Communitygithub.com

scanpy

Pipeline standard d'analyse de séquençage d'ARN en cellule unique. Utilisez-le pour le contrôle qualité, la normalisation, la réduction de dimensionnalité (PCA/UMAP/t-SNE), le clustering, l'expression différentielle, la visualisation, et la conversion de formats R (tels que les fichiers RDS Seurat ou SingleCellExperiment) en h5ad pour Scanpy. Idéal pour l'analyse exploratoire scRNA-seq avec des workflows établis.

Qu'est-ce que scanpy ?

Ce skill implémente un pipeline complet d'analyse de données de séquençage d'ARN en cellule unique (scRNA-seq) basé sur Scanpy. Il est conçu pour les biologistes computationnels et les data scientists travaillant avec des jeux de données transcriptomiques, en leur permettant d'effectuer toutes les étapes clés : contrôle qualité, normalisation, réduction de dimensionnalité (PCA, UMAP, t-SNE), clustering (Leiden), identification de gènes marqueurs, annotation de types cellulaires et analyse de trajectoires. Le skill prend en charge les fichiers `.h5ad` natifs d'AnnData, mais aussi les formats R (Seurat, SingleCellExperiment) via une conversion préalable documentée. Il inclut un ensemble de scripts CLI prêts à l'emploi dans le dossier `scripts/`, couvrant chaque étape de l'analyse et pouvant être chaînés, ce qui évite d'écrire du code Scanpy manuellement. Des ressources de référence détaillées sont fournies dans `references/`, notamment un guide complet du workflow, une référence API et un guide de visualisation. Le skill est idéal pour une exploration standardisée et reproductible des données scRNA-seq, avec des scripts de pipeline exécutables en une commande.

Compatible avec~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/K-Dense-AI/scientific-agent-skills/tree/main/skills/scanpy
Voir l'original→Voir toutes les compétences

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

OpenAIChatGPTClaudeClaudeGeminiGeminiGrokGrokPerplexityPerplexityDeepSeekDeepSeek

Documentation

Scanpy : Analyse de données en cellule unique

Vue d'ensemble

Scanpy est une boîte à outils Python évolutive pour l'analyse de données de séquençage d'ARN en cellule unique, construite sur AnnData. Utilisez ce skill pour des workflows complets de cellule unique comprenant le contrôle qualité, la normalisation, la réduction de dimensionnalité, le clustering, l'identification de gènes marqueurs, la visualisation et l'analyse de trajectoires. Version stable actuelle : scanpy 1.12.x (janvier 2026).

Installation

Nécessite Python 3.12+ (scanpy 1.12 a abandonné Python ≤3.11) et anndata ≥0.10.

uv pip install "scanpy[leiden]"

L'extension [leiden] installe python-igraph et leidenalg, nécessaires pour le clustering de Leiden. Pour des environnements reproductibles, épinglez une version : uv pip install "scanpy[leiden]==1.12.1".

Pour les grands jeux de données ou les données hors cœur, de nombreuses fonctions prennent en charge les tableaux Dask (expérimental) :

uv pip install "scanpy[leiden]" dask

Consultez le tutoriel Utiliser Dask avec Scanpy. Pour des opérations de type Scanpy accélérées par GPU, utilisez rapids-singlecell en tant que package séparé.

Si l'entrée est un objet R de cellule unique (.rds, .RData, Seurat ou SingleCellExperiment), convertissez-le d'abord en .h5ad avec des outils R, puis chargez-le avec Scanpy. Consultez references/r_interop.md pour les instructions d'installation et de conversion sous macOS, Linux et Windows.

Pour les détails sur la structure et les entrées/sorties d'AnnData, utilisez le skill anndata. Pour les modèles probabilistes et la correction de lot, utilisez scvi-tools.

Quand utiliser ce skill

Ce skill doit être utilisé lorsque :

  • Vous analysez des données de séquençage d'ARN en cellule unique (formats .h5ad, 10X, CSV)
  • Vous travaillez avec des jeux de données de cellule unique compatibles R (.rds, .RData, Seurat, SingleCellExperiment) qui nécessitent une conversion en .h5ad
  • Vous effectuez un contrôle qualité sur des jeux de données scRNA-seq
  • Vous créez des visualisations UMAP, t-SNE ou PCA
  • Vous identifiez des clusters cellulaires et trouvez des gènes marqueurs
  • Vous annotez des types cellulaires en fonction de l'expression génique
  • Vous réalisez une inférence de trajectoire ou une analyse de pseudotemps
  • Vous générez des graphiques de cellule unique de qualité publication

