upstash-redis-kv
该技能通过 REST API 读写 Upstash 兼容 Redis 的键值存储，适用于需要保存或获取键值数据、使用 Redis 各类数据结构的场景。它提供一个基于 Bun 运行的命令行脚本，支持字符串、哈希、列表、集合、有序集合以及键管理和服务器命令，并可通过环境变量或命令行参数配置 Upstash 凭据。
Skill 广场
找到适合任务的 Agent Skill，阅读介绍并复制安装命令。
更新于 10-15 00:40
数据与分析
12,562 个结果
metadata
该技能封装 TheSportsDB 免费 API（key=3），用于获取体育元数据，包括球队队徽与徽章、球员照片、球场信息、联赛信息及人物传记数据，覆盖 100 多个联赛。无需 API key、无需注册。支持命令行与 Python SDK 两种调用方式，提供 get_team_logo、get_team_info、get_player_photo、search_teams、search_players 五个命令。覆盖足球、NFL、NBA、MLB、NHL、F1、板球等团队运动，以及网球、高尔夫球员；不覆盖 MMA/UFC、橄榄球、电竞、拳击。免费 key 限每分钟 30 次请求，重复查询缓存 5 分钟。
pandas
pandas 是 Python 生态中用于数据分析与数据处理的强大库。本技能聚焦于将 pandas 应用于客户支持运营场景，涵盖工单管理、SLA 跟踪与绩效报表。核心能力包括 DataFrame 的创建、选择与索引、列运算，以及面向支持业务的 SLA 合规分析、工单量与趋势分析、坐席绩效指标计算。同时涉及数据集成与 ETL，例如通过 SQLAlchemy 连接 PostgreSQL 读写数据、数据清洗与校验、多级分组聚合、多表合并与拼接，以及时间序列的重采样与滚动窗口分析。适合需要处理支持工单数据、构建生产级数据管道的分析场景。
portfolio-analytics
Portfolio Analytics 是一个投资组合层面的绩效分析技能，用于从权益曲线和交易日志计算收益指标、风险指标、风险调整比率、滚动分析、回撤分析、基准对比和交易级统计，并可通过 quantstats 自动生成 HTML 报告。它适用于回测后评估策略、多策略对比、生成面向投资者的报告以及评估实盘表现。
database-management-patterns
该技能是一套跨 SQL（PostgreSQL）与 NoSQL（MongoDB）的数据库管理准则合集，涵盖模式设计、索引策略、事务管理、复制、分片与性能优化，面向生产级应用。内容按数据库范式对比、PostgreSQL 模式（规范化、主外键、约束、触发器、视图与物化视图）以及 MongoDB 模式（嵌入与引用、桶模式、计算模式、多态模式、聚合管道）分节展开，并说明 ACID 与 CAP 等基础概念，帮助在不同场景下做选型与设计决策。
godot-resource-data-patterns
中文介绍正在整理，稍后补充。
concurrency-patterns
中文介绍正在整理，稍后补充。
fastf1
FastF1 是一个面向一级方程式（Formula 1）赛事数据的技能，基于 FastF1 库提供赛程、比赛结果、圈速计时、车手与车队信息等数据查询能力。它覆盖 F1 的练习赛、排位赛、正赛等各类赛段，可用于赛事周末分析、车手与车队对比、赛季概览等场景。使用方式以命令行工具 sports-skills 为主，也提供 Python SDK 作为替代。查询前需根据当前日期推导年份，1 月或 2 月应使用上一年份。
sentiment-analysis
中文介绍正在整理，稍后补充。
vector-database-management
面向向量数据库管理的综合指南，覆盖 Pinecone、Weaviate、Chroma 三款主流向量数据库，用于语义搜索、RAG（检索增强生成）与基于相似度的应用。内容包括向量嵌入基础（文本转嵌入、常见嵌入模型与维度权衡）、数据库部署与配置（Pinecone 服务端无服务器与 Pod、Weaviate 本地或云端集合、Chroma 持久化客户端）、索引操作（创建、管理、性能配置）、向量操作（写入、批量写入、稀疏向量）、相似度搜索、元数据过滤、混合搜索、命名空间与集合管理、性能与扩展、生产实践及成本优化。文档以 Python 代码示例贯穿，涉及 OpenAI、Sentence Transformers、Cohere 等嵌入方案，并对比三款数据库在部署方式、索引类型、元数据过滤、混合搜索、规模与适用场景上的差异。
database-documentation
