Skills de Investigación, Ciencia y Conocimiento para Claude Code

claude-scientific-skills — 125+ Skills para Bioinformática, Química, Medicina y ML

K-Dense AI · MIT Uso comercial permitido 160K+ científicos · GitHub ⭐

🔗 github.com/K-Dense-AI/claude-scientific-skills

Qué es y para qué sirve

La colección más completa de skills científicas disponible para Claude Code. Más de 125 skills organizadas en dominios interdisciplinares que convierten a Claude en un asistente de investigación capaz de ejecutar workflows multi-paso complejos en biología, química, medicina y machine learning. Cada skill incluye acceso directo a las librerías Python especializadas del dominio, conexión a bases de datos científicas públicas, y los workflows concretos que un investigador real ejecutaría. La decisión de diseño más importante del repositorio está explicada directamente en el README: todas las skills están agrupadas en un único plugin en lugar de paquetes separados porque la ciencia en la era de la IA es inherentemente interdisciplinar. Un flujo de trabajo real puede combinar genómica, quimioinformática, datos clínicos y machine learning en una sola sesión.

Las 8 categorías principales

🧬 Bioinformática y Genómica: análisis de secuencias, scRNA-seq (single-cell RNA sequencing) con Scanpy, redes de regulación génica, anotación de variantes con Ensembl VEP y ClinVar, análisis filogenético. Ejemplo de workflow: parsear VCF con pysam → anotar con VEP → consultar ClinVar para patogenicidad → buscar en COSMIC. 🧪 Quimioinformática y Drug Discovery: predicción de propiedades moleculares con RDKit, screening virtual, análisis ADMET, molecular docking, lead optimization. Acceso a ChEMBL, PubChem, y bases de datos de estructuras cristalinas. 🔬 Proteómica y Espectrometría de Masas: procesamiento de LC-MS/MS, identificación de péptidos, spectral matching, cuantificación de proteínas. 🏥 Investigación Clínica y Medicina de Precisión: trials clínicos (ClinicalTrials.gov), farmacogenómica, interpretación de variantes, seguridad de fármacos, planificación de tratamientos personalizados. 🧠 Healthcare AI y ML Clínico: análisis de EHR, procesamiento de señales fisiológicas, imaging médico, modelos de predicción clínica. 🖼️ Medical Imaging y Digital Pathology: procesamiento DICOM, análisis de whole slide images (WSI), patología computacional, workflows de radiología. 🤖 Machine Learning e IA: deep learning con PyTorch Lightning, reinforcement learning, análisis de series temporales, interpretabilidad de modelos, métodos bayesianos. Integración con PennyLane y Qiskit para computación cuántica. 📊 Análisis y Comunicación: literatura científica, escritura de papers, peer review, procesamiento de documentos. Integración con herramientas de lab como Benchling, DNAnexus, LatchBio, y OMERO.

26+ bases de datos científicas directamente accesibles

La skill más transversal del paquete es la de database lookup unificada: proporciona acceso REST directo a 78 bases de datos públicas incluyendo OpenAlex, PubMed, ChEMBL, UniProt, COSMIC, ClinicalTrials.gov, AlphaFold, STRING, Ensembl, y más.

Ejemplos de uso

"Query ChEMBL for EGFR inhibitors with IC50 < 50nM, analyze
 structure-activity relationships with RDKit, generate improved
 analogs with datamol, and perform virtual screening with DiffDock
 against the AlphaFold EGFR structure."

"Run scRNA-seq analysis on this count matrix: normalize, cluster,
 identify marker genes, and annotate cell types."

"Search ClinicalTrials.gov for Phase 3 trials on osimertinib
 in EGFR-mutant NSCLC published in the last 2 years."

"Analyze this protein sequence with BioPython, predict secondary
 structure, and find homologs in UniProt with >60% identity."

Instalación

npx skills add K-Dense-AI/claude-scientific-skills
# Instala todas las 125+ skills de una vez

# O via plugin marketplace de Claude Code
/plugin marketplace add K-Dense-AI/claude-scientific-skills
/plugin install scientific-skills@k-dense

materials-simulation-skills — Simulación Computacional de Materiales

Open Source HeshamFS

🔗 github.com/HeshamFS/materials-simulation-skills

Qué es y para qué sirve

Skills especializadas para ciencia computacional de materiales y simulaciones numéricas. Cubren el ciclo completo de un proyecto de simulación: desde la estabilidad numérica inicial hasta el post-procesado de resultados, pasando por la generación de malla, los solvers lineales, y la validación. Están diseñadas para el estándar de Agent Skills de Anthropic y son compatibles con Claude Code, Codex y cualquier agente que soporte SKILL.md. El patrón de uso es simple: menciona la skill por nombre en la petición o describe una tarea que encaje con su descripción.

