cf-skill-router

name	cf-skill-router
description	在 common_func 项目中需要判断用户需求应触发哪个 cf-* skill、需要在多个 cf skill 之间分工、整理 skill 使用边界，或用户直接询问“该用哪个 skill/路由/分流/分类”时触发。优先把常见 common_func 请求路由到 cf-plotting、cf-draw-rules、cf-multiprocess、cf-object-io、cf-neuron-data、cf-ncc-avalanche 等局部或领域技能，并说明主 skill 与辅助 skill 的组合关系。除非用户明确提及或现有代码已经使用 Experiment/ComposedExperiment、MetaModel/ModelContainer、DataKeeper，否则不要主动路由到 cf-experiment、cf-metamodel 或 cf-data-keeper。

CF Skill Router

这个 skill 只负责路由和分工，不替代其他 skill 的具体操作说明。接到 common_func 相关任务时，先判断主任务类型，再加载对应的专业 skill；如果任务跨多个边界，可以同时使用主 skill 和少量辅助 skill。

路由原则

默认优先选择局部、轻量的 skill。除非用户明确要求框架化实验管理、旧模型容器、结果容器配置，或当前代码上下文已经在使用这些对象，否则不要主动引入 cf-experiment、cf-metamodel、cf-data-keeper。

不要因为任务包含“实验”“仿真”“分析”“保存结果”等普通词，就推断需要 Experiment、MetaModel、ModelContainer 或 DataKeeper。普通绘图、绘图审美规范、普通并行任务、普通对象读写和常规领域分析，分别路由到 cf-plotting、cf-draw-rules、cf-multiprocess、cf-object-io 或领域 skill。

优先选择最贴近用户表面需求的 skill 作为主 skill。只有当用户直接要求重构整体 workflow、复用 timedir、组织 tool pipeline、读取旧 MetaModel 目录，或配置 DataKeeper 后端时，框架类 skill 才能成为主 skill。

如果需求只是某个局部工具函数，例如“保存一个 dict”“画一张 heatmap”“并行跑一个列表”，直接使用对应局部 skill，不必加载 experiment/metamodel。

如果需求同时包含多个步骤，按职责叠加 skill；但不要把 cf-experiment、cf-metamodel、cf-data-keeper 当作默认辅助 skill。只有用户提到这些框架或现有代码已经暴露相关类/API 时，才加载它们。

不要同时把 cf-experiment 和 cf-metamodel 当作同一工作流的主框架。已有代码继承 cf.MetaModel 或读取旧 MetaModel 结果时用 cf-metamodel；新版 AbstractTool / Experiment / ComposedExperiment 流程用 cf-experiment。

主 Skill 选择

使用 cf-plotting：

• 写 common_func 风格的绘图代码。
• 创建 fig/ax、调用 cf.plt_*、cf.set_ax、cf.save_fig。
• 处理多子图、3D 图、colorbar、paper mode、图内文字标注。
• 给已有分析结果补图或检查图像保存流程。

使用 cf-draw-rules：

• 检查或优化科研图、论文图的视觉效果。
• 判断文字、线条、点、tick、spine、legend、留白和对齐是否适合正文展示。
• 统一颜色编码、避免彩虹 colormap、选择符合数据语义的对比型或渐进型 colormap。
• 设计多子图布局、图形类型变化、重点突出方式和图内直接标注。
• 通常与 cf-plotting 一起使用：cf-plotting 负责怎么调用 common functions 画图，cf-draw-rules 负责画出来是否清楚美观。

使用 cf-multiprocess：

• 把 for、enumerate、dict.items() 循环改成 common_func 多进程封装。
• 使用 multi_process、multi_process_list_for、multi_process_enumerate_for、multi_process_items_for。
• 调整 process_num、排查 pickle、seed、嵌套多进程、共享写文件等并行风险。

使用 cf-object-io：

• 保存或读取普通 Python 对象、dict、numpy array、scipy sparse matrix、pandas DataFrame、txt、yaml。
• 需要按 key 分开保存大字典，或从 separate dict 中局部读取。
• 任务不涉及 Experiment 的 DataKeeper，只是独立 IO。

使用 cf-neuron-data：

• 处理常规神经元 spike times、spike array、firing rate、raster、ISI、ACF/CCF。
• 在事件表和 (T, N) spike array 之间转换。
• 用 neuron_data_functions.py 做常规神经元时间序列分析和作图。
• 注意：neural avalanche 分析不要用这个 skill。

使用 cf-ncc-avalanche：

• 调用 ncc_avalanche_functions.py 做 NCC neural avalanche 分析。
• 处理 avalanche size/duration、power-law 拟合、size-duration scaling、crackling relation。
• 保存 avalanche summary 图，检查 duration bin count 拟合、plparams_kwargs、size_duration_kwargs。

使用 cf-experiment：

• 仅在用户明确提到 Experiment、ComposedExperiment、AbstractTool、tool pipeline、timedir 复用，或现有代码已经使用这些类时使用。
• 组织新版 AbstractTool、Simulator、Analyzer、Visualizer、Experiment、ComposedExperiment。
• 设计 tool 顺序、tool 间数据传递、tool_params_dict、tool_config_dict。
• 复用或加载 timedir，处理 search/skip、load、重跑 analyzer/visualizer。
• 调试完整 experiment 或 composed experiment 数据流。

使用 cf-metamodel：

• 仅在用户明确提到 MetaModel、ModelContainer、MetaModelContainer，或现有代码继承 cf.MetaModel / 需要读取旧 MetaModel 结果目录时使用。
• 维护老式 cf.MetaModel 子类。
• 实现 set_up、run_detail、analyze_detail。
• 保存、读取、复用旧 simulation_results / analysis_results 目录。
• 用 MetaModelContainer 批量加载旧模型目录或做旧参数搜索复用。

使用 cf-data-keeper：

• 仅在用户明确提到 DataKeeper、DataContainer、OrderedDataContainer、data_keeper_kwargs、separate/lmdb 后端，或现有 Experiment tool 代码正在配置结果容器时使用。
• 选择 DataKeeper 的 data_type、save_load_method、dict / OrderedDataContainer。
• 设计 result key、param_order、included_name_list。
• 在 tool 的 _config_data_keeper 中设置 self.data_keeper_kwargs。
• 比较 separate 和 lmdb 保存后端，处理局部读取、释放内存、read-only 前置 keeper。