MCP HubMCP Hub
Вернуться к навыкам

plan-spectroscopic-analysis

pjt222
Обновлено 2 days ago
9 просмотров
17
2
17
Посмотреть на GitHub
Другоеgeneral

О программе

Этот навык помогает разработчикам планировать спектроскопические анализы, выбирая подходящие методики и выстраивая их последовательность от неразрушающих к разрушающим методам. Он определяет необходимость подготовки образцов и устанавливает критерии успеха, что полезно для оптимизации времени работы приборов и валидации результатов. В качестве ключевых входных данных требуются цель анализа и описание образца.

Быстрая установка

Claude Code

Рекомендуется
Основной
npx skills add pjt222/agent-almanac -a claude-code
Команда плагинаАльтернативный
/plugin add https://github.com/pjt222/agent-almanac
Git клонированиеАльтернативный
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/plan-spectroscopic-analysis

Скопируйте и вставьте эту команду в Claude Code для установки этого навыка

Документация

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 репозиторий

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

Похожие навыки

llamaguard

Другое

LlamaGuard — это модель от Meta с 7–8 миллиардами параметров для модерации входных и выходных данных больших языковых моделей по шести категориям безопасности, таким как насилие и разжигание ненависти. Она обеспечивает точность 94–95% и может быть развернута с помощью vLLM, Hugging Face или Amazon SageMaker. Используйте этот навык, чтобы легко интегрировать фильтрацию контента и защитные механизмы в ваши ИИ-приложения.

Просмотреть навык

cost-optimization

Другое

Этот навык Claude помогает разработчикам оптимизировать облачные расходы за счет правильного подбора ресурсов, стратегий тегирования и анализа затрат. Он предоставляет framework для сокращения облачных расходов и внедрения управления затратами в AWS, Azure и GCP. Используйте его, когда вам нужно проанализировать расходы на инфраструктуру, оптимизировать ресурсы или уложиться в бюджетные ограничения.

Просмотреть навык

quantizing-models-bitsandbytes

Другое

Этот навык выполняет квантизацию LLM до 8-битной или 4-битной точности с использованием библиотеки bitsandbytes, обеспечивая сокращение использования памяти на 50-75% при минимальной потере точности. Он идеально подходит для запуска больших моделей при ограниченной памяти GPU или для ускорения вывода, поддерживая форматы INT8, NF4 и FP4. Навык интегрируется с HuggingFace Transformers и позволяет использовать обучение QLoRA и 8-битные оптимизаторы.

Просмотреть навык

dispatching-parallel-agents

Другое

Этот навык Claude распределяет нескольких агентов для исследования и устранения трёх и более независимых проблем параллельно. Он предназначен для сценариев с несвязанными сбоями, которые можно устранить без общего состояния или зависимостей. Ключевая возможность — параллельное решение проблем, где за каждую независимую предметную область назначается отдельный агент для максимальной эффективности.

Просмотреть навык