该技能用于生成「有据可查且经过验证」的数据库文档，目标是让文档与真实数据库结构达到 100% 一致。其核心方法是：以在线数据库为唯一权威来源（通过系统目录内省），将 ORM 模型、迁移文件、生成的类型和种子数据视为「声明」而非事实，并在生成文档后重新内省在线数据库、与文档做差异比对，直到差异为空或每个差异都有明确说明。技能 v1 仅支持关系型/SQL 数据库，涵盖 PostgreSQL、MySQL、SQL Server、SQLite；若检测到文档型（如 MongoDB）或图数据库则声明超出范围并停止，不做猜测性文档。工作流分为六个阶段：发现（只读）、抽取各来源、统一为规范模式模型、生成文档与 schema.json、验证一致性（计数校验 + 身份差异比对）、以及至少 3 个独立对抗性审查。该技能会按降级阶梯标注可信度等级（从「已在线验证」到「无在线数据库、仅单一静态来源」的低可信度）。缺失数据会被标记而非编造，凭据在处理过程中会被脱敏。
database-monitoring
该技能面向数据库监控场景，用于监控数据库性能与健康状态，适用于搭建监控、分析指标或排查数据库问题的场合。内容涵盖全面的数据库监控实施，包括性能分析、健康检查与主动告警，并涉及指标采集、分析与故障排查策略。使用时机包括性能基线建立、实时健康监控、容量规划、查询性能分析、资源利用率追踪、告警规则配置以及事件响应与故障排查。快速开始部分提供了 PostgreSQL 的监控示例 SQL，例如查看当前连接、按数据库统计连接数与最长查询时长、查找空闲事务等；完整实现见参考指南。参考指南目录涵盖连接监控、查询性能监控、表与索引监控、Performance Schema、InnoDB 监控、PostgreSQL 监控设置以及自动化监控仪表板。最佳实践方面，建议遵循既定模式与约定、编写清晰可维护的代码、添加适当文档、部署前充分测试；不建议跳过测试或验证、忽略错误处理、硬编码配置值。该技能基于 aj-geddes/useful-ai-prompts 资源库，具体收费、价格与平台信息暂未提供。
query-caching-strategies
该技能提供查询缓存策略的实现指南，用于提升性能。适用于搭建缓存层、配置 Redis 或优化数据库查询响应时间等场景。内容覆盖使用 Redis、Memcached 与数据库级缓存的多级缓存策略，以及缓存失效、TTL 策略和缓存预热模式。文档包含适用时机说明、快速入门示例（Node.js 结合 Redis 的缓存读取与写入、TTL 设置），并列出 references 目录下的参考指南，包括 Redis 与 PostgreSQL 缓存、Memcached 缓存、PostgreSQL 查询缓存、MySQL 查询缓存、基于事件的失效、基于时间的失效与 LRU 缓存淘汰。另附最佳实践清单，例如遵循既定模式、编写整洁可维护代码、补充文档并在部署前充分测试，避免跳过测试验证、忽略错误处理以及硬编码配置值。
developing-in-lightdash
用于在 Lightdash 中进行开发工作，面向 CLI 用户与 writeback 沙箱，处理 YAML 与 dbt 文件。该技能覆盖语义层（指标、维度、连接）与内容（图表、仪表板），适用于：处理 Lightdash YAML 文件（图表、仪表板、模型即代码）；使用 lightdash CLI（deploy、upload、download、preview、lint、warehouse-catalog、sql）；在 dbt 或纯 Lightdash 项目中定义指标、维度、连接或表；以代码方式创建或编辑图表与仪表板；下载、上传或本地开发数据应用（企业版）；创建、下载、编辑或上传在 Chart Studio 中构建的自定义图表类型（企业版）；创建、编辑、迁移、下载或上传组织数据应用主题。不适用于：开发 Lightdash 应用本身（应使用代码库的 CLAUDE.md）、不含 Lightdash 元数据的通用 dbt 工作，或与 Lightdash 模型无关的原始 SQL。
market-microstructure-traditional
该技能介绍传统市场微观结构概念在加密货币市场中的应用，涵盖订单簿动态、做市理论、价格形成模型与执行质量评估。内容包括买卖价差分解（逆向选择、库存持有、订单处理）、Glosten-Milgrom 与 Kyle Lambda 价格形成模型、Almgren-Chriss 临时与永久价格冲击、平方根冲击定律、订单簿失衡指标、Poisson 与 Hawkes 交易到达过程、Avellaneda-Stoikov 做市商最优报价模型，以及 VWAP 与实施差额等执行质量基准。同时对比中心化交易所（LOB）与去中心化交易所（AMM）在价格发现、价差、深度、逆向选择、执行、延迟、MEV 和费用结构上的差异，并讨论 Maker/Taker 费率层级对做市策略经济性的影响。附带价差分析与做市商模拟脚本，依赖 numpy、pandas、scipy、matplotlib。
infographic-and-data-viz
