labskills

Skills do Claude Code para o LABDAPS (Laboratório de Big Data e Análise Preditiva em Saúde, FSP-USP). Repositório colaborativo e aberto: estudantes e professores adicionam, melhoram e compartilham skills que ajudam no fluxo de trabalho do laboratório, de modelagem preditiva em saúde até escrita e submissão de artigos.

O que é uma skill

Uma skill é um conjunto de instruções em Markdown que o Claude Code carrega sob demanda para executar uma tarefa especializada. Cada skill vive em skills/<nome>/SKILL.md, com um cabeçalho YAML (name, description) que define quando ela é acionada. Saiba mais em docs.claude.com/claude-code.

Plugins e skills disponíveis

As skills são distribuídas como plugins do Claude Code. Cada plugin agrupa as skills de um domínio, e este repositório é o marketplace labdaps, o catálogo de onde os plugins são instalados. Quem instala escolhe só os domínios de que precisa e recebe as atualizações do repositório sem copiar pasta. Saiba mais em code.claude.com/docs/en/plugins.

Plugin	Skills	Quando instalar
grafo	graph-lab	Em projeto que roda experimento: o ai-lab-hub exige o grafo antes de despachar os agentes.
ml	ml-checkpoints, ml-pipeline, ml-eval-report, ml-timeseries	Em projeto que treina, ajusta ou avalia modelo. A ml-checkpoints é a norma de método do laboratório.
paper	paper-review, peer-review, revisor, paper-scaffold, artigo, radar-academico, update-paper	Em projeto que busca literatura ou escreve artigo.
datasus	datasus-outcome	No app lab-ai-prediction e em projeto que cria desfecho nele.

Plugin grafo

Skill

O que faz

graph-lab

Modela a tarefa como grafo dirigido antes de rodar código: cada etapa vira nó com métrica de sucesso, e efeitos colaterais entre métricas (imputação vs. calibração, seleção de features vs. interpretabilidade) são auditados antes da execução. Perfil geral para engenharia e perfil saúde/ML, obrigatório quando a tarefa treina modelo, com as 7 fases de projeto do laboratório, checklist anti-leakage e regra de dados. É a skill de grafo canônica do laboratório e substitui a graph-init.

Plugin ml

Skill	O que faz
ml-checkpoints	Conduz o pipeline por checkpoints interativos: diagnostica a base carregada (missing, sentinelas, cardinalidade, repetição de paciente, vazamento) e em cada etapa oferece só as estratégias que os dados permitem, da separação à interpretabilidade, registrando cada decisão com o motivo medido.
ml-pipeline	Pipeline padrão de ML para projetos de saúde: executa as decisões registradas pela ml-checkpoints e segue a API do lab-ai-prediction (separação antes do tuning, train_cv, OOF probs, calibração, janelas temporais).
ml-eval-report	Relatório de avaliação reusando core/models/evaluation.py: ROC, PR, calibração, SHAP, métricas por subgrupo e comparação entre estados/períodos.
ml-timeseries	Setup de modelos de séries temporais em saúde (skforecast, ARIMA, LSTM, Prophet).
lab-exp	Roda um experimento preditivo clínico de ponta a ponta no padrão do laboratório: auditoria de vazamento que decide se o experimento faz sentido, Boruta dentro do fold, sete modelos com regra de desempate declarada antes, limiar fora da amostra, IC por bootstrap e calibração, com notebook executado, relatório HTML e pacote de entrega.
ic	Calcula o tamanho de amostra para estimar uma proporção (taxa de erro, prevalência, adesão) com intervalo de confiança, em Q&A curto e com a conta feita à mão na resposta, sem código.
spec	Documenta um pipeline como especificação legível por quem não escreveu o código, extraída do próprio código e do log da execução: cada regra, por que existe, o que quebra sem ela, o que foi testado e o que não se pode concluir; entrega como artifact, .docx ou DOCUMENTACAO.md.

