy loss. It's ideal for running larger models on limited GPU memory or accelerating inference, supporting formats like INT8, NF4, and FP4. The skill integrates with HuggingFace Transformers and enables QLoRA training and 8-bit optimizers.
dispatching-parallel-agents
OtherThis Claude Skill dispatches multiple agents to investigate and fix 3+ independent problems concurrently. It is designed for scenarios involving unrelated failures that can be resolved without shared state or dependencies. The core capability is parallel problem-solving, assigning one agent per independent problem domain to maximize efficiency.
