在自己的数据上训练 scVI 和 scANVI：一个做过批次校正、建立在原始 count 之上的隐空间，在它之上做半监督的标签迁移，再加贝叶斯差异表达。两个模型都只认原始整数 UMI count，别的都不行，所以这份 recipe 有相当篇幅是在讲怎么别在中途把它们弄没。加载这个 Skill 时可以挂入一个很小的兼容 sidecar，而且只挂进本地的分析内核。其余的东西都得自己备齐：scvi-tools 本身、PyTorch、数据、训练好的模型，还有 GPU。
一个 Skill 就是一个文件目录，所谓安装，就是把这个目录复制到 Agent 会去读的地方。有 Node 18+、且 PATH 上有 git（npm 靠它解析 github: 形式的包名）即可，无需先克隆仓库：
npx github:PKU-YuanGroup/OpenAI4S install scvi-tools --target claude
--target claude 写入 ~/.claude/skills，claude-project 写入 ./.claude/skills，openai4s 写入 <data_dir>/user-skills，--dir <path> 则写到你指定的任意位置。往目标写任何东西之前，都会先打印解析出的绝对路径；--dry-run 到此为止，不再写入。重装时，若目标副本被你改过、或者不是它自己装的，就拒绝覆盖；uninstall 也只删除它自己写过的文件。对于 npm 发布版中包含的配方，可用 npx @pku-yuangroup/openai4s-skills install scvi-tools --target claude 安装发布版本。npm 目录可能与当前仓库不同。
没有 Node 时，直接取这个目录——需要 .zip 上传时再打包。tarball 是整个仓库（超过 100 MB），下面这条管道是 POSIX shell（macOS、Linux、WSL）写法，只解出这一个目录：
curl -L https://codeload.github.com/PKU-YuanGroup/OpenAI4S/tar.gz/refs/heads/main \
| tar -xz --strip-components=2 OpenAI4S-main/skills/scvi-tools
python3 -m zipfile -c scvi-tools.zip scvi-tools
同一份内容的图形界面版本是点击下载整个仓库 zip 包，Windows 上也走这条路：解压后把 skills/scvi-tools/ 拷出来即可（unzip main.zip 'OpenAI4S-main/skills/scvi-tools/*' 只解这一个目录）。如果你本来就在跑 OpenAI4S，那这里没有任何东西需要安装——wheel 自带全部内置 Skill，且内置 Skill 优先于 <data_dir>/user-skills 里的同名副本。目标目录、来源记录，以及安装器拒绝去做的那些事：tools/skills-installer/。
| 文件 | 职责 |
|---|---|
SKILL.md |
做任何归一化之前，先把原始 count 存进一个 layer：把 log 归一化后的数据喂给 setup_anndata，scVI 的负二项似然不会报错，只会安静地给出垃圾结果。然后训练 scVI，在它之上叠 scANVI 做标签迁移，再把 embedding、解码出来的表达和差异表达结果取回来。它还钉住了两处会让旧代码翻车的 API 变更——use_gpu= 在 1.x 里被删掉，改为 accelerator="gpu", devices=1；differential_expression 现在默认 mode="vanilla"，而这种模式的结果列里根本没有 lfc_*，也没有 proba_de——此外还有远程计算的写法，以及写 .h5ad 时被 Arrow 字符串搞崩的那一处。 |
kernel.py |
可选的 sidecar，只有一个函数 h5ad_safe_obs：复制一份 observation 表，把 index 和字符串类的列转成 HDF5 能安全承载的形式，之后再序列化成 .h5ad 就不会在这上面翻车。 |
收敛情况、批次校正效果、迁移过来的标签，以及差异表达的结论，都必须拿手上的真实数据核对一遍。pred_cell_type 是分类器的猜测，不是标注；差异表达表描述的是拟合出来的生成模型，而不是在细胞上量出来的结果。另外，recipe 躺在磁盘上并不代表环境里就装了兼容版本的 scvi-tools。