Light Tool Selection

Name: Light Tool Selection
Author: caixinyu2017-star

ASecurity

工具选择与多工具协同。根据任务自动判断适合用什么工具——搜索、Python、R、MATLAB、LaTeX、Word、Excel、PowerPoint、Visio、Origin、数据库、Git、前端/后端框架、绘图工具、文献管理工具等（常驻，所有任务后台生效）。不盲目用工具，而是按实际任务选最高效、最稳定、最专业的实现方式。

2 stars

0 votes

0 copies

0 views

Added 9/19/2026

developmentpythonrustgobashreactnextjsnodefastapidjangospring

Works with

cliapimcp

Security Analysis

A100/100

Scanned 9/19/2026

Install to Claude Code

$npx -y skills add caixinyu2017-star/xixi --skill light-tool-selection --agent claude-code

Installs into .claude/skills of the current project.

Are you the author of Light Tool Selection?

Add the live security badge to your README — it updates automatically with every re-scan.

Security grade badge for Light Tool Selection

[![Security: A — Skills Directory](https://www.skillsdirectory.com/api/skills/caixinyu2017-star-light-tool-selection/badge)](https://www.skillsdirectory.com/skills/caixinyu2017-star-light-tool-selection)

More formats (shields.io, HTML) on the badges page.

Download Zip

Files

SKILL.md

---
name: light-tool-selection
description: 工具选择与多工具协同。根据任务自动判断适合用什么工具——搜索、Python、R、MATLAB、LaTeX、Word、Excel、PowerPoint、Visio、Origin、数据库、Git、前端/后端框架、绘图工具、文献管理工具等（常驻，所有任务后台生效）。不盲目用工具，而是按实际任务选最高效、最稳定、最专业的实现方式。
user-invocable: false
---

# 工具选择与多工具协同

## 原则（常驻）
不为用工具而用工具。每个任务先问：**最高效、最稳定、最专业、最可复现的方式是什么？** 优先可复现(代码/脚本) > 一次性手工；优先项目已有的栈 > 引入新依赖。

## 任务 → 推荐工具映射
- **文献搜索**：arXiv/OpenAlex/Semantic Scholar/Crossref API、agent-browser/browser-use、Exa/Parallel Web。
- **浏览器自动化**：偏 CLI/稳定走 agent-browser(原生 Rust CLI、直连 CDP、accessibility-tree 快照+`@eN` 引用定位、命令间保活、4848 端口可观测面板，先 `agent-browser skills get core` 发现用法)；偏 Python 集成走 browser-use(`Agent(task,llm,browser)`+`await agent.run()`，基于 Playwright，`@tools.action` 加自定义工具，`use_cloud=True` 走 stealth 云浏览器)。**投稿系统网页操作**（OpenReview/Editorial Manager 等填表、上传、查状态）可装 agent-browser 类技能（约 438K 装，last_checked 2026-06），**Light 不自建浏览器自动化**，按需引入外部技能并评估来源安全。
- **数据处理**：pandas(中小) / polars(快) / DuckDB·polars streaming·dask(超内存)；质量 ydata-profiling/Deepchecks/Great Expectations。
- **统计/科学计算**：Python(statsmodels/scipy/sklearn)、R(高级统计/绘图)、MATLAB(信号/控制/数值)。
- **绘图**：matplotlib/seaborn/plotly/altair、ggplot2、Origin(期刊曲线)、TikZ/Graphviz/Mermaid(框架流程图)、**Draw.io**(框架/系统/架构图 diagram-as-code，有官方 MCP，XML 可版本控制)、Illustrator/Inkscape(精修)、Visio。
- **3D 可视化/渲染**：Blender(开源，程序化建模渲染非 AI 生图；3D 科学可视化用 Molecular Nodes/SciBlend 等插件、路演 3D 渲染；有社区/官方 MCP，需本地装)。配 m09 figure-planning / m16 slides。
- **排版**：LaTeX(latexmk/TinyTeX/TeX Live)、Word(python-docx)、Pandoc(互转)。
- **文档处理**：PDF/DOCX/PPTX/XLSX skill、MarkItDown、unstructured.io、Apache Tika。
- **PPT**：python-pptx/PptxGenJS、Marp、reveal.js、Beamer、PowerPoint/Canva/Gamma。
- **前端**：Next.js/React、shadcn/ui、Tailwind、ECharts/D3；有设计稿时用 **Figma MCP**(读稿→IDE 出码，Remote server 免费可读写)，配 a05 frontend-design。
- **后端**：FastAPI/Django/Spring Boot、Postgres/Redis、Docker。
- **API 调用**：有 OpenAPI 描述就按 `paths→operationId`+参数 schema+`securitySchemes` 确定性调用、按 response schema 解析，别靠散文文档猜（字段细节见 references.md）。
- **云算力**：Python serverless/GPU 训练/沙箱用 Modal（代码内 `@app.function(gpu=..., image=...)` 定义环境，按秒计费；命令与原语见 references.md）。
- **版本/实验**：Git、DVC、MLflow、W&B、Hydra、Snakemake。
- **自动化/CI**：仓库事件触发用 GitHub Actions（test-on-push、schedule 定时、自动构建论文 PDF/图、release）；本地数据依赖编排用 Snakemake/Make——二者互补（Actions 管"何事件触发"，Snakemake 管"步骤间数据依赖"，见 references.md）。
- **文献管理**：Zotero/pyzotero、JabRef、Better BibTeX。
- **环境**：纯 Python 优先 uv；编译科学库/CUDA/跨语言用 conda(mamba/miniforge)；已有 Poetry 项目延续 Poetry。