Skills incluidas

numerical-stability: verifica la estabilidad de parámetros numéricos como el paso de tiempo (dt) para simulaciones de campo de fase, ecuaciones diferenciales parciales, y otros métodos numéricos. Previene inestabilidades numéricas antes de lanzar runs costosas. time-stepping: selección y configuración de esquemas de integración temporal para simulaciones dinámicas. linear-solvers: selección del solver lineal apropiado (directo vs. iterativo, precondicionadores) según el tipo y escala del problema. mesh-generation: generación de mallas de calidad para FEM y otros métodos de volumen finito, con control de densidad y criterios de calidad de elementos. simulation-validation: protocolos de validación de resultados de simulación contra datos experimentales o soluciones analíticas conocidas. parameter-optimization: optimización de parámetros de simulación para equilibrar precisión y coste computacional. post-processing: análisis y visualización de resultados de simulación.

Ejemplos de uso

"Use numerical-stability to check a proposed dt=0.001
 for my phase-field solidification run with kappa=0.01."

"I need to solve a 3M DOF sparse linear system from my FEM model.
 Which solver and preconditioner should I use?"

"Generate a mesh for this L-shaped domain with refinement
 near the re-entrant corner for a fracture mechanics problem."

"Validate my MD simulation results against these experimental
 radial distribution function measurements."

Instalación

git clone https://github.com/HeshamFS/materials-simulation-skills.git ~/.claude/skills/materials-simulation

# O para un proyecto específico
git clone https://github.com/HeshamFS/materials-simulation-skills.git .claude/skills/materials-simulation

deep-research — Investigación Autónoma Multi-Paso con Gemini Deep Research

Requiere Gemini API Key · $2-5/tarea sanjay3290

🔗 github.com/sanjay3290/ai-skills/tree/main/skills/deep-research

Qué es y para qué sirve

La diferencia fundamental entre deep-research y una búsqueda web normal está en la propia descripción del skill: «A diferencia de las queries LLM estándar que responden en segundos, Deep Research es un ‘analista en una caja’ que planifica, busca, lee y sintetiza información en informes completos con citas.» El agente usa el modelo deep-research-pro-preview-12-2025 de Google, alimentado por Gemini 3 Pro. El proceso es autónomo: el agente elabora un plan de investigación, identifica las fuentes a consultar, las lee, y sintetiza los hallazgos. Esto tarda entre 2 y 10 minutos pero produce un análisis que a un investigador humano le llevaría horas.

Cómo funciona

La skill usa un script Python (research.py) que se comunica con el endpoint de Gemini Deep Research API via polling: envía la query con POST /interactions y consulta el progreso con GET /interactions hasta que el análisis está completo. Un HistoryManager en ~/.cache/deep-research/ guarda los IDs de interacción para poder continuar o refinar tareas anteriores. La skill es read-only por diseño: no modifica archivos, solo produce informes.

Ejemplos de uso

"Research the competitive landscape for AI coding assistants in 2026.
 Include pricing, market share, and key differentiators."

"Do a literature review on CRISPR therapeutic applications in
 monogenic diseases. Focus on clinical trials from 2023-2026."

"Analyze the regulatory landscape for autonomous vehicles in
 the EU and compare it with the US framework."

# Con formato específico
python3 scripts/research.py \
  --query "Compare Python web frameworks for production APIs" \
  --format "1. Executive Summary\n2. Comparison Table\n3. Recommendations"

# Continuar una investigación anterior
python3 scripts/research.py --continue

Instalación

npx skills add sanjay3290/ai-skills --skill deep-research

export GEMINI_API_KEY=tu_api_key
pip install httpx python-dotenv

manus — Delegación de Tareas al Agente Manus AI

Requiere cuenta Manus AI sanjay3290

🔗 github.com/sanjay3290/ai-skills/tree/main/skills/manus

Qué es y para qué sirve

Manus es un agente IA autónomo que ejecuta tareas largas en un entorno sandbox de Linux propio, con un navegador real, un intérprete Python, y acceso a ficheros. La skill manus permite que Claude Code delegue tareas complejas a Manus para ejecución asíncrona: Claude actúa como coordinador, Manus como ejecutor. La diferencia clave con deep-research es la naturaleza de la ejecución: Manus no solo investiga, también ejecuta workflows que requieren múltiples herramientas en paralelo, genera visualizaciones, exporta CSVs y produce informes con charts reales.