Boîte à outils de scripts (préférez ces scripts à l'écriture de code from scratch)

Ce skill contient des scripts CLI prêts à l'emploi dans scripts/ pour chaque étape courante. Exécutez ces scripts plutôt que d'écrire du code scanpy à la main — ils gèrent le chargement des fichiers par extension, la configuration des figures, des valeurs par défaut judicieuses, la préservation des comptages bruts et la journalisation de la progression. Chacun lit et écrit du .h5ad, donc ils s'enchaînent, et chacun a son propre --help. N'écrivez du code scanpy que lorsqu'une tâche n'est pas couverte par un script ou nécessite une personnalisation inhabituelle.

Tous les scripts utilisent un assistant partagé scripts/_common.py (chargement, sauvegarde, configuration des figures) — conservez-le avec les autres. Exécutez depuis le répertoire du skill ou passez des chemins complets ; les figures sont par défaut dans ./figures/.

ScriptObjectifAppel typique
run_pipeline.pyWorkflow complet en une commande : charger → QC → normaliser → HVG → PCA → (batch) → UMAP → Leiden → marqueurspython scripts/run_pipeline.py raw.h5ad -o processed.h5ad
inspect_data.pyRésumer un jeu de données inconnu (forme, obs/var, couches, ce qui est déjà calculé, brut vs normalisé)python scripts/inspect_data.py data.h5ad
convert.pyCharger n'importe quel format (répertoire 10x/.h5, csv, loom, mtx) et écrire du .h5adpython scripts/convert.py 10x_dir/ -o data.h5ad
qc_analysis.pyMétriques QC, graphiques avant/après, filtrage, option Scrublet pour les doubletspython scripts/qc_analysis.py raw.h5ad -o qc.h5ad --scrublet
preprocess.pyNormaliser, log1p, HVG, option scale/regress (conserve la couche counts + raw)python scripts/preprocess.py qc.h5ad -o norm.h5ad
reduce_dimensions.pyPCA + graphique de variance, voisins, UMAP, option t-SNEpython scripts/reduce_dimensions.py norm.h5ad -o red.h5ad
batch_correct.pyIntégration : harmony / bbknn / combatpython scripts/batch_correct.py red.h5ad -o int.h5ad --method harmony --batch-key sample
cluster.pyLeiden (ou louvain) à une ou plusieurs résolutionspython scripts/cluster.py red.h5ad -o clu.h5ad --resolution 0.3 0.6 1.0
find_markers.pyrank_genes_groups + CSV par groupe + graphiques de marqueurspython scripts/find_markers.py clu.h5ad --groupby leiden -o clu.h5ad
annotate.pyMapper les clusters → types cellulaires depuis JSON/CSV ; option dotplot de référence des marqueurspython scripts/annotate.py clu.h5ad -o ann.h5ad --mapping map.json
score_genes.pyNoter les signatures géniques (JSON) et/ou la phase du cycle cellulairepython scripts/score_genes.py ann.h5ad -o scored.h5ad --gene-sets sigs.json
pseudobulk.pyAgréger les comptages par échantillon × type cellulaire → matrice pour pydeseq2python scripts/pseudobulk.py ann.h5ad --by sample cell_type --out-prefix pb
subset.pySous-ensembler par valeurs obs ou liste de gènes (optionnellement effacer les embeddings obsolètes)python scripts/subset.py ann.h5ad -o tcells.h5ad --obs cell_type --keep "T cells"
plot.pyGénérer des graphiques umap/tsne/pca/violin/dotplot/heatmap/etc. à partir d'un objet traitépython scripts/plot.py ann.h5ad --kind dotplot --genes CD3D CD14 --groupby cell_type

Exécution de bout en bout en une commande

# Comptages → objet clusterisé avec marqueurs annotés + figures + CSV de marqueurs
python scripts/run_pipeline.py raw.h5ad -o processed.h5ad \
    --resolution 0.5 --n-top-genes 2000 --scrublet
# Avec intégration multi-échantillons :
python scripts/run_pipeline.py raw.h5ad -o processed.h5ad --batch-key sample --batch-method harmony
# Paramètres reproductibles via JSON (les clés reflètent les noms des flags avec des underscores) :
python scripts/run_pipeline.py raw.h5ad -o processed.h5ad --config params.json

