スキル一覧に戻る

plan-spectroscopic-analysis

pjt222
更新日 Yesterday
3 閲覧
17
2
17
GitHubで表示
その他general

について

このスキルは、開発者が分光分析を計画する際に、適切な分析手法を選択し、非破壊から破壊的手法へと順序立てて実施することを支援します。必要なサンプル前処理を決定し、成功基準を定義することで、装置の使用時間を最適化し、結果の検証に役立ちます。主要な入力として、分析の目的とサンプルの説明が必要です。

クイックインストール

Claude Code

推奨
メイン
npx skills add pjt222/agent-almanac -a claude-code
プラグインコマンド代替
/plugin add https://github.com/pjt222/agent-almanac
Git クローン代替
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/plan-spectroscopic-analysis

このコマンドをClaude Codeにコピー&ペーストしてスキルをインストールします

ドキュメント

謀光譜分析

設計光譜分析之征伐:擇正確之術、效率序之、定答某樣特定分析問之成功之準。

用時

  • 始察未知化合物,決用何光譜術
  • 優化分析序以保樣供破壞法
  • 取儀器時前謀樣備之需
  • 確互補術間之互驗
  • 資源有限時預算儀器時並分優之術
  • 訓新分析者於系統分析謀劃

  • 必要:分析問(結構識、定量、純度評、官能團篩、反應監)
  • 必要:樣述(物態、約量、已知或疑之化合物類)
  • 可選:可用之儀器與其能
  • 可選:預算與時之制
  • 可選:安全數據(毒性、反應性、揮發性、光敏)
  • 可選:先有分析數據(若已有結果)

第一步:定分析問

擇任術前明確所需之訊:

  1. 分問之型

    • 結構識:定未知化合物之全分子結構。需最廣之術集。
    • 結構確認:驗已知化合物與其預期結構符。所需術較少,焦於診斷之徵。
    • 定量分析:定已知分析物之濃或量。需校與線性佳之術(UV-Vis、附內標 NMR)。
    • 純度評:定樣是否含雜質、若有則識之。需高敏與分離之能。
    • 官能團篩:識何官能團存而不全結構定。IR 常足。
    • 反應監:時序追化學反應之進。需速與反應條件之相容(in situ IR、Raman、UV-Vis)。
  2. 定成功之準:明示何者為滿之答。結構識:「諸光譜數據相符之單一結構提案」。定量:「相對誤 < 5% 之濃」。

  3. 察已知:匯所有樣已有訊(元素分析、反應式、預期產、文獻先例)。此制問並減所需術數。

得:清晰所述之分析問,含定之成功之準與樣已有之知之要。

敗則:若分析問模糊(「察此樣」),與請者協以縮之。模糊問致分析無焦並耗儀器時。

第二步:察樣特性

評樣以定何術可行:

  1. 物態:固(晶、非晶、粉)、液、溶、氣、薄膜、生物組織。各態制何樣備法與術可施。
  2. 可用量:估樣總質或體。某術需毫克(NMR),他可用微克(MS)或納克(SERS)。
  3. 溶解性:試或估於常溶劑(水、甲醇、DMSO、氯仿、己烷)之溶解。NMR 需氘代溶劑;UV-Vis 需透明溶劑。
  4. 穩定性:察熱穩(GC-MS 需揮發)、光穩(Raman 用激光)、空氣/水分敏(KBr 片備)、溶液穩(時依測)。
  5. 安全患:記毒、燃、反應、放射。此影響操作協並或排某術(如揮發毒物不宜於開放氣 Raman 無封)。
  6. 預期分子量範圍:小有機(< 1000 Da)對聚合物/生物分子(> 1000 Da)需異 MS 電離法與異 NMR 採之策。

得:樣特性之要,列態、量、溶、穩、患、分子量範圍。

敗則:若樣不能足察(如量過小不能試溶),用保守之法:始以非破、最少樣之術(Raman、ATR-IR),初果後再評。

第三步:以決策矩擇術

依分析問與樣特性擇最有訊之術:

