'choice' 검색 결과

Detects A/B chromatin compartments from balanced Hi-C contact matrices via eigenvector decomposition of the distance-normalized, Pearson-correlated cis matrix with cooltools (eigs_cis), then orients (phases) the compartment eigenvector against a GC or gene-density track so the active (A) sign is not arbitrary. Covers the eigenvector-is-a-choice problem (per-arm view_df to remove the centromere gradient; picking the eigenvector by max correlation with activity, not by eigenvalue), GC phasing with bioframe.frac_gc, resolution choice (100kb-1Mb), saddle plots and saddle_strength for compartmentalization strength, the cohesin-loss-strengthens-compartments result, subcompartments (SNIPER/Calder/dcHiC), and cross-condition compartment switching. Use when calling A/B compartments, computing E1/eigenvectors, phasing the eigenvector, building saddle plots, choosing a compartment resolution, quantifying compartment strength, or comparing compartmentalization across conditions.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Identifies super-enhancers from H3K27ac, MED1, or BRD4 ChIP-seq using ROSE, ROSE2, LILY, HOMER -style super, and ENCODE dELS cross-referencing. Handles peak stitching parameters, ranking choices, hockey-stick inflection, marker choice (H3K27ac vs MED1/BRD4), and cross-condition comparison with spike-in normalization. Constructs core regulatory circuitry (Saint-Andre 2016) from SE-encoded TFs. Use when identifying cell-identity / cancer-associated regulatory domains, comparing super-enhancers between conditions, identifying master transcription factor networks, or predicting BET-inhibitor responsiveness.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Assesses RNA-seq data quality specifically for alternative splicing analysis. QC layers include experimental design audit (library prep, read length, depth, replicates), STAR 2-pass cohort-style alignment, junction saturation curves and discovery plateau detection, novel-vs-known junction ratio diagnostics, junction-overhang distribution, splice-site strength scoring (MaxEntScan intrinsic + SpliceAI context-aware), strandedness verification, GENCODE basic vs comprehensive choice, and rRNA contamination screening. Splicing analysis is more demanding than DGE on read length, depth, library prep, alignment strategy, and annotation choice — failures silently bias PSI estimates and inflate novel-junction false positives. Use when evaluating data suitability for splicing analysis, troubleshooting low event detection, or designing sequencing experiments where AS is a primary endpoint.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Use when a carrier asks how to spec a new tractor — engine choice (X15 vs DD16 vs PACCAR MX), transmission (manual vs automated manual vs automatic), axle ratio, sleeper size, fuel tanks, aerodynamic options, electronic features, warranty, fleet-spec vs premium-spec tradeoffs, and how spec choices affect resale value.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Architects the encryption, codec/transport, and premium-feature layer of a group video-calling product, on top of an already-chosen SFU topology. Covers E2EE patterns (Zoom leader-fan-out, Signal pairwise-fan-out, MLS/TreeKEM as in Discord's DAVE, Telegram's ledger consensus), the SFrame (RFC 9605) + WebRTC Insertable Streams mechanism letting an SFU relay encrypted frames it can't read, codec/transport choice (AV1/VP9 SVC vs. simulcast, Opus, congestion control, Media-over-QUIC, WHIP/WHEP), and which "premium" features (virtual backgrounds, live captions, recording, breakout rooms, spatial audio) survive E2EE vs. structurally can't. Use when adding E2EE to an SFU-based call, choosing a 2026 codec/SVC strategy, or deciding which features to disable under E2EE mode. NOT for call topology/platform choice (see webrtc-adhoc-video-chat, which this composes with). NOT for one-way broadcast (see managed-video-streaming-pipeline). NOT for the DM/group-chat text backend (see realtime-messaging-backend-architecture).

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Custom-entry fix for pickers with no way to add a choice (Select, Popover list, DropdownMenu). Use when building or touching any choice control (tier, category, tag, status, owner), `pnpm check:picker-add` names a file, running Pattern Patrol P13, or the user says 'no way to add my own' or 'why can't I type a new one'.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Architecture Decision Records (ADR) — a lightweight method for capturing important architectural decisions with context, trade-offs, and rationale. Based on Michael Nygard's ADR pattern and Google/Meta/ByteDance's design documentation culture. USE WHEN: deciding between technology choices, designing new architecture, changing existing architecture, documenting why a decision was made, onboarding new team members, or preserving design context for future maintainers. Triggered by terms like "tech choice", "architecture decision", "why did we choose", "design rationale", "ADR", or "architectural decision record".

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Decision tree analysis for complex decision-making across all domains. Use when user needs to evaluate multiple options with uncertain outcomes, assess risk/reward scenarios, or structure choices systematically. Applicable to business, investment, personal decisions, operations, career choices, product strategy, and any situation requiring structured evaluation. Triggers include decision tree, should I, what if, evaluate options, compare alternatives, risk analysis.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

OpenClaw에서 Discord 채널에 메시지를 보내고 기존 스레드에 답장합니다. 활성화된 작업 범위에서 게시물을 편집하거나 선택 버튼이 있는 메시지를 다룹니다.

• 지정한 Discord 채널에 게시합니다
• 기존 스레드에 답장합니다
• 선택 버튼이 있는 메시지를 보냅니다

구현이 끝나면 전체 테스트를 확인하고 로컬 병합, 풀 리퀘스트 생성, 현상 유지 중 선택한 작업을 수행합니다. 선택과 작업 환경에 따라 브랜치와 작업 공간을 정리합니다.