Chaîne étape par étape (lorsque vous devez inspecter/itérer entre les étapes)

python scripts/qc_analysis.py        raw.h5ad  -o qc.h5ad   --scrublet
python scripts/preprocess.py         qc.h5ad   -o norm.h5ad --n-top-genes 2000
python scripts/reduce_dimensions.py  norm.h5ad -o red.h5ad  --n-pcs 40
python scripts/cluster.py            red.h5ad  -o clu.h5ad  --resolution 0.3 0.5 0.8
python scripts/find_markers.py       clu.h5ad  -o clu.h5ad  --groupby leiden --use-raw
# inspecter résultats/marqueurs/*.csv, décider des étiquettes, écrire un JSON de mapping, puis :
python scripts/annotate.py           clu.h5ad  -o ann.h5ad  --mapping celltypes.json

Les sections ci-dessous documentent les appels scanpy sous-jacents que chaque script effectue — lisez-les lorsque vous personnalisez au-delà des flags du script.

Démarrage rapide

Importation et configuration de base

import scanpy as sc
import pandas as pd
import numpy as np

# Configurer les paramètres
sc.settings.verbosity = 3
sc.settings.set_figure_params(dpi=80, facecolor='white')
sc.settings.figdir = './figures/'
sc.settings.autosave = True  # Préféré à save= par graphique (déprécié dans scanpy 1.12)

Chargement des données

# Depuis 10X Genomics
adata = sc.read_10x_mtx('chemin/vers/donnees/')
adata = sc.read_10x_h5('chemin/vers/donnees.h5')

# Depuis h5ad (format AnnData)
adata = sc.read_h5ad('chemin/vers/donnees.h5ad')

# Depuis CSV
adata = sc.read_csv('chemin/vers/donnees.csv')

Pour les fichiers R natifs, n'essayez pas d'analyser les fichiers .rds de Seurat directement en Python. Convertissez d'abord :

# Voir references/r_interop.md pour installer R et les packages de conversion.
Rscript convert_rds_to_h5ad.R input.rds output.h5ad

adata = sc.read_h5ad('output.h5ad')

Comprendre la structure d'AnnData

L'objet AnnData est la structure de données centrale dans scanpy :

adata.X          # Matrice d'expression (cellules × gènes)
adata.obs        # Métadonnées des cellules (DataFrame)
adata.var        # Métadonnées des gènes (DataFrame)
adata.uns        # Annotations non structurées (dict)
adata.obsm       # Données multi-dimensionnelles des cellules (PCA, UMAP)
adata.raw        # Sauvegarde des données brutes

# Accéder aux noms des cellules et des gènes
adata.obs_names  # Barcodes des cellules
adata.var_names  # Noms des gènes

Workflow d'analyse standard

Les sept étapes, avec le code et les paramètres importants à chaque étape, se trouvent dans references/analysis_workflow.md :

  1. Contrôle qualité — filtrer les cellules et les gènes ; inspecter la fraction mitochondriale et les comptages avant de choisir les seuils plutôt que de copier les valeurs par défaut.
  2. Normalisation et prétraitement — normaliser, transformer en log, sélectionner les gènes hautement variables, et conserver .raw pour les graphiques ultérieurs.
  3. Réduction de dimensionnalité — PCA, puis le graphe de voisinage, puis UMAP.
  4. Clustering — Leiden à une résolution choisie pour la question, pas la valeur par défaut.
  5. Identification des gènes marqueurs — gènes classés par cluster.
  6. Annotation des types cellulaires — mapper les clusters aux types à partir des marqueurs.
  7. Sauvegarde des résultats — écrire l'AnnData annotée.

Les tâches de suivi courantes — graphiques de publication, inférence de trajectoire, expression différentielle pseudobulk entre conditions, notation de jeux de gènes et correction de lot — se trouvent dans le même fichier. Voir aussi references/standard_workflow.md et references/plotting_guide.md.