Cuándo usarla

Investigación de mercado o competitiva que abarca múltiples fuentes web. Análisis financiero que requiere gráficos de cotización y métricas de valoración. Workflows multi-paso que tardan de minutos a horas. Informes que deben incluir tablas, exportaciones CSV, y visualizaciones. Análisis comparativo entre productos, proveedores, o feature sets.

Cómo funciona

Claude envía una prompt y adjuntos opcionales a Manus, que devuelve un task_id y un task_url para seguimiento. Claude consulta el estado hasta que la tarea se completa o falla, y entonces recupera los outputs de texto y los archivos adjuntos (informes, CSVs, visualizaciones). Hay tres perfiles de agente: lite, standard, y max, que permiten equilibrar velocidad y coste frente a profundidad de análisis.

Ejemplos de uso

"Use manus to research the top 10 no-code platforms in 2026.
 Include pricing, feature comparison table, and market positioning.
 Export as a markdown report with a comparison CSV."

"Ask manus to analyze NVIDIA's financial performance over the
 last 4 quarters: revenue breakdown, margins, guidance, and
 a stock price chart."

"Have manus compare the five most popular vector databases:
 performance benchmarks, pricing, and typical use cases."

Instalación

npx skills add sanjay3290/ai-skills --skill manus

export MANUS_API_KEY=tu_api_key  # en manus.im

paper-search — 250 Millones de Papers Académicos. Sin API Key.

✓ Gratis · OpenAlex · Sin API key ykdojo (creador de claude-code-tips, 8K+ estrellas)

🔗 github.com/ykdojo/paper-search

Qué es y para qué sirve

Plugin y skill de Claude Code para buscar papers académicos via la API de OpenAlex: el catálogo abierto más grande del mundo de publicaciones académicas, con 250 millones de trabajos indexados, mantenido por OurResearch (los creadores de Unpaywall). No requiere API key, no tiene autenticación, y el límite gratuito es de 100.000 consultas al día. La skill permite buscar por keyword, obtener detalles por DOI, ordenar resultados por número de citas o fecha de publicación, y paginar resultados. Los campos devueltos incluyen: título, autores, afiliaciones, DOI, año, revista, número de citas, abstract, y estado de acceso abierto con URL del PDF cuando está disponible.

Cómo funciona

Claude detecta automáticamente las peticiones de búsqueda de papers y usa la skill. La instalación como plugin en Claude Code incluye también el skill de region breakdown para análisis de impacto geográfico de las publicaciones.

Ejemplos de uso

"Search for papers on transformer attention mechanisms
 published in 2024-2026, sorted by citation count."

"Find the details of this paper by DOI: 10.1038/s41586-021-03819-2"

"What are the most cited papers on protein structure prediction
 from the last 5 years?"

"Find recent papers combining CRISPR with organoid models
 for disease modeling."

"Search for literature on federated learning for healthcare
 applications. Show me the 20 most cited."

Instalación

claude plugin marketplace add ykdojo/paper-search
claude plugin install paper-search@paper-search

article-extractor — Extracción Limpia de Artículos Web

Sin API key · trafilatura michalparkola · 253 ⭐

🔗 github.com/michalparkola/tapestry-skills-for-claude-code/tree/main/article-extractor

Qué es y para qué sirve

Extrae el contenido principal de artículos web y posts de blog, eliminando navegación, anuncios, overlays de newsletter, footers, sidebars y todo el ruido visual. Guarda el texto limpio y legible. Usa la librería trafilatura bajo el capó, que es una de las herramientas más precisas de extracción de contenido web disponibles. La skill también sugiere automáticamente si quieres crear un plan de implementación Ship-Learn-Next a partir del contenido extraído, conectando la adquisición de información con la acción.

Cómo funciona

Se activa cuando el usuario proporciona una URL de artículo o pide descargar, leer, o extraer contenido de una web. Llama a trafilatura –URL «URL» –output-format txt y guarda el resultado. Para excluir comentarios y tablas: añade las flags –no-comments –no-tables.

