技能介绍

解决什么具体问题

在生物数据开发或科普项目中，非专业背景的开发者往往对拉丁学名的结构、命名法规的约束（如 优先律、模式标本）缺乏系统认知。直接调用外部 API 不仅受限于网络，还容易返回冗长且难以解析的分类学文本。Species Naming 旨在提供一个纯文本、离线运行的分类学知识引擎，帮助开发者在不依赖外部接口的情况下，快速理解并应用林奈双名法等核心概念。

核心能力与执行步骤

该技能将复杂的分类学规则拆解为可交互的模块化流程：

解析双名法结构：深入拆解 属名 与 种加词 的语法逻辑及词源演变，解释拉丁学名的构成。
剖析命名规则：详细讲解命名法规中的 优先律 原则，并引入 模式标本 的概念及其在分类学中的锚定作用。
互动式实操：通过预测式提问引导思考，最终让用户尝试为 虚拟新物种 命名，并探讨 隐存种 与分类修订等进阶挑战。
进度反馈机制：内置经验值系统，根据互动深度划分为 初学者、进阶者、熟练者 与 专家级 四个阶段，逐步解锁复杂内容。

适用边界与注意点

纯文本与离线约束：技能完全依赖 LLM 自身参数生成内容，严禁联网或调用外部 API。这意味着它无法提供实时更新的全球分类学数据库索引，输出的标本数据和分类状态仅作为概念演示。
科学准确性校验：尽管强调科学严谨性，但在处理极度冷门或存在分类争议的物种时，LLM 可能会产生幻觉。建议将其用于基础概念教学、命名逻辑推演或科普场景，而非作为权威的分类学数据库替代品。