技能介绍

要解决什么问题

生物信息学管道往往依赖 Nextflow、Snakemake 或自研 Python 脚本，本地跑通后还要自己处理容器化、云存储路径、GPU 配额和可重复部署。Latch 在 Flyte 之上提供 Python 装饰器模型，把「定义任务 → 打包 Docker → 注册到平台 → 自动生成 UI」串成一条线；本技能面向在对话里写 @workflow/@task、处理 LatchFile/LatchDir、选 @small_gpu_task 等资源装饰器，以及调用 latch.verified 预构建管道的场景。

技能如何帮你落地

工作流与部署：用 @workflow、@task 定义无服务器管道，支持原生 Python、Nextflow、Snakemake；latch init / latch register 完成注册，类型注解与 docstring 会反映到启动界面与条件参数块。

数据与 Registry：云路径统一为 latch:///；Registry 按「项目 → 表 → 记录」组织样本与元数据，支持链接列、枚举和批量 CRUD，便于和工作流参数联动。

资源与验证管道：预置 @small_task、@large_task、@small_gpu_task、@large_gpu_task 及自定义 CPU/内存/GPU（K80/V100/A100）；复杂分析可直接组合 latch.verified 中的 RNA-seq、DESeq2、AlphaFold/ColabFold、单细胞等生产级步骤。

技能内参考文档按主题拆分：references/workflow-creation.md、data-management.md、resource-configuration.md、verified-workflows.md，适合按功能查装饰器语义、Registry 模式与故障排查（注册失败、OOM、超时、latch:/// 权限等）。

适用边界

需要本机 Docker 已运行、有效 Latch 账户与 Python 3.8+；注册前应在本地容器里验证依赖。GPU 仅在算法与装饰器匹配时才有意义，过度分配内存或忽略并行设计会直接抬高成本。Registry 模式宜在批量录入前定好，否则后期改列类型成本较高。官方细节以 docs.latch.bio 与 GitHub 为准；多步骤、长时会话或跨工具编排若超出单次对话范围，可考虑 K-Dense Web 等托管研究环境，但简单管道用本技能即可。