## 选择决策要点
- 数据规模 → 选库(pandas vs polars vs dask)。
- 一次性 vs 可复现 → 手工 vs 脚本。
- 输出去向 → 决定格式(矢量图投稿、png 演示)。
- 团队/复现需求 → 是否上版本与实验管理。
- 稳定性 > 新潮：选成熟、维护活跃的工具(CONVENTIONS 依赖安全)。

> 带**数值阈值**的完整决策矩阵(数据 <100MB pandas / 2-50GB polars / >TB Spark；投稿矢量 vs 演示 png≥150dpi；skill 安装量≥1K 等)见 references/decision_matrix.md，按需载入。

### 自动检测项目技术栈
进入一个已有项目、或用户问"这个项目该用什么工具"时，先跑检测脚本而非人工翻清单：
```bash
python scripts/detect_stack.py <项目目录>        # 读 package.json/pyproject.toml/requirements.txt/environment.yml
python scripts/detect_stack.py <项目目录> --json # 机器可读
python scripts/detect_stack.py --self-test       # 无项目时合成清单自检
```
脚本识别依赖→按类别给选型建议(命中内置规则的才给，未命中标 no signal 不臆造)，并据锁文件(uv.lock/poetry.lock/environment.yml/Dockerfile)给环境/复现建议。汇报照 assets/stack_detection_report.md。

### Python 环境选型
按依赖性质选 uv / conda / Poetry / Docker 的决策表（场景→工具→关键命令、互斥铁律）权威版见 references/decision_matrix.md 第 5 节；逐工具完整命令/参数/坑见 references.md（uv/Conda/Poetry/Docker 各段）。一句话口径：纯 Python/PyPI 优先 **uv**，编译科学库/CUDA/跨语言用 **conda(mamba/miniforge)**，已有 Poetry 项目延续 **Poetry**，可移植服务复现用 **Docker**；三者都靠锁文件保复现，**同一环境不混 pip+conda**。