Plugin paper

Skill	O que faz
paper-review	Leitura crítica estruturada de artigo externo: resumo, metodologia, pontos fortes e fracos.
peer-review	Simula revisão por pares do seu próprio manuscrito antes de submeter: nota 1-5 por dimensão (Abstract, Métodos, Resultados, etc.), lista de revisões prioritárias e decisão editorial (Aceito / Revisões menores / Revisões maiores / Rejeitar).
revisor	Revisão pré-submissão do manuscrito na lente do laboratório, como o Revisor 2 mais exigente: tempo zero e vazamento, validação com IC, calibração antes de discriminação, equidade e multicalibração, utilidade clínica, reprodutibilidade, números recalculados em python e referências conferidas; entrega bloqueadores, maiores, análises viáveis com os dados existentes e menores, cada um com a correção concreta.
paper-scaffold	Estrutura de artigo com seções, checklist e template LaTeX/Markdown.
artigo	Pipeline em 7 fases de escrita de artigo em IA médica com reporting guidelines (TRIPOD+AI, STROBE, PRISMA, CONSORT, STARD).
radar-academico	Busca semanal de papers por tema, filtra, baixa PDFs e resume.
update-paper	Atualiza seções de resultados em LaTeX quando análises ou métricas mudam.
paper	Escreve, monta e audita manuscritos de IA em saúde contra os checklists de reporte guardados em references/ (TRIPOD+AI, PROBAST+AI, TRIPOD-LLM, STARD-AI, CLAIM, DECIDE-AI, CONSORT-AI, SPIRIT-AI, PRISMA 2020, AMSTAR 2) e gera o .docx de submissão por script (página de rosto, linhas numeradas, Vancouver). Sub-comandos draft, full, check, abstract, cover e rebuttal.
abstract	Extrai um paper em 5 tópicos fixos (problema, métodos, resultados, limitações, relevância) em prosa densa, para triagem rápida de literatura.
papers	Varre arXiv, PubMed e medRxiv por tópico nos últimos N dias com um script só de biblioteca padrão, filtra por metodologia de IA em saúde, deduplica por DOI e entrega a lista com abstract e link.
journal	Seleciona o periódico alvo cruzando encaixe de escopo, impacto e custo real (APC, indexação, sinal de predatória), com cada dado conferido na página do editor; check, fit, free e compare A vs B.
author-credit	Monta a declaração CRediT de contribuição dos autores levantando no repositório quem fez o quê, pergunta só o que a evidência não resolve e aplica em .tex, .docx e markdown de uma vez; check audita contra os critérios de autoria do ICMJE.
red	Revisa criticamente um documento (protocolo, proposta, projeto, texto institucional) e devolve o mesmo .docx com as sugestões inseridas em vermelho no ponto exato de cada seção, preservando estilos e numeração.
latex	Exporta um paper LaTeX multi-arquivo para um pacote que compila fora da pasta original (achata \input, embute o .bib, resolve figuras) e prova compilando num diretório limpo; variantes paste, figures, zip e arxiv.
paper-png	Figuras científicas em PNG 300 dpi com fundo transparente, no estilo editorial de journals (paleta neutra, serifa, sem gradiente), a partir de PDF, URL ou DOI; guias de layout para fluxograma, arquitetura e resultados.
desenho-metodologico	Figura de desenho metodológico (graphical abstract, study design) em SVG vetorial com exportação para PNG 300 dpi e PDF pelo Chrome headless; cada número vem do manuscrito e vira constante rastreável no gerador.
infografico	Infográficos e diagramas de metodologia no estilo visual dos papers do laboratório (paleta pastel, caixas arredondadas, badges numerados) e imagem TOC/graphical abstract sem texto para submissão.

Plugin datasus

Skill	O que faz
datasus-outcome	Adiciona um novo desfecho preditivo ao app lab-ai-prediction: subclasse de OutcomeConfig, registro, metodologia, censura e checklist anti-leakage.

Como usar

Pelo marketplace (recomendado)

Numa sessão do Claude Code, registre o marketplace uma vez e instale os plugins que quiser:

/plugin marketplace add labdaps/labskills
/plugin install grafo@labdaps
/plugin install ml@labdaps
/plugin install paper@labdaps
/plugin install datasus@labdaps

No terminal, os mesmos passos são claude plugin marketplace add labdaps/labskills e claude plugin install grafo@labdaps. O identificador de instalação é sempre <plugin>@labdaps.

As skills mantêm o nome: /graph-lab continua acionando a graph-lab, assim como o pedido em linguagem natural. A forma completa, com o plugin na frente, é /grafo:graph-lab, e serve quando outro comando já ocupa o nome curto.

Os plugins não fixam versão, então cada commit na main vira uma versão nova. Para receber as mudanças, rode /plugin marketplace update labdaps ou ligue a atualização automática do marketplace labdaps no painel /plugin.

Não misture com o install.sh. Se você já instalou por cópia, apague de ~/.claude/skills/ as pastas das skills que agora vêm de plugin. As duas versões carregam juntas: a cópia fica com o nome curto e parada no dia em que foi feita, e o plugin só responde pelo nome com prefixo.

