软件下载帮助文档新闻资讯

Skill UI

浏览并发现 18950+ 精选技能

全部编程开发人工智能设计创意产品商业数据科学市场营销职场通用效率工具硬件工程语言学习

搜索 Rust ，共找到 22 条记录

默认排序最新上传最多下载

基因组区间工具库

K-Dense-AI/claude-scientific-skills

高性能 Rust 工具库（含 Python 绑定），面向基因组区间分析，支持重叠检测、覆盖轨道、ML 标记化、参考序列管理、片段拆分与评分等常见测序数据流程。

妥协指标威胁分析

analyzing-indicators-of-compromise

mukul975/Anthropic-Cybersecurity-Skills

本技能用于对IOC（如IP地址、域名、文件哈希）进行多源威胁情报分析。通过查询VirusTotal、AbuseIPDB、MISP等系统，评估指标的恶意程度、所属威胁活动，并确定阻断或监控的优先级，是安全事件响应和威胁溯源的关键步骤。

OpenCTI威胁指标富集管道

building-ioc-enrichment-pipeline-with-opencti

mukul975/Anthropic-Cybersecurity-Skills

本技能指导构建基于OpenCTI的自动化威胁指标（IOC）富集管道。使用OpenCTI的STIX 2.1模型和内置连接器，从VirusTotal、Shodan等多个外部情报源拉取深度上下文信息。管道能够自动富集新摄入的指标，关联已知攻击者和活动，并生成置信度评分，辅助分析师提升优先级。

Gtars 基因组区间工具包

K-Dense-AI/scientific-agent-skills

Gtars 用于本地基因组区间建模、集合运算、重叠计数、共识覆盖、标记化、片段处理以及 refget/BEDbase 规划，支持 Python、Rust 和 CLI。

学术研究可复现性与数据可用性指南

cjc-artifact-evaluation

brycewang-stanford/Awesome-Journal-Skills

本指南为学术论文作者提供全面的指导，说明如何在投稿中主动提供可复现的代码、数据集和实验脚本。即使目标期刊缺乏正式的制品评审徽章，通过规范化地提交这些可验证的“制品”，可以极大地增强研究结论的透明度和可信度。

CSCW补充材料提交指南

cscw-supplementary

brycewang-stanford/Awesome-Journal-Skills

本指南详细介绍了CSCW投稿的补充材料的最佳实践。它明确了主论文、附录和独立文件的区别，强调任何用于“信任”研究方法的材料都应包含在此处。指南核心内容包括数据匿名化、元数据清洗和版本控制的严格规范。

学术论文代码数据可用性指南

csj-artifact-evaluation

brycewang-stanford/Awesome-Journal-Skills

本指南旨在指导作者如何提升投稿期刊论文的代码与数据可信度。内容涵盖了提供稳定链接、校验和、一键复现脚本、可用性声明及许可合规等关键实践。重点在于教会作者主动增强稿件可验证性，以应对严格的单盲评审流程。

严谨数据挖掘实验设计

icdm-experiments

brycewang-stanford/Awesome-Journal-Skills

本指南为数据挖掘论文作者提供实验设计和审计流程，旨在帮助撰写出具有高度可信度的评估。内容涵盖了从明确操作任务定义、设计消融实验以隔离核心机制、证明数据规模的可扩展性，到设置已知真值检查以确保发现结果真实性等关键步骤。

JCR数据分析与证据报告指南

jcr-data-analysis

brycewang-stanford/Awesome-Journal-Skills

本指南帮助用户遵循顶级学术期刊（如JCR）的严格要求，进行行为实验和解释性研究的数据分析与报告。它涵盖了从高级统计过程证据（中介、调节、效应量）到定性研究可靠性证明（三角测量）的完整流程，强调研究的透明度、可复现性和学术严谨性。

开放科学与透明度报告指南

jedpsych-open-science-and-transparency

brycewang-stanford/Awesome-Journal-Skills

本指南详细介绍了学术论文的开放科学和透明度要求，旨在确保研究的科学性和可重复性。内容涵盖数据、研究材料和分析代码的存储与分享，要求使用具有持久标识符（DOI）的信赖存储库，并遵循JARS报告标准，是学术投稿和修改的关键参考。

数据分析可信度与报告标准

jms-data-analysis

brycewang-stanford/Awesome-Journal-Skills

本指南为学术研究提供了全面的数据分析严谨性标准。它详细指导作者如何为定量（如稳健性检验、结构方程模型）和定性（如编码透明度、溯因推理）的分析结果建立可信度，确保研究的发现能够可追溯、有力地支持理论主张。

JPSP开放科学与透明度报告

jpsp-open-science-and-transparency

brycewang-stanford/Awesome-Journal-Skills

本指南详细介绍了投稿至JPSP所需的严格开放科学和透明度流程。它要求作者遵循APA的TOP Level 2指南，规范数据、代码和材料的发布，确保将所有研究成果（包括JARS报告和预注册状态）清晰披露，以达到最高的科学可复现性标准。

语言