• 완성한 기능을 로컬에서 병합
• 브랜치를 푸시하고 풀 리퀘스트 생성
• 완료한 변경을 나중에 통합하도록 보관

질문으로 계획과 아이디어를 검토하고 결정 간 의존 관계를 정리합니다. 권장 답변을 담은 질문을 단계적으로 제시해 모호한 전제와 미결 사항을 확인하고 공통 이해를 쌓습니다.

• 실행 전 계획 검토
• 아이디어의 전제 명확히 하기
• 결정 간 의존 관계 정리

계획이나 설계를 깊이 묻는 질문으로 구체화하면서 설계 결정 기록과 용어집도 작성합니다. 하나의 대화에서 검토와 문서화를 함께 진행할 때 사용합니다.

• 질문에 답하며 계획 구체화
• 대화로 설계 심층 검토
• 검토 중 설계 결정 기록

기존 코드의 일부를 감사하고 설계 결정 기록, 구현 관행, 누락 기능, 기술 선택의 네 관점에서 문제를 정리합니다. 계획부터 테스트, 수정, 재감사까지 진행합니다.

• 인수한 코드를 검토할 때
• 개발 도중 ECC 절차를 도입할 때
• 기능 추가 전에 모듈을 재검토할 때

답변 전에 네 단계의 상세 수준과 예상 토큰 수를 제시합니다. 짧은 결론부터 자세한 설명까지 선택한 수준에 맞추고 같은 세션에서 유지합니다.

• 짧은 답변과 자세한 설명 중 선택
• 답변 전 예상 토큰 수 확인
• 배경과 예시가 있는 적당한 길이의 답변

양식, 청구서, 문제집처럼 일정한 형식의 텍스트에서 정보를 추출하는 흐름을 설계합니다. 정규 표현식으로 추출한 뒤 신뢰도가 낮은 항목만 LLM으로 확인하고 수정하도록 안내합니다.

• 문제 본문과 선택지 및 정답 추출
• 양식과 청구서 추출 절차 설계
• 정규 표현식과 LLM 중 선택

여러 단계의 계획을 읽고 바로 붙여 넣을 ECC 명령을 생성합니다. 단계 식별자와 완료 조건을 포함하며, 작업 범위를 전달할 수 없는 명령은 보류로 표시합니다.

• 구현 계획을 명령으로 변환
• 기능 추가·수정·리팩터링 명령 선택
• 지정한 단계의 명령만 준비

발표 메모나 PowerPoint로 브라우저에서 실행되는 HTML 슬라이드를 만듭니다. 미리보기로 디자인을 선택하고 화면에 맞는 레이아웃과 애니메이션을 구성합니다.

• 발표와 사내 보고용 슬라이드를 만듭니다
• PowerPoint를 HTML로 변환합니다
• 미리보기로 자료 디자인을 선택합니다

정답이 하나로 정해지지 않는 결정을 장기적 영향, 전제에 대한 의문, 실행 가능성, 실패 위험의 네 관점에서 검토하고 반대 의견과 함께 권고안을 정리합니다.

• 즉시 출시할지 개선을 기다릴지 판단합니다
• 단계적 배포와 일괄 배포를 비교합니다
• 범위 축소와 장기 목표를 검토합니다

기술이나 설계를 선택한 이유를 배경, 대안, 영향과 함께 Markdown으로 기록합니다. 일련번호와 색인으로 정리하고 기존 기록에서 과거 판단의 근거도 찾습니다.

• 프레임워크나 데이터베이스 선택 이유 기록
• 설계 대안과 장단점 정리
• 과거 기술 결정의 근거 확인

Angular 화면과 서비스를 만들고 상태 관리, 폼, 화면 이동을 설계합니다. 프로젝트 버전에 맞는 구현 방식을 선택하고 테스트 작성과 빌드 확인을 지원합니다.

• 새 Angular 앱을 시작할 때
• 폼과 상태 관리를 구현할 때
• 화면 이동과 접근 제어를 설계할 때

LLM이 JSON, 정규 표현식, Pydantic 타입 정의에 맞춰 답변을 생성하도록 합니다. 텍스트에서 추출한 정보와 분류 결과를 후속 프로그램에서 다루기 쉬운 형식으로 정리합니다.

• 텍스트에서 기업과 제품 정보를 추출할 때
• 정해진 라벨로 리뷰를 분류할 때
• 프로필을 항목별로 정리할 때

구현 전에 날카로운 질문으로 계획의 목표, 제약, 기술 선택과 예외 대응을 구체화합니다. 의존관계에 따라 질문하고 결정 사항과 미해결점을 정리해 이해를 맞춥니다.

• 구현 전에 아이디어 구체화
• 인증이나 결제 계획 검토
• 장애 대응과 복구 방법 구체화

PyTorch FSDP를 활용한 대규모 모델의 분산 학습 구현과 오류 조사를 돕습니다. 공식 문서 기반 자료와 코드 예제로 분할 전략, 혼합 정밀도, 학습 상태 저장을 검토합니다.

• 대규모 모델의 분산 학습을 구현합니다
• FSDP 적용 방법과 분할 전략을 비교합니다
• 혼합 정밀도와 체크포인트 예제를 확인합니다

제품이나 브랜드의 특징을 바탕으로 둥글고 단순한 마스코트 이미지를 설계하고 생성합니다. 32×32에서도 알아보기 쉬운 형태를 목표로 하며 소재와 배색이 다른 후보를 비교할 수 있습니다.

• 앱과 제품의 마스코트 제작
• 브랜드에 맞는 캐릭터 구상
• 마스코트의 배색과 윤곽 비교