Paramètres clés à ajuster

Contrôle qualité

  • min_genes : Nombre minimum de gènes par cellule (typiquement 200-500)
  • min_cells : Nombre minimum de cellules par gène (typiquement 3-10)
  • pct_counts_mt : Seuil mitochondrial (typiquement 5-20%)

Normalisation

  • target_sum : Nombre de comptages cible par cellule (par défaut 1e4)

Sélection de caractéristiques

  • n_top_genes : Nombre de HVGs (typiquement 2000-3000)
  • min_mean, max_mean, min_disp : Paramètres de sélection des HVG

Réduction de dimensionnalité

  • n_pcs : Nombre de composantes principales (vérifier le graphique du ratio de variance)
  • n_neighbors : Nombre de voisins (typiquement 10-30)

Clustering

  • resolution : Granularité du clustering (0.4-1.2, plus élevé = plus de clusters)

Pièges courants et bonnes pratiques

  1. Toujours sauvegarder les comptages bruts : adata.raw = adata avant de filtrer les gènes
  2. Vérifier attentivement les graphiques QC : Ajuster les seuils en fonction de la qualité du jeu de données
  3. Utiliser le clustering de Leiden : sc.tl.louvain est déprécié dans scanpy 1.12
  4. Essayer plusieurs résolutions de clustering : Trouver la granularité optimale
  5. Valider les annotations de types cellulaires : Utiliser plusieurs gènes marqueurs
  6. Utiliser use_raw=True pour les graphiques d'expression génique : Affiche les comptages normalisés depuis .raw
  7. Vérifier le ratio de variance de la PCA : Déterminer le nombre optimal de PCs
  8. Sauvegarder les résultats intermédiaires : Les longs workflows peuvent échouer en cours de route
  9. Pseudobulk pour l'expression différentielle : Ne pas traiter les p-valeurs de rank_genes_groups comme une analyse rigoureuse de l'expression différentielle entre conditions
  10. Sauvegarder les graphiques via les paramètres : Utiliser sc.settings.autosave au lieu du save= déprécié sur les fonctions de tracé
  11. Convertir les objets R avant Scanpy : Utiliser les packages R pour convertir les fichiers Seurat ou SingleCellExperiment .rds en .h5ad, en conservant les comptages, les métadonnées et les identifiants de gènes

Ressources fournies

scripts/ (Boîte à outils CLI)

Un ensemble de scripts composables en entrée/.h5ad en sortie couvrant tout le workflow plus un pipeline complet en une commande. Voir la section Boîte à outils de scripts ci-dessus pour le tableau complet et des exemples d'enchaînement. Chaque script a --help. Fichiers :

  • _common.py — assistants partagés de chargement/sauvegarde/figures importés par les autres (pas un CLI)
  • run_pipeline.py — pipeline complet en une commande (flags ou --config JSON)
  • inspect_data.py, convert.py — explorer et charger/convertir n'importe quel format d'entrée
  • qc_analysis.py, preprocess.py, reduce_dimensions.py, batch_correct.py, cluster.py — étapes du pipeline
  • find_markers.py, annotate.py, score_genes.py, pseudobulk.py — marqueurs, annotation, notation, préparation DE
  • subset.py, plot.py — sous-ensembler par métadonnées/gènes ; générer n'importe quel graphique standard

Utilisez ces scripts par défaut avant d'écrire du code scanpy à la main.

references/standard_workflow.md

Workflow complet étape par étape avec des explications détaillées et des exemples de code pour :

  • Chargement et configuration des données
  • Contrôle qualité avec visualisation
  • Normalisation et mise à l'échelle
  • Sélection de caractéristiques
  • Réduction de dimensionnalité (PCA, UMAP, t-SNE)
  • Clustering (Leiden)
  • Détection de doublets (scrublet) et agrégation pseudobulk
  • Identification de gènes marqueurs
  • Annotation de types cellulaires
  • Inférence de trajectoire
  • Expression différentielle

Lisez cette référence lorsque vous effectuez une analyse complète à partir de zéro.

references/api_reference.md

Guide de référence rapide pour les fonctions scanpy organisées par module :

  • Lecture/écriture de données (sc.read_*, adata.write_*)
  • Prétraitement (sc.pp.*)
  • Outils (sc.tl.*)
  • Tracé (sc.pl.*)
  • Structure et manipulation d'AnnData
  • Paramètres et utilitaires

Utilisez ceci pour une recherche rapide des signatures de fonctions et des paramètres courants.

references/plotting_guide.md

Guide complet de visualisation comprenant :

  • Graphiques de contrôle qualité
  • Visualisations de réduction de dimensionnalité
  • Visualisations de clustering
  • Graphiques de gènes marqueurs (heatmaps, dot plots, violin plots)
  • Graphiques de trajectoire et de pseudotemps
  • Personnalisation de qualité publication
  • Figures multi-panneaux
  • Palettes de couleurs et style

Consultez ceci lors de la création de figures prêtes à publier.

references/r_interop.md

Manuel d'utilisation pour l'agent pour installer R sur macOS, Linux et Windows, installer les packages de conversion CRAN/Bioconductor, inspecter les entrées .rds/.RData, convertir les objets Seurat ou SingleCellExperiment en .h5ad, et valider le résultat dans Scanpy.

assets/analysis_template.py

Modèle d'analyse complet fournissant un workflow complet du chargement des données à l'annotation des types cellulaires. Copiez et personnalisez ce modèle pour de nouvelles analyses :

cp assets/analysis_template.py mon_analyse.py
# Modifier les paramètres et exécuter
python mon_analyse.py

Le modèle inclut toutes les étapes standard avec des paramètres configurables et des commentaires utiles.