Declarar os plugins num projeto

Um projeto do laboratório declara no .claude/settings.json, versionado, o marketplace e os plugins que usa. Quem clona o repositório e confia na pasta ao abrir o Claude Code recebe os plugins sem instalar nada à mão.

{
  "extraKnownMarketplaces": {
    "labdaps": {
      "source": {
        "source": "github",
        "repo": "labdaps/labskills"
      }
    }
  },
  "enabledPlugins": {
    "grafo@labdaps": true,
    "ml@labdaps": true,
    "paper@labdaps": true
  }
}

Esse é o conjunto de um projeto de pesquisa que treina modelo e escreve artigo, como o datasus-preprocessing-benchmark e o sinan-continual-learning. O plugin datasus fica de fora de propósito: entra só no app lab-ai-prediction e em projeto que cria desfecho nele, com a linha "datasus@labdaps": true. Em outro projeto, a datasus-outcome dispararia em pedidos de "novo desfecho" mandando editar código que o projeto não tem.

Detalhes que costumam pegar:

• Se o projeto já tem .claude/settings.json, acrescente as duas chaves às que ele já tem. O comando claude plugin marketplace add labdaps/labskills --scope project, rodado na raiz do projeto, grava a parte do marketplace.
• O Claude Code só registra o marketplace depois que a pessoa aceita o diálogo de confiança da pasta. Antes disso, a chave é ignorada sem aviso.
• Sessão na nuvem (Claude Code na web) não instala os plugins declarados no .claude/settings.json do repositório. Veja abaixo como escolher.

Projeto aberto na nuvem: plugins ou cópia versionada

Na nuvem valem só as skills ativadas na conta do claude.ai e as que o projeto versiona em .claude/skills/. Cada projeto escolhe um dos dois caminhos, nunca os dois: fora da nuvem, a cópia e os plugins carregam juntos, e cada skill aparece duas vezes (/graph-lab e /grafo:graph-lab).

• Todos trabalham no projeto só na máquina local: fique com os plugins, pelo trecho acima. Eles se atualizam sozinhos.

• Alguém abre o projeto no Claude Code na web: fique com a cópia versionada, que também vale na máquina local. Copie só as skills dos plugins que o projeto habilitaria, para não levar a datasus-outcome a projeto que não é o app. Na raiz do clone do labskills:

  CLAUDE_SKILLS_DIR=<projeto>/.claude/skills ./install.sh --plugin grafo --plugin ml --plugin paper

  No .claude/settings.json do projeto, use este trecho no lugar do anterior. Ele desliga, só nesse projeto, os plugins labdaps de quem os instalou na própria conta, que senão carregariam junto com a cópia:

  {
    "enabledPlugins": {
      "grafo@labdaps": false,
      "ml@labdaps": false,
      "paper@labdaps": false,
      "datasus@labdaps": false
    }
  }

  A cópia não se atualiza sozinha: rode o mesmo comando depois de cada git pull do labskills e versione o resultado. O script não apaga nada, então skill ou arquivo que saiu do labskills precisa ser apagado à mão.

Por cópia, com o install.sh (alternativa)

Para quem não usa plugins, ou precisa das skills como pastas em ~/.claude/skills/:

git clone https://github.com/labdaps/labskills.git
cd labskills
./install.sh

O script copia as skills para ~/.claude/skills/, deixando-as disponíveis em qualquer projeto do Claude Code. Rodar de novo, depois de um git pull, atualiza os arquivos já instalados. A pasta tests/ de uma skill fica de fora: ela guarda os testes dos scripts, que rodam no CI deste repositório e não servem à skill instalada.

Instalar uma skill específica

cp -r skills/peer-review ~/.claude/skills/

Na cópia manual de uma skill com tests/ (hoje, a graph-lab), apague essa pasta do destino. Para copiar só as skills de um plugin, com a mesma exclusão de tests/, use ./install.sh --plugin ml (repetível, um --plugin por plugin).

Depois é só acionar no Claude Code: /peer-review ou pedir em linguagem natural ("faz peer review do meu manuscrito", "revisa meu artigo como revisor de journal").

Como contribuir

Toda contribuição é bem-vinda. Veja CONTRIBUTING.md para o guia completo de como criar, testar e abrir PR de uma skill nova, incluindo em qual plugin ela entra.

Licença

MIT. Use, adapte e compartilhe.