Ejemplos de uso

"Extract the content from this article:
 https://example.com/long-article-about-ai"

"Read and clean this research blog post so I can analyze it:
 https://research.google/blog/..."

"Download the text from these 5 articles and compile a summary."

Instalación

npx skills add https://github.com/michalparkola/tapestry-skills-for-claude-code --skill article-extractor
pip install trafilatura

tapestry + ship-learn-next — Del Consumo Pasivo a la Implementación Real

Sin API key · Sin dependencias externas michalparkola · 253 ⭐

🔗 tapestry: github.com/michalparkola/tapestry-skills-for-claude-code/tree/main/tapestry

🔗 ship-learn-next: github.com/michalparkola/tapestry-skills-for-claude-code/tree/main/ship-learn-next

Qué son y para qué sirven

Tapestry y ship-learn-next forman el par central de un framework de aprendizaje activo diseñado para resolver un problema concreto: dejas de acumular bookmarks y listas de «ver después» y empiezas a convertir cada recurso que consumes en trabajo real. ship-learn-next es el framework de transformación: convierte contenido de aprendizaje (transcripciones, artículos, tutoriales) en planes de implementación accionables usando la metodología Ship-Learn-Next. El principio es que aprender = hacer mejor, no saber más. El framework crea «quests» y «reps» (repeticiones) que fuerzan a construir algo concreto basado en cada recurso. tapestry es el orquestador maestro: detecta automáticamente el tipo de contenido (YouTube, artículo, PDF), extrae el contenido limpio, y crea automáticamente el plan Ship-Learn-Next. Un solo comando toma cualquier recurso de aprendizaje y produce tanto el texto limpio como el plan de acción.

Cómo funciona tapestry

User: "tapestry https://www.youtube.com/watch?v=..."
Claude:
  🧵 Tapestry Workflow Starting...
  📍 Detected: youtube
  📺 Extracting YouTube transcript...
  ✓ Saved transcript: [titulo].txt
  🚀 Creating action plan...
  ✓ Quest: [Objetivo principal del video]
  ✓ Saved plan: Ship-Learn-Next Plan - [titulo].md
  ✅ Tapestry Complete!
  📥 Content: [titulo].txt
  📋 Plan: Ship-Learn-Next Plan - [titulo].md
  🎯 Rep 1

Cómo funciona ship-learn-next

La skill analiza el contenido extraído e identifica: la quest principal (qué construir), los reps (acciones concretas y medibles que la implementan), y la fecha límite del primer rep. El plan resultante responde exactamente «¿cuándo vas a entregar el Rep 1?»

Ejemplos de uso

# Proceso completo de YouTube a plan de acción
"Tapestry this video: https://youtube.com/watch?v=..."

# Artículo a plan
"Tapestry this article for me:
 https://martinfowler.com/articles/event-sourcing.html"

# Varios recursos combinados
"I want to learn about React Server Components. Tapestry these:
 - https://youtube.com/watch?v=...
 - https://react.dev/blog/2023/03/22/...
 - https://example.com/rsc-patterns.pdf"

# Solo el plan, desde texto ya extraído
"Turn this transcript into an implementation plan using ship-learn-next."

Instalación

git clone https://github.com/michalparkola/tapestry-skills-for-claude-code.git
cd tapestry-skills-for-claude-code && ./install.sh

# O manual
mkdir -p ~/.claude/skills
cp -r tapestry ~/.claude/skills/
cp -r ship-learn-next ~/.claude/skills/
cp -r article-extractor ~/.claude/skills/
pip install trafilatura  # necesario para article-extractor

content-research-writer — Partner de Escritura con Investigación Integrada

Sin dependencias externas ComposioHQ · 62K+ ⭐

🔗 github.com/ComposioHQ/awesome-claude-skills/tree/master/content-research-writer

Qué es y para qué sirve

Un partner de escritura colaborativa que asiste en todo el ciclo de creación de contenido: investigación, outline, borrador, citas, y refinamiento. A diferencia de pedirle a Claude que «escriba un artículo», esta skill establece un proceso iterativo en el que el escritor mantiene su voz y estilo mientras Claude maneja la investigación, la estructura, y el feedback sección a sección. Está diseñada para escritores de contenido, educadores, y escritores técnicos que necesitan soporte colaborativo durante el proceso sin perder su identidad de escritura. Soporta distintos tipos de contenido con estructuras específicas: posts de blog, artículos de thought leadership, tutoriales, newsletters, y documentación técnica.