TechniqueBest ForSample NeedsDestructive?SensitivityKey Limitations
1H NMRH connectivity, integration, coupling1--10 mg in deuterated solventNomgRequires solubility, insensitive
13C NMRCarbon skeleton, functional groups10--50 mg in deuterated solventNomgVery insensitive, long acquisition
2D NMRFull connectivity, stereochemistry5--20 mg in deuterated solventNomgHours of instrument time
IR (ATR)Functional group IDAny solid/liquid, minimal prepNougWater interference, fingerprint overlap
IR (KBr)Functional group ID, transmission1--2 mg solid in KBr pelletNo*ugMoisture sensitive, sample mixed
RamanSymmetric modes, aqueous samplesAny state, no prep for solidsNoug--mgFluorescence, photodegradation
EI-MSVolatile small molecules, fragmentationug, must be volatileYes (GC-MS)ng--ugRequires volatility
ESI-MSPolar/large molecules, MW determinationSolution in volatile solventYespg--ngAdduct complexity, ion suppression
MALDI-MSPolymers, proteins, large moleculesSolid + matrixYesfmolMatrix interference below 500 Da
UV-VisChromophores, quantitationSolution, ug--mgNougLimited structural information

*IR with KBr is non-destructive to the molecule but the sample cannot be easily recovered from the pellet.

  1. 配問與術:結構識常需 NMR + MS + IR 為基。官能團篩唯需 IR。定量以 UV-Vis 或 NMR 為佳。
  2. 察可行:諸候術與第二步之樣特性互照。除不容者(如 GC-MS 對非揮發、NMR 對順磁樣)。
  3. 依訊密分優:依各術對此特定問所供之訊量排餘術。
  4. 計費與可得:若數術供類訊,取速、廉、易得者。

得:擇之術之排列,附各擇之因與所排術之何及因之注。

敗則:若無單一術足(結構識常然),謀當含互補術合答之問。若無宜術,記其制並薦他法(如衍化以使樣宜於 GC-MS)。

第四步:為各術謀樣備

定各擇術之具體備所需:

  1. NMR 備:1--50 mg 樣溶於 0.5--0.7 mL 氘代溶劑。依溶與譜窗擇溶:
Solvent1H ResidualUse When
CDCl37.26 ppmNon-polar to moderately polar compounds
DMSO-d62.50 ppmPolar compounds, broad solubility
D2O4.79 ppmWater-soluble compounds, peptides
CD3OD3.31 ppmPolar organic compounds
C6D67.16 ppmAromatic region overlap avoidance
  1. IR 備:依樣態擇法:

    • ATR:固或液直置於晶。最速,最少備。
    • KBr 片:1--2 mg 樣與 100--200 mg 乾 KBr 研,壓為透明片。
    • 溶液池:溶於 IR 透明溶劑(CCl4、CS2)。透明窗有限。
    • 薄膜:自溶液鑄於 NaCl 或 KBr 窗。宜聚合物與油。
  2. MS 備:配電離法與樣:

    • EI (GC-MS):樣必揮發。溶於揮發溶劑(二氯甲烷、己烷)。
    • ESI (LC-MS):溶於 ESI 容溶劑(甲醇/水、乙腈/水含 0.1% 甲酸)。
    • MALDI:與宜矩陣(DHB、CHCA、芥子酸)混並乾於板。
  3. UV-Vis 備:溶於 UV 透明溶劑。調濃使 lambda-max 之吸光在 0.1 至 1.0 之間。樣與參用配對之比色皿。

  4. Raman 備:多樣需最少備。固可裸測。液於玻璃瓶(玻璃 Raman 散射弱)。避螢光容器。水溶液 Raman 良,水為弱 Raman 散射者。

得:各擇術之備協,含溶之擇、所需量、特殊處理之指。

敗則:若樣量不足諸謀術,依第三步之訊階分優。若樣不溶於諸宜溶劑,考固態術(ATR-IR、Raman、固態 NMR、MALDI-MS)。

第五步:定分析序與互驗策

序分析以保樣與最大訊流:

  1. 依破壞分序:非破術先,破術後。

    • 首層(非破、無備):Raman、ATR-IR
    • 二層(非破、需備):UV-Vis、NMR(樣常可蒸溶劑而回收)
    • 三層(破或耗樣):MS(ESI、EI/GC-MS、MALDI)
  2. 訊流:以早果優化後分析:

    • IR/Raman 官能團數據助擇最佳 NMR 試(如 IR 無羰基,略羰基焦之 13C 分析)。
    • MS 之分子式助釋 NMR(積分比、預期峰數)。
    • NMR 連接數據助釋 MS 碎裂。
  3. 定互驗點:識諸術果當合處:

