plan-spectroscopic-analysis
关于
This skill helps developers plan optimal spectroscopic analysis sequences for organic or inorganic compounds. It selects complementary techniques (NMR, IR, MS, etc.) based on analysis goals and sample constraints to maximize efficiency. Use it for structure elucidation, verification, or when working with limited sample quantities.
快速安装
Claude Code
推荐npx 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/plan-spectroscopic-analysis在 Claude Code 中复制并粘贴此命令以安装该技能
技能文档
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 mg | NMR、IR(ATR)、MS | NMR 可进行二维实验 |
| 1–10 mg | NMR(可能较长时间)、MS、IR-ATR | 13C 和 DEPT 可能需要较长累积时间 |
| 0.1–1 mg | MS(ESI)、微量 NMR | 考虑微量管;IR 和二维 NMR 困难 |
| < 0.1 mg | MS(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:
-
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)
-
合成产物的快速确认(1–5 mg 可用): 顺序:1H NMR(30 min)→ ESI-MS(10 min)
-
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:
- 首先:无损或微量技术(IR-ATR、MS)
- 其次:快速一维 NMR(1H),指导后续实验
- 然后:根据一维结果决定是否需要 13C/DEPT
- 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 仓库
相关推荐技能
llamaguard
其他LlamaGuard是Meta推出的7-8B参数内容审核模型,专门用于过滤LLM的输入和输出内容。它能检测六大安全风险类别(暴力/仇恨、性内容、武器、违禁品、自残、犯罪计划),准确率达94-95%。开发者可通过HuggingFace、vLLM或Sagemaker快速部署,并能与NeMo Guardrails集成实现自动化安全防护。
cost-optimization
其他这个Claude Skill帮助开发者优化云成本,通过资源调整、标记策略和预留实例来降低AWS、Azure和GCP的开支。它适用于减少云支出、分析基础设施成本或实施成本治理策略的场景。关键功能包括提供成本可视化、资源规模调整指导和定价模型优化建议。
quantizing-models-bitsandbytes
其他这个Skill使用bitsandbytes库量化大语言模型,能在GPU内存有限时通过8位或4位量化减少50-75%内存占用,同时保持精度损失最小。它支持INT8、NF4、FP4等多种量化格式,可与HuggingFace Transformers无缝集成,适用于需要部署更大模型或加速推理的场景。还提供QLoRA训练和8位优化器支持,让开发者能轻松实现高效模型压缩。
dispatching-parallel-agents
其他该Skill用于并行处理3个以上无依赖关系的独立故障,可为每个问题域分派专属Claude代理同时执行调查修复。它通过并发处理多个独立问题显著提升故障排查效率,特别适用于测试文件、子系统等无共享状态的场景。