Cómo funciona

El workflow establece que Claude no escribe de golpe sino que acompaña: colabora en el outline y la investigación antes de escribir, da feedback sección a sección a medida que el escritor avanza, sugiere mejoras específicas para claridad, flujo, evidencia, y estilo, y refina los hooks de apertura iterativamente. El folder incluye plantillas de organización de archivos para distintos tipos de contenido.

Ejemplos de uso

"I'm writing an article about the shift from DevOps to platform
 engineering. Help me research the key themes and outline a
 structure for a 2,000-word post."

"Here's my introduction. Help me make the hook more compelling."

"I just finished the 'Why This Matters' section.
 Review it and give feedback on flow and evidence quality."

"Review the full draft for clarity, consistency,
 and missing citations."

Instalación

npx skills add https://github.com/composiohq/awesome-claude-skills --skill content-research-writer

internal-comms — Comunicaciones Internas Corporativas (Oficial Anthropic)

Oficial Anthropic · Source-available 87K+ instalaciones

🔗 github.com/anthropics/skills/tree/main/skills/internal-comms

Qué es y para qué sirve

Skill oficial de Anthropic para redactar comunicaciones internas corporativas con los formatos y el tono correctos. El concepto central es que esta skill está diseñada para ser personalizada: los formatos de empresa incluidos son los de Anthropic por defecto, pero el valor real viene de reemplazarlos con las guías de estilo de tu propia organización. Cubre los siete tipos de comunicación interna más frecuentes en empresas de tecnología, ajustando automáticamente el tono y la densidad de información según el tipo de audiencia.

Tipos de comunicación soportados

Cada tipo tiene su propio archivo de guía en el directorio examples/: 3P Updates (Progress/Plans/Problems): el formato clásico de actualización semanal de equipo, estructurado en tres secciones para máxima escaneabilidad. Company Newsletters: comunicaciones all-company con estructura para diferentes secciones (highlights, people, upcoming). FAQ responses: respuestas a preguntas frecuentes en un formato aprobado para consistencia entre equipos. Status reports: informes de estado de proyecto con métricas y bloqueantes. Leadership updates: briefings para liderazgo con el nivel correcto de abstracción. Project updates: actualizaciones de proyecto para stakeholders cross-funcionales. Incident reports: post-mortems y comunicaciones de incidentes, con formato para timeline, impacto, causa raíz y acciones correctivas.

Cómo personalizarla para tu empresa

La arquitectura de la skill está pensada para la personalización: reemplaza los archivos en examples/ con las guías de estilo y plantillas de tu empresa, y Claude empezará a producir comunicaciones que siguen exactamente tu estilo corporativo en lugar del de Anthropic.

Ejemplos de uso

"Write a 3P update for the platform team's sprint this week.
 Progress: shipped the new auth flow. Plans: migrate legacy users.
 Problems: CDN latency regression in EU."

"Draft an all-hands email announcing the new remote work policy."

"Create an incident report for the 2-hour API outage this morning.
 Timeline: 09:15 alert, 09:30 mitigation, 11:05 resolution."

"Write a leadership briefing on Q2 product milestones."

Instalación

npx skills add https://github.com/anthropics/skills --skill internal-comms

brainstorming (Superpowers) — Diseño Socrático antes de la Implementación

MIT · obra/superpowers · 207K ⭐

🔗 github.com/obra/superpowers/tree/main/skills/brainstorming

Qué es y para qué sirve

La skill de brainstorming de Superpowers actúa como puerta de entrada obligatoria antes de cualquier implementación. Su función no es generar ideas de forma libre sino refinar ideas imprecisas en diseños técnicamente sólidos a través de un diálogo socrático estructurado. La restricción más importante de la skill está en mayúsculas en el SKILL.md: «Do NOT invoke any implementation skill, write any code, scaffold any project, or take any implementation action until you have presented a design and the user has approved it.» Esto elimina el patrón más dañino de los agentes de IA: saltar directamente a código sin entender completamente el problema.