    • 分子式:MS(分子離子)必合 NMR(H 與 C 計)與元素分析。
    • 官能團:IR 之歸必與 NMR 化學位移與 MS 碎裂相合。
    • 不飽和度:自式(MS)算者必合所觀環與雙鍵(NMR、UV-Vis)。
  4. 謀備案:定若初果模糊,何附加試行:

    • 若 NMR 示意外複雜:行 2D 試(COSY、HSQC、HMBC)。
    • 若 MS 分子離子模糊:試異電離法或請 HRMS。
    • 若 IR 為一官能團主導:試 Raman 取互補訊。
  5. 記謀:生書面分析謀,含術序、樣備步驟、預期周轉時、備案試之決點。

得:完備、有序之分析謀,含備協、互驗之準、備案規記之。

敗則:若謀因樣或儀器之制不能完,明記其制並提最佳可達之分析子集。

  • 分析問清晰定,附明示之成功之準
  • 樣特性已察(態、量、溶、穩、患)
  • 術以決策矩擇之,附諸因記之
  • 不可行之術已識並排,附因
  • 各擇術之樣備已謀
  • 分析序自非破至破
  • 互補術間之互驗點已定
  • 模糊果之備案試已識
  • 估總樣耗並對可用量驗

  • 略謀劃相:直赴最近之儀器耗樣與時。即 15 分鐘之謀亦省數時之重析。
  • 依習慣而非需擇術:非每分析皆需 NMR。簡單官能團確認唯需 IR。配術與問。
  • 低估樣需:分析序中途耗盡樣可避。前算總樣需並加 20% 備。
  • 先行破壞法:NMR 前 GC-MS 致 NMR 樣自另一份。先序非破法以最大每毫克之訊。
  • 忽溶劑相容:DMSO-d6 中之 NMR 樣不易用於 GC-MS(非揮發溶劑)。跨諸術謀溶劑之擇。
  • 無互驗策:無定檢點,諸術之矛盾果或至最終解時方覺。

  • interpret-nmr-spectrum — 釋依此謀採之 NMR 數據
  • interpret-ir-spectrum — 釋依此謀採之 IR 數據
  • interpret-mass-spectrum — 釋依此謀採之 MS 數據
  • interpret-uv-vis-spectrum — 釋依此謀採之 UV-Vis 數據
  • interpret-raman-spectrum — 釋依此謀採之 Raman 數據
  • validate-analytical-method — 驗此謀所擇之定量法

GitHub リポジトリ

pjt222/agent-almanac
パス: i18n/wenyan/skills/plan-spectroscopic-analysis
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

関連スキル

llamaguard

その他

LlamaGuardは、暴力やヘイトスピーチなど6つの安全性カテゴリーにおいて、LLMの入力と出力をモデレートするMetaの70-80億パラメータモデルです。94〜95%の精度を提供し、vLLM、Hugging Face、Amazon SageMakerを使用してデプロイ可能です。このスキルを使用して、AIアプリケーションにコンテンツフィルタリングと安全策を簡単に統合できます。

スキルを見る

cost-optimization

その他

このClaudeスキルは、リソースの適正サイジング、タグ付け戦略、支出分析を通じて、開発者がクラウドコストを最適化することを支援します。AWS、Azure、GCPにわたるクラウド支出の削減とコストガバナンスの実施のためのフレームワークを提供します。インフラコストの分析、リソースの適正サイジング、または予算制約への対応が必要な際にご利用ください。

スキルを見る

quantizing-models-bitsandbytes

その他

このスキルは、bitsandbytesを使用してLLMを8ビットまたは4ビット精度に量子化し、精度の低下を最小限に抑えつつ50〜75%のメモリ削減を実現します。限られたGPUメモリでより大規模なモデルを実行したり、推論を高速化するのに理想的で、INT8、NF4、FP4などのフォーマットをサポートしています。HuggingFace Transformersと統合され、QLoRAトレーニングや8ビットオプティマイザーを可能にします。

スキルを見る

dispatching-parallel-agents

その他

このClaudeスキルは、複数のエージェントを配備し、3つ以上の独立した問題を並行して調査・修正します。共有状態や依存関係がなく解決可能な、無関係な障害が発生するシナリオ向けに設計されています。中核となる機能は並列問題解決であり、効率を最大化するために独立した問題領域ごとに1つのエージェントを割り当てます。

スキルを見る