返回技能列表

interpret-ir-spectrum

pjt222
更新于 6 days ago
17 次查看
17
2
17
在 GitHub 上查看
其他general

关于

This Claude Skill analyzes infrared spectra to systematically identify functional groups in a sample. It processes spectral data across diagnostic and fingerprint regions, evaluates hydrogen bonding effects, and compiles a functional group inventory with confidence levels. Use it for compound screening, reaction monitoring, or complementary analysis alongside other spectroscopic data.

快速安装

Claude Code

推荐
主要方式
npx skills add pjt222/agent-almanac -a claude-code
插件命令备选方式
/plugin add https://github.com/pjt222/agent-almanac
Git 克隆备选方式
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/interpret-ir-spectrum

在 Claude Code 中复制并粘贴此命令以安装该技能

技能文档

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 仓库

pjt222/agent-almanac
路径: i18n/wenyan-ultra/skills/interpret-ir-spectrum
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

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。

查看技能

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。

查看技能

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。

查看技能

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。

查看技能