El proceso de 6 fases

Fase 1 — Exploración de contexto: Claude revisa los archivos, docs y commits recientes del proyecto para entender el estado actual antes de hacer preguntas. Fase 2 — Compañero visual (opcional): si el tema tendrá preguntas visuales, Claude lo anuncia como mensaje separado. Fase 3 — Preguntas clarificadoras: una pregunta a la vez, preferentemente de opción múltiple, cubriendo propósito, restricciones, y criterios de éxito. Claude nunca hace dos preguntas en el mismo mensaje. Fase 4 — Propuesta de enfoques: Claude propone 2-3 alternativas con trade-offs y su recomendación razonada. Fase 5 — Presentación del diseño por secciones: Claude presenta el diseño en secciones escaladas a su complejidad (arquitectura, componentes, flujo de datos, manejo de errores, testing), y pide aprobación después de cada sección. Fase 6 — Documento de diseño: guarda el spec aprobado en docs/superpowers/specs/YYYY-MM-DD-<tema>-design.md y hace commit. Luego invoca la skill writing-plans para crear el plan de implementación.

Para proyectos grandes

Si el proyecto es demasiado grande para un único spec, la skill ayuda a descomponerlo en sub-proyectos independientes: qué piezas son independientes, cómo se relacionan, y en qué orden deben construirse. Cada sub-proyecto tiene su propio ciclo spec → plan → implementación.

Ejemplos de uso

"I want to build a real-time collaborative code editor."

"Help me design a caching layer for our API."

"I need to refactor our authentication system to support SSO."

"Design a pipeline for processing and storing user events at scale."

Instalación

/plugin install superpowers@claude-plugins-official
# O solo la skill de brainstorming
npx skills add obra/superpowers --skill brainstorming

claude-family-history-research-skill — Genealogía con Metodología Profesional

MIT · Sin dependencias emaynard

🔗 github.com/emaynard/claude-family-history-research-skill

Qué es y para qué sirve

Skill especializada en planificación y metodología de investigación genealógica. Adopta el marco profesional del GPS (Genealogical Proof Standard) y el principio FAN (Family, Associates, Neighbors) para garantizar que la investigación sea exhaustiva y documentada, en lugar de impulsiva. El principio central de la skill es «plan-before-search»: cuando el usuario menciona un antepasado, Claude NO lanza búsquedas inmediatas. En cambio, primero recopila información del usuario, define el objetivo de investigación, crea un plan con fuentes priorizadas, y solo entonces sugiere estrategias de búsqueda concretas. Incluye también guías de privacidad específicas para genealogía con IA: no compartir SSNs, certificados de nacimiento de vivos, ni documentos sobre personas fallecidas recientemente (generalmente dentro de los últimos 75-100 años).

Capacidades del skill

Planificación estructurada: workflows de investigación con objetivos claramente definidos, fuentes priorizadas por relevancia para el problema específico, y estrategias de búsqueda adaptadas al período, región, y origen étnico del antepasado. Análisis de evidencias: distinción entre evidencias originales vs. derivadas, análisis de información directa vs. indirecta, resolución de conflictos entre fuentes contradictorias. Gestión de citas profesionales: el estándar de citas «Evidence Explained» para genealogía, con formatos específicos para registros civiles, eclesiásticos, censales, militares, y bases de datos digitales. Seguimiento de investigación: registro de búsquedas realizadas y resultados negativos (tan importantes como los positivos en genealogía).

Ejemplos de uso

"I want to research my great-grandmother Maria Kowalski,
 born around 1890 in Poland. I know she emigrated to the US
 around 1910. Where do I start?"

"I have conflicting information: the census says my ancestor
 was born in 1875, but the death certificate says 1878.
 How do I resolve this?"

"Create a research plan to find my ancestor's parish of origin
 in County Mayo, Ireland, circa 1840."

"Help me write a proper citation for this church record
 I found on FamilySearch."

Instalación

git clone https://github.com/emaynard/claude-family-history-research-skill.git
cp -r claude-family-history-research-skill ~/.claude/skills/family-history-planning

avoid-ai-writing — Auditoría y Reescritura para Eliminar Patrones de IA

Sin API key · Sin dependencias conorbronsdon · 284 ⭐

🔗 github.com/conorbronsdon/avoid-ai-writing

Qué es y para qué sirve

La skill más técnicamente sofisticada de este artículo en términos de análisis lingüístico. Audita y reescribe contenido para eliminar los patrones de escritura que los lectores y las herramientas de detección identifican como generados por IA, usando un sistema de dos pasadas y una tabla de reemplazo de vocabulario de 109 entradas organizadas en tres niveles. La distinción clave frente a un prompt genérico de «hazlo sonar más humano»: la skill devuelve los problemas identificados con el texto citado, la reescritura, un resumen de cambios, y una segunda auditoría en cuatro secciones discretas. Ves exactamente qué cambió y por qué.

