# scipy-best-practices

Скилл задаёт агенту правила научных вычислений на SciPy: оптимизация, линейная алгебра, статистика, сигналы. Пригодится, когда код на Python считает числа, а не рисует интерфейсы.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 1000 установок · ★ 286
- Автор: Mindrally
- Лицензия: Apache-2.0 · policy=mirror · начало файла — в конце страницы
- Исходник: https://github.com/Mindrally/skills/tree/HEAD/scipy-best-practices/SKILL.md
- Обновлён: 2026-10-08
- HTML: https://affpapa.org/nevibecode/skills/scipy-best-practices

## Что делает

Скилл — это набор инструкций, которые агент подхватывает при работе с Python-кодом на SciPy. Внутри разложены по разделам рекомендации: какой метод оптимизации брать под задачу, как решать линейные системы, как строить фильтры и считать статистику. Агент получает готовую карту решений вместо того, чтобы каждый раз выбирать наугад.

По оптимизации скилл советует `scipy.optimize.minimize()` и разводит методы по условиям: `'BFGS'` для гладких задач без ограничений, `'L-BFGS-B'` при границах, `'SLSQP'` при ограничениях, `'Nelder-Mead'` для недифференцируемых функций. Для линейной алгебры — `scipy.linalg.solve()` вместо обращения матрицы, для больших разреженных систем — решатели из `scipy.sparse.linalg`. Отдельные разделы про интерполяцию, интегралы, `solve_ivp()` для дифференциальных уравнений и обработку сигналов через `filtfilt()` и `find_peaks()`.

Есть разделы про производительность и проверку результатов: контроль сходимости, тесты против аналитических решений, `np.testing.assert_allclose()` для сравнения чисел. Скилл опирается на SciPy и NumPy — без них примеры из него не запустятся. Ставить стоит, если вы пишете расчёты и хотите, чтобы агент не изобретал метод там, где в документации SciPy уже есть ответ.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Mindrally/skills --skill scipy-best-practices -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/scipy-best-practices/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/scipy-best-practices/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Mindrally/skills --skill scipy-best-practices -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/scipy-best-practices/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Mindrally/skills --skill scipy-best-practices -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/scipy-best-practices/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install Mindrally/skills scipy-best-practices
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/scipy-best-practices/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Mindrally/skills --skill scipy-best-practices -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/Mindrally/skills --path scipy-best-practices
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/scipy-best-practices/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add Mindrally/skills --skill scipy-best-practices -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/Mindrally/skills/tree/HEAD/scipy-best-practices/SKILL.md

## Когда брать
- выбрать метод оптимизации под задачу с ограничениями
- решить линейную систему без обращения матрицы
- подобрать фильтр и применить его без сдвига фазы
- посчитать статистику и проверить гипотезу
- протестировать численный код против аналитического решения

## Примеры запросов агенту
- напиши функцию оптимизации через scipy.optimize.minimize с методом SLSQP
- перепиши этот цикл на векторизованные операции SciPy
- добавь тесты с np.testing.assert_allclose для этой функции

## Похожие
- [scientific-toolkit-skill](https://affpapa.org/nevibecode/skills/scientific-toolkit-skill.md) — скилл · 816 установок
- [statistics-math](https://affpapa.org/nevibecode/skills/statistics-math.md) — скилл · 432 установки
- [symbolic-equation](https://affpapa.org/nevibecode/skills/symbolic-equation.md) — скилл · 1600 установок
- [correlation-analysis](https://affpapa.org/nevibecode/skills/correlation-analysis.md) — скилл · 464 установки
- [openpiv](https://affpapa.org/nevibecode/skills/openpiv.md) — скилл · 943 установки
- [matplotlib](https://affpapa.org/nevibecode/skills/tondevrel-matplotlib.md) — скилл · 374 установки

Из того же набора: [mindrally/skills](https://affpapa.org/nevibecode/by/mindrally/skills.md) — 214 карточек

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md