## 多工具协同
一个任务常跨工具：如"实验→W&B 记录→pandas 汇总→seaborn 出图→LaTeX 排版→Zotero 引用"。规划好数据在工具间的流转格式(CSV/JSON/Parquet)，减少手工搬运。

## 工具发现
需要新能力时按序：
1. 先查现成 skill：先看 skills.sh 排行榜(按总安装量，顶部如 vercel-labs/agent-skills、anthropics/skills 均 100K+，last_checked 2026-06)，再 `npx skills find [关键词]` 搜索。**质量数值阈值(安装量/GitHub star/来源信誉)权威版见 references/decision_matrix.md 第 7 节**。给用户列 名称/用途/安装量/来源/链接/安装命令，同意后 `npx skills add <owner/repo@skill> -g -y`(-g 全局、-y 免确认)；无命中就坦白、转用通用能力、并建议 `npx skills init <name>` 自建。（安装量随时间变，引用具体数字一律带 last_checked。）
2. 接外部数据/工具：查可用 **MCP server**（参考款 Everything/Fetch/Filesystem/Git/Memory/Sequential-Thinking/Time；TS 用 `npx -y @modelcontextprotocol/server-*`、Python 用 `uvx mcp-server-*`，Windows npx 要 `cmd /c` 包裹；registry.modelcontextprotocol.io 更多）。先 `tools/list`/`resources/list` 看暴露了什么再调用。**科研设计/绘图/3D/计算类已选定推荐 MCP**（路由到对应技能时按需建议）：Figma(读设计稿→前端,a05)、Canva(路演 PPT/海报,m16/m17)、Draw.io(框架/系统/架构图 diagram-as-code,m09/a04/m15)、Blender(3D 科学可视化/路演渲染,m09/m16)、MATLAB(信号/控制/数值/Simulink)——能力/费用/star 单一真相源在 **README 推荐 MCP 表**，本节不复写数字（口径同 OpenAlex key）。
3. 自建 skill：用 **skill-creator** 路线——`SKILL.md`(frontmatter 仅 name/description)+`scripts/`+`references/`+`assets/`，三级渐进披露，description 枚举触发场景防欠触发，正文用祈使句解释"为什么"。评估闭环：真实测试 prompt → with-skill vs baseline 量化对比 → 读 transcript 泛化别过拟合 → 重复活抽进 `scripts/`。（skill-creator/Autoskill 细节见 references.md。）
引入任何第三方 skill/MCP server 都等于授权外部指令与代码，先评估来源与安全。详见 references.md。

## 资源清单(bundled)
- `scripts/detect_stack.py`（技术栈检测，`--self-test` 离线自检）、`references/decision_matrix.md`（带数值阈值的决策矩阵）、`references.md`（逐工具端点/命令/坑）。
- 呈现模板 `assets/`：`stack_detection_report.md`（检测汇报）、`skill_discovery_report.md`（发现 skill，单个/多候选/未命中兜底）、`mcp_discovery_report.md`（发现 MCP，含 tools/list、resources/list 探测清单）。两份发现模板附 2026-06 实测入口与 HTTP 码。

## 衔接
为所有技能提供"用什么做"的判断；与 a06(目录)、a02(版本工具)、a03(代码栈)协同。

> 逐工具硬信息(真实端点/命令/参数/坑)见同目录 references.md。

Attribution

caixinyu2017-star

View source More from caixinyu2017-star →

SSkills DirectorySkills Directory

Ship a skill? Prove it's safe.

Free 120-pattern security scan, letter grade, and an embeddable README badge.

Submit a skill

Is this your skill, or is something wrong with this listing? Request removal or report an issue. Author removals are honored within 72 hours.

Comments (0)

No comments yet. Be the first to comment!