Los tres niveles del sistema de vocabulario

Tier 1: palabras que siempre se marcan. Son los marcadores más fiables de escritura de IA: «leverage» → «use», «commence» → «start», «utilize» → «use», «facilitate» → «help», «paradigm», «holistic», «seamless», «streamline». Tier 2: palabras que se marcan cuando aparecen en clúster. Individualmente son aceptables; juntas señalan escritura de IA. Tier 3: frases multi-palabra que se marcan por repetición o cuando aparecen 3+ frases distintas del tier en el mismo texto. Ejemplos: «the integration of», «decentralized compute», «cutting-edge solutions».

Las 36 categorías de patrones

Además del vocabulario, la skill detecta: ritmo uniforme (todas las frases del mismo largo), inflación de lenguaje (usar 10 palabras donde bastan 3), transiciones recicladas («Moreover,», «Furthermore,», «In conclusion,»), hedging excesivo («it is worth noting that»), llamadas a la acción genéricas, y 30 categorías más.

Los dos modos

Rewrite (por defecto): identifica patrones y reescribe el texto para corregirlos. La segunda pasada captura patrones que sobrevivieron la primera edición. Detect: solo marca los patrones sin reescribir. Útil cuando quieres auditar contenido sin modificarlo, o cuando algunos patrones pueden ser intencionales.

Ejemplos de uso

"Remove AI-isms from this blog post draft."

"Clean up AI writing in this product description."

"Audit this technical article for AI tells, detect mode only."

"Make this LinkedIn post sound less like it was written by AI."

# Con perfil técnico (excepciones para términos técnicos legítimos)
"Use the technical-blog profile to clean this post —
 'robust' and 'ecosystem' are fine in this context."

Instalación

/plugin marketplace add conorbronsdon/avoid-ai-writing
/plugin install avoid-ai-writing@conorbronsdon-skills

# O directamente
curl -o ~/.claude/skills/avoid-ai-writing/SKILL.md \
  https://raw.githubusercontent.com/conorbronsdon/avoid-ai-writing/main/SKILL.md --create-dirs

naming — Nombrar Productos, SaaS y Marcas con Metáforas

Sin API key glacierphonk

🔗 github.com/glacierphonk/naming

Qué es y para qué sirve

La skill de naming más cuidadosamente diseñada del ecosistema. Su filosofía central está en el README: «Los nombres son historias comprimidas, no etiquetas. Los mejores nombres plantan una imagen concreta que se despliega en comprensión.» El método no es buscar sinónimos de la categoría de producto: es explorar territorios metafóricos antes de generar candidatos. La estructura es un proceso de 7 pasos con 14 archivos de referencia que se cargan bajo demanda según el paso que se está ejecutando. Para una sesión de naming rápida, Claude comprime el proceso automáticamente. Los archivos de referencia están disponibles para cuando se necesita mayor profundidad.

El proceso de 7 pasos

1. Naming brief: qué hace el producto, para quién es, qué debe sentir. Sin esto, cualquier nombre es un disparo en la oscuridad. 2. Exploración de metáforas: mapear territorios conceptuales antes de generar nombres. Qué metáforas capturan la esencia del producto mejor que una descripción literal. 3. Generación de candidatos: nombres anclados en metáforas, no en el thesaurus. La pregunta no es «¿qué sinónimo de ‘rápido’ podemos usar?» sino «¿qué imagen concreta captura la velocidad de este producto?» 4. Evaluación de candidatos: memorabilidad, pronunciabilidad, significado en múltiples idiomas, connotaciones culturales. 5. Verificación de disponibilidad: la skill incluye un checker de disponibilidad para dominios, npm, GitHub, PyPI, y Telegram. 6. Refinamiento: profundizar en los candidatos más prometedores. 7. Presentación final: el nombre elegido con su narrativa y los argumentos para defenderlo.

Los archivos de referencia (carga bajo demanda)

La skill incluye guías sobre cuándo funcionan y cuándo fallan las referencias a mitología, literatura, y ciencia. También guías de naming específicas por idioma (polaco, portugués, y más) e industria, y estudios de caso. Estos archivos solo se cargan cuando son relevantes, manteniendo eficiente el uso del contexto.

Ejemplos de uso

"I'm building a CLI tool that automates repetitive dev tasks.
 It should feel fast, reliable, and a bit like magic.
 Help me find a name."