Modèles JSON assets/

Modèles à modifier et à passer pour ne pas avoir à créer la configuration/les mappings à partir de zéro :

  • assets/pipeline_config.json — jeu de paramètres pour run_pipeline.py --config
  • assets/celltype_mapping.json — carte cluster → type cellulaire pour annotate.py --mapping
  • assets/gene_signatures.json — signatures de jeux de gènes pour score_genes.py --gene-sets

Ressources supplémentaires

Références

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

adaptyv

How to use the Adaptyv Bio Foundry API and Python SDK for protein experiment design, submission, and results retrieval. Use this skill whenever the user mentions Adaptyv, Foundry API, protein binding assays, protein screening experiments, BLI/SPR assays, thermostability assays, or wants to submit protein sequences for experimental characterization. Also trigger when code imports `adaptyv`, `adaptyv_sdk`, or `FoundryClient`, or references `foundry-api-public.adaptyvbio.com`.

aeon

This skill should be used for time series machine learning tasks including classification, regression, clustering, forecasting, anomaly detection, segmentation, and similarity search. Use when working with temporal data, sequential patterns, or time-indexed observations requiring specialized algorithms beyond standard ML approaches. Particularly suited for univariate and multivariate time series analysis with scikit-learn compatible APIs.

alphagenome

Look up precomputed AlphaGenome Atlas effects for any GRCh38 single-nucleotide variant (AVI score with Phred and 18 SHAP feature attributions, plus raw and quantile scores for RNA-seq, DNase, ATAC, ChIP-TF, ChIP-histone, CAGE, PRO-cap, splicing, polyadenylation and contact-map tracks), score variants or scan windows on demand with the AlphaGenome model for human and mouse (variant scoring, in silico mutagenesis, REF-versus-ALT track prediction), and build Atlas website deep links. Use when the user mentions AlphaGenome, AlphaGenome Atlas, AVI or AlphaGenome Variant Impact, DeepMind variant effect prediction, or wants to prioritise or mechanistically interpret non-coding, regulatory, splicing, enhancer, promoter, or chromatin-accessibility effects of SNVs from a VCF, credible set, or region. Research use only; not a clinical tool.

analytical-method-validation

Plan, execute, and document validation, verification, and transfer of analytical procedures under the governing framework - ICH Q2(R2) and Q14, USP <1220>/<1225>/<1226>, ICH M10 bioanalytical, CLSI EP, or ISO/IEC 17025. Use for HPLC, LC-MS/MS, GC, CE, ICP-MS, dissolution, qNMR, qPCR, NIR, and ligand binding or cell-based assays whenever the question is whether a procedure is fit for its intended purpose. Triggers include

anndata

Data structure for annotated matrices in single-cell analysis. Use when working with .h5ad files or integrating with the scverse ecosystem. This is the data format skill—for analysis workflows use scanpy; for probabilistic models use scvi-tools; for population-scale queries use cellxgene-census.

arbor

Autonomously improve a real artifact (code, training recipe, agent harness, data pipeline, prompt) against an objective and an evaluator, using Hypothesis Tree Refinement (HTR) from the Arbor paper. Use this whenever someone wants to iteratively optimize something over many experiments without overfitting — e.g.

arboreto

Infer gene regulatory networks (GRNs) from gene expression data using scalable algorithms (GRNBoost2, GENIE3). Use when analyzing transcriptomics data (bulk RNA-seq, single-cell RNA-seq) to identify transcription factor-target gene relationships and regulatory interactions. Supports distributed computation for large-scale datasets.

astropy

Core Python library for astronomy and astrophysics workflows that need Astropy APIs, including units/quantities, coordinates, FITS I/O, tables, time systems, WCS, and cosmology. Use when implementing or debugging astronomical data analysis code with Astropy.

autoskill

Observe the user

benchling-integration

Benchling Python SDK and REST API integration for registry entities, inventory, ELN entries, workflows, Benchling Apps, and Data Warehouse queries. Use when automating lab data with benchling-sdk or the v2 API.