--- name: light-tool-selection description: 工具选择与多工具协同。根据任务自动判断适合用什么工具——搜索、Python、R、MATLAB、LaTeX、Word、Excel、PowerPoint、Visio、Origin、数据库、Git、前端/后端框架、绘图工具、文献管理工具等（常驻，所有任务后台生效）。不盲目用工具，而是按实际任务选最高效、最稳定、最专业的实现方式。 user-invocable: false --- # 工具选择与多工具协同 ## 原则（常驻）不为用工具而用工具。每个任务先问：**最高效、最稳定、最专业、最可复现的方式是什么？** 优先可复现(代码/脚本) > 一次性手工；优先项目已有的栈 > 引入新依赖。 ## 任务 → 推荐工具映射 - **文献搜索**：arXiv/OpenAlex/Semantic Scholar/Crossref API、agent-browser/browser-use、Exa/Parallel Web。 - **浏览器自动化**：偏 CLI/稳定走 agent-browser(原生 Rust CLI、直连 CDP、accessibility-tree 快照+`@eN` 引用定位、命令间保活、4848 端口可观测面板，先 `agent-browser skills get core` 发现用法)；偏 Python 集成走 browser-use(`Agent(task,llm,browser)`+`await agent.run()`，基于 Playwright，`@tools.action` 加自定义工具，`use_cloud=True` 走 stealth 云浏览器)。**投稿系统网页操作**（OpenReview/Editorial Manager 等填表、上传、查状态）可装 agent-browser 类技能（约 438K 装，last_checked 2026-06），**Light 不自建浏览器自动化**，按需引入外部技能并评估来源安全。 - **数据处理**：pandas(中小) / polars(快) / DuckDB·polars streaming·dask(超内存)；质量 ydata-profiling/Deepchecks/Great Expectations。 - **统计/科学计算**：Python(statsmodels/scipy/sklearn)、R(高级统计/绘图)、MATLAB(信号/控制/数值)。 - **绘图**：matplotlib/seaborn/plotly/altair、ggplot2、Origin(期刊曲线)、TikZ/Graphviz/Mermaid(框架流程图)、**Draw.io**(框架/系统/架构图 diagram-as-code，有官方 MCP，XML 可版本控制)、Illustrator/Inkscape(精修)、Visio。 - **3D 可视化/渲染**：Blender(开源，程序化建模渲染非 AI 生图；3D 科学可视化用 Molecular Nodes/SciBlend 等插件、路演 3D 渲染；有社区/官方 MCP，需本地装)。配 m09 figure-planning / m16 slides。 - **排版**：LaTeX(latexmk/TinyTeX/TeX Live)、Word(python-docx)、Pandoc(互转)。 - **文档处理**：PDF/DOCX/PPTX/XLSX skill、MarkItDown、unstructured.io、Apache Tika。 - **PPT**：python-pptx/PptxGenJS、Marp、reveal.js、Beamer、PowerPoint/Canva/Gamma。 - **前端**：Next.js/React、shadcn/ui、Tailwind、ECharts/D3；有设计稿时用 **Figma MCP**(读稿→IDE 出码，Remote server 免费可读写)，配 a05 frontend-design。 - **后端**：FastAPI/Django/Spring Boot、Postgres/Redis、Docker。 - **API 调用**：有 OpenAPI 描述就按 `paths→operationId`+参数 schema+`securitySchemes` 确定性调用、按 response schema 解析，别靠散文文档猜（字段细节见 references.md）。 - **云算力**：Python serverless/GPU 训练/沙箱用 Modal（代码内 `@app.function(gpu=..., image=...)` 定义环境，按秒计费；命令与原语见 references.md）。 - **版本/实验**：Git、DVC、MLflow、W&B、Hydra、Snakemake。 - **自动化/CI**：仓库事件触发用 GitHub Actions（test-on-push、schedule 定时、自动构建论文 PDF/图、release）；本地数据依赖编排用 Snakemake/Make——二者互补（Actions 管"何事件触发"，Snakemake 管"步骤间数据依赖"，见 references.md）。 - **文献管理**：Zotero/pyzotero、JabRef、Better BibTeX。 - **环境**：纯 Python 优先 uv；编译科学库/CUDA/跨语言用 conda(mamba/miniforge)；已有 Poetry 项目延续 Poetry。 ## 选择决策要点 - 数据规模 → 选库(pandas vs polars vs dask)。 - 一次性 vs 可复现 → 手工 vs 脚本。 - 输出去向 → 决定格式(矢量图投稿、png 演示)。 - 团队/复现需求 → 是否上版本与实验管理。 - 稳定性 > 新潮：选成熟、维护活跃的工具(CONVENTIONS 依赖安全)。 > 带**数值阈值**的完整决策矩阵(数据 <100MB pandas / 2-50GB polars / >TB Spark；投稿矢量 vs 演示 png≥150dpi；skill 安装量≥1K 等)见 references/decision_matrix.md，按需载入。 ### 自动检测项目技术栈进入一个已有项目、或用户问"这个项目该用什么工具"时，先跑检测脚本而非人工翻清单： ```bash python scripts/detect_stack.py <项目目录> # 读 package.json/pyproject.toml/requirements.txt/environment.yml python scripts/detect_stack.py <项目目录> --json # 机器可读 python scripts/detect_stack.py --self-test # 无项目时合成清单自检 ``` 脚本识别依赖→按类别给选型建议(命中内置规则的才给，未命中标 no signal 不臆造)，并据锁文件(uv.lock/poetry.lock/environment.yml/Dockerfile)给环境/复现建议。汇报照 assets/stack_detection_report.md。 ### Python 环境选型按依赖性质选 uv / conda / Poetry / Docker 的决策表（场景→工具→关键命令、互斥铁律）权威版见 references/decision_matrix.md 第 5 节；逐工具完整命令/参数/坑见 references.md（uv/Conda/Poetry/Docker 各段）。一句话口径：纯 Python/PyPI 优先 **uv**，编译科学库/CUDA/跨语言用 **conda(mamba/miniforge)**，已有 Poetry 项目延续 **Poetry**，可移植服务复现用 **Docker**；三者都靠锁文件保复现，**同一环境不混 pip+conda**。 ## 多工具协同一个任务常跨工具：如"实验→W&B 记录→pandas 汇总→seaborn 出图→LaTeX 排版→Zotero 引用"。规划好数据在工具间的流转格式(CSV/JSON/Parquet)，减少手工搬运。 ## 工具发现需要新能力时按序： 1. 先查现成 skill：先看 skills.sh 排行榜(按总安装量，顶部如 vercel-labs/agent-skills、anthropics/skills 均 100K+，last_checked 2026-06)，再 `npx skills find [关键词]` 搜索。**质量数值阈值(安装量/GitHub star/来源信誉)权威版见 references/decision_matrix.md 第 7 节**。给用户列名称/用途/安装量/来源/链接/安装命令，同意后 `npx skills add <owner/repo@skill> -g -y`(-g 全局、-y 免确认)；无命中就坦白、转用通用能力、并建议 `npx skills init <name>` 自建。（安装量随时间变，引用具体数字一律带 last_checked。） 2. 接外部数据/工具：查可用 **MCP server**（参考款 Everything/Fetch/Filesystem/Git/Memory/Sequential-Thinking/Time；TS 用 `npx -y @modelcontextprotocol/server-*`、Python 用 `uvx mcp-server-*`，Windows npx 要 `cmd /c` 包裹；registry.modelcontextprotocol.io 更多）。先 `tools/list`/`resources/list` 看暴露了什么再调用。**科研设计/绘图/3D/计算类已选定推荐 MCP**（路由到对应技能时按需建议）：Figma(读设计稿→前端,a05)、Canva(路演 PPT/海报,m16/m17)、Draw.io(框架/系统/架构图 diagram-as-code,m09/a04/m15)、Blender(3D 科学可视化/路演渲染,m09/m16)、MATLAB(信号/控制/数值/Simulink)——能力/费用/star 单一真相源在 **README 推荐 MCP 表**，本节不复写数字（口径同 OpenAlex key）。 3. 自建 skill：用 **skill-creator** 路线——`SKILL.md`(frontmatter 仅 name/description)+`scripts/`+`references/`+`assets/`，三级渐进披露，description 枚举触发场景防欠触发，正文用祈使句解释"为什么"。评估闭环：真实测试 prompt → with-skill vs baseline 量化对比 → 读 transcript 泛化别过拟合 → 重复活抽进 `scripts/`。（skill-creator/Autoskill 细节见 references.md。）引入任何第三方 skill/MCP server 都等于授权外部指令与代码，先评估来源与安全。详见 references.md。 ## 资源清单(bundled) - `scripts/detect_stack.py`（技术栈检测，`--self-test` 离线自检）、`references/decision_matrix.md`（带数值阈值的决策矩阵）、`references.md`（逐工具端点/命令/坑）。 - 呈现模板 `assets/`：`stack_detection_report.md`（检测汇报）、`skill_discovery_report.md`（发现 skill，单个/多候选/未命中兜底）、`mcp_discovery_report.md`（发现 MCP，含 tools/list、resources/list 探测清单）。两份发现模板附 2026-06 实测入口与 HTTP 码。 ## 衔接为所有技能提供"用什么做"的判断；与 a06(目录)、a02(版本工具)、a03(代码栈)协同。 > 逐工具硬信息(真实端点/命令/参数/坑)见同目录 references.md。