"Name my SaaS for restaurant inventory management.
 Target: small restaurant owners, not enterprise.
 Tone: practical, not flashy."

"I need a name for a developer tool that detects
 performance regressions in CI. Has to work as a domain."

"Evaluate these candidates: Flint, Ratchet, Nexus, Coil.
 Which fits best for a high-performance build tool?"

Instalación

# Instalación en el proyecto actual
mkdir -p .claude/skills
git clone https://github.com/glacierphonk/naming.git .claude/skills/naming

# Instalación global
mkdir -p ~/.claude/skills
git clone https://github.com/glacierphonk/naming.git ~/.claude/skills/naming

Investigador científico (bioinformática, química, medicina)

claude-scientific-skills como base completa + paper-search para literatura + deep-research para estados del arte y revisiones sistemáticas. Las tres skills se complementan sin solaparse: scientific-skills ejecuta los análisis, paper-search encuentra la literatura relevante, y deep-research sintetiza el contexto.

Investigador de negocio y mercado

deep-research para análisis técnico con citas + manus para informes de mercado con visualizaciones + article-extractor para procesar fuentes web específicas. Añadir content-research-writer cuando el output final es un documento publicable.

Desarrollador o arquitecto de software

brainstorming (Superpowers) antes de cualquier implementación significativa + tapestry + ship-learn-next para convertir tutoriales y talks en conocimiento implementable + naming cuando hay que bautizar un nuevo proyecto o feature.

Escritor técnico o creador de contenido

content-research-writer como partner de escritura + avoid-ai-writing para el pase final de calidad + article-extractor para procesar fuentes de referencia + internal-comms si también gestionas comunicación corporativa.

Genealogista o investigador de historia familiar

family-history-research-skill como metodología base + paper-search para literatura académica sobre regiones e historia de la migración + article-extractor para procesar fuentes de archivos digitales.

¿claude-scientific-skills requiere instalar todas las librerías científicas?

No. El repositorio usa uv como gestor de dependencias y cada skill especifica sus requisitos. Solo se instalan las dependencias que necesitas para las skills que activas. Un workflow de bioinformática no instala las librerías de quimioinformática si no las usas.

¿deep-research o manus para investigación científica?

deep-research produce informes más profundos con citas académicas y es mejor para literatura científica y revisiones técnicas. manus tiene ejecución en sandbox propio y produce outputs más ricos visualmente (gráficos, tablas formateadas), pero es más adecuado para investigación de negocio que para literatura científica rigurosa.

¿La skill avoid-ai-writing elimina el 100% de los patrones de IA?

No, y el autor lo reconoce explícitamente. La skill es una herramienta de calidad, no un detector de IA. Los mismos patrones que marca (frases en hedging, ritmo uniforme, vocabulario inflado) también los producen humanos escribiendo bajo presión, en un idioma no nativo, o en géneros no familiares. Hay falsos positivos documentados, y la skill los distingue en el modo detect entre «problema real» y «judgment call».

¿La skill brainstorming de Superpowers ralentiza el desarrollo?

En proyectos pequeños o cambios triviales, sí introduce un paso adicional. Para ese caso, la skill tiene una heurística de complejidad: si la tarea es demasiado simple para necesitar diseño, la skill lo comprime. El valor real aparece en features de mediana a gran complejidad donde el salto directo al código produce soluciones que requieren reescritura completa tres días después.

¿Tapestry funciona con cualquier video de YouTube?

Funciona con cualquier video que tenga transcripción disponible (la mayoría de videos en inglés y muchos en otros idiomas). Si el video no tiene transcripción, la skill reporta el error y puede intentar procesarlo desde el título y la descripción.

El denominador común de las mejores skills de investigación no es la tecnología, sino la metodología. claude-scientific-skills encapsula décadas de workflows de laboratorio en 125 habilidades. La skill de genealogía codifica el GPS, el estándar que los genealogistas profesionales llevan décadas aplicando. brainstorming codifica el principio socrático de entender antes de construir. avoid-ai-writing codifica conocimiento lingüístico sobre qué hace que un texto suene natural. Claude sabe mucho. Pero el conocimiento de dominio que aportan estas skills —cómo trabaja realmente un biólogo computacional, cómo razona un genealogista profesional, qué distingue un nombre memorable de uno genérico— es lo que convierte ese conocimiento general en resultados útiles para problemas concretos.