bgpt-paper-search

Search scientific papers and retrieve structured experimental data extracted from full-text studies via the BGPT MCP server. Returns 25+ fields per paper including methods, results, sample sizes, quality scores, and conclusions. Use for literature reviews, evidence synthesis, and finding experimental details not available in abstracts alone.

bids

>

biopython

Comprehensive molecular biology toolkit. Use for sequence manipulation, file parsing (FASTA/GenBank/PDB), phylogenetics, and programmatic NCBI/PubMed access (Bio.Entrez). Best for batch processing, custom bioinformatics pipelines, BLAST automation. For quick lookups use gget; for multi-service integration use bioservices.

bioservices

Unified Python interface to 40+ bioinformatics services. Use when querying multiple databases (UniProt, KEGG, ChEMBL, Reactome) in a single workflow with consistent API. Best for cross-database analysis, ID mapping across services. For quick single-database lookups use gget; for sequence/file manipulation use biopython.

bulk-rnaseq

End-to-end bulk RNA-seq orchestrator — takes raw FASTQ reads through QC and trimming (FastQC, fastp/Trim Galore), alignment and quantification (STAR, Salmon, featureCounts), assembles a gene-level counts matrix, then hands off to differential expression (pydeseq2), pathway/GSEA enrichment (pathway-enrichment), and publication figures (scientific-visualization). Use whenever the user has bulk RNA-seq reads or quant output and wants a complete, reproducible differential-expression workflow — e.g.

cellxgene-census

Query the CZ CELLxGENE Census programmatically for versioned public single-cell and spatial transcriptomics data. Use when you need population-scale cell metadata, gene expression slices, Census summary counts, source H5AD URIs/downloads, embeddings, spatial Census data, or reference atlas comparisons across organisms, tissues, diseases, assays, and cell types. For analyzing your own local single-cell data use scanpy, anndata, or scvi-tools.

cirq

Google quantum computing framework. Use when targeting Google Quantum AI hardware, designing noise-aware circuits, or running quantum characterization experiments. Best for Google hardware, noise modeling, and low-level circuit design. For IBM hardware use qiskit; for quantum ML with autodiff use pennylane; for physics simulations use qutip.

citation-management

Comprehensive citation management for academic research. Search OpenAlex, PubMed, and Google Scholar for papers, extract accurate metadata, validate citations, and generate properly formatted BibTeX entries. This skill should be used when you need to find papers, verify citation information, convert DOIs to BibTeX, or ensure reference accuracy in scientific writing.

clinical-decision-support

Prepare and validate research-only clinical decision-support evaluation, evidence-profile, cohort, survival, biomarker/model, privacy, and governance artifacts. Use for aggregate or synthetic research documentation and traceability—not patient care or live clinical operation.

clinical-reports

Create safety-bounded draft structures and run local deterministic checks for clinical case, diagnostic, trial, safety, and aggregate research reports. Use only with synthetic, de-identified, or aggregate inputs and verified source-fact manifests; every output requires qualified review.

Skills associés

steipete/video-frames

Extract frames or short clips from videos using ffmpeg.

community

steipete/summarize

Summarize or transcribe URLs, YouTube/videos, podcasts, articles, transcripts, PDFs, and local files.

community

openclaw/openclaw

Use when testing, fixing, or extending the OpenClaw Control UI GUI with Vitest + Playwright end-to-end checks, mocked Gateway WebSocket flows, mocked dashboard runs, screenshots/videos, or agent-verifiable browser proof.

community

obra/superpowers

Obra superpowers agent skills.

community

affaan-m/ECC

See, Understand, Act on video and audio. See- ingest from local files, URLs, RTSP/live feeds, or live record desktop; return realtime context and playable stream links. Understand- extract frames, build visual/semantic/temporal indexes, and search moments with timestamps and auto-clips. Act- transcode and normalize (codec, fps, resolution, aspect ratio), perform timeline edits (subtitles, text/image overlays, branding, audio overlays, dubbing, translation), generate media assets (image, audio...

community

affaan-m/everything-claude-code

End-to-end marketing campaign planning and execution. Covers audience research, positioning, campaign angle definition, landing page copy, email sequences, social posts, ad copy, short-form video scripts, and content calendars. Use as the orchestration layer for multi-channel product launches. Use when planning or executing a multi-channel product launch, or producing landing page, email, social, or ad copy.

community