该技能专注于将真实数据转化为诚实、易扫读、可分享的信息图与图表。核心方法为 CHART 框架：选择匹配数据关系的图表类型、用标题直接陈述结论、坚持诚实刻度（柱状图从零开始、不使用 3D/双轴/截断）、精简到信号（提高数据墨水比、直接标注）、标注来源并保证可访问性（色盲安全、冗余编码、WCAG 对比度、替代文本）。适用于需要将数据可视化为图表或信息图的场景，强调不歪曲真实数据、不编造数据点或来源。
PostgreSQL Database Administration
这是一个面向客户支持技术赋能场景的 PostgreSQL 数据库管理技能，覆盖数据库设计、索引优化、全文检索、分析查询、分区、备份恢复等主题。资料以支持工单系统为例，给出用户、工单、评论、历史、组织、审计日志等表结构，以及 B-Tree、GIN、部分索引、全文检索触发器、窗口函数、物化视图、SLA 统计、按日期与状态分区、自动建分区函数等示例。适合需要为客服/工单类系统设计、优化和维护 PostgreSQL 数据库的工程师参考。
Clustering Analysis
聚类分析（Clustering Analysis）是一种无监督学习方法，用于将数据划分为由相似观测组成的组，无需预先定义标签，从而发现数据中的自然模式与结构。该技能涵盖 K-Means、层次聚类、DBSCAN、高斯混合模型和凝聚聚类等算法，并提供基于 Python 的完整实现示例，包括数据标准化、肘部法则确定最优簇数、轮廓系数分析、树状图可视化、聚类验证指标（轮廓系数、Davies-Bouldin 指数、Calinski-Harabasz 指数）以及簇特征总结。适用于客户细分、市场细分、文档或产品分组、推荐系统、基因表达或医学影像模式发现等场景。
transaction-management
该技能用于管理数据库事务以保障数据一致性，适用于实现 ACID 合规、处理并发以及管理事务隔离级别等场景。内容涵盖事务的开始、提交与回滚，并针对 PostgreSQL 和 MySQL 提供事务实现、隔离级别与显式锁定的参考指南，同时涉及死锁检测、死锁预防与解决、事务超时配置、分布式事务协调和金融交易安全等主题。整体以 SQL 示例和参考文档形式组织，帮助开发者在并发数据修改环境中编写可靠、可维护的事务代码。
ohlcv-processing
OHLCV Processing 是一个面向交易分析的市场数据准备技能，专注于 OHLCV（开盘、最高、最低、收盘、成交量）数据的清洗与规范化。它覆盖完整的数据准备流程：列名标准化、结构校验、不可能K线检测、缺口处理、异常检测、重采样、归一化以及多数据源合并。该技能强调加密市场数据的特殊性——7×24 小时交易没有官方收盘价、DEX 聚合器价格不一致、低流动性代币会产生异常K线、API 中断会造成数据缺口，因此建议每个分析流程都从这套管道开始。技能提供标准化的 DataFrame 格式约定（UTC 时间索引、小写列名、升序排列、无重复时间戳），并附带数据质量报告、VWAP 计算、时区处理等实用函数。依赖 pandas、numpy、httpx，可通过 uv pip install 安装。
managing-cdc-enablement
用于在 Salesforce 标准对象或自定义对象上启用变更数据捕获（Change Data Capture，CDC）的技能。该技能生成订阅对象的元数据：针对默认 ChangeEvents 通道或自定义通道生成 PlatformEventChannelMember 文件，针对新建自定义通道生成 PlatformEventChannel 文件。覆盖增强字段（enrichment fields）、过滤表达式（filter expression）以及 Metadata API 实际接受的规范命名与取值格式。它负责生成元数据文件，不负责执行部署。
stored-procedures
该技能用于在数据库中实现存储过程、函数与触发器，把业务逻辑、数据校验与性能优化下沉到数据库层。资料说明其适用场景包括业务逻辑封装、复杂多步骤操作、数据校验与约束、审计轨迹维护、性能优化、跨应用代码复用以及基于触发器的自动化。快速开始部分给出 PostgreSQL 标量函数示例，创建 calculate_order_total 函数并按小计、税率、运费计算订单总额，可在查询或应用代码中调用。参考资料包含简单函数、存储过程、简单过程、带错误处理的复杂过程、PostgreSQL 触发器、MySQL 触发器等指南。最佳实践建议遵循既有模式与约定、编写清晰可维护代码、补充文档、部署前充分测试，并避免跳过测试或校验、忽略错误处理、硬编码配置值。
d3-viz
d3-viz 是一个专注于使用 d3.js 创建交互式数据可视化的技能。d3.js（Data-Driven Documents）擅长将数据绑定到 DOM 元素，并应用数据驱动的变换，以精确控制每一个视觉元素，从而创建自定义、出版级质量的图表。该技能可用于任何 JavaScript 环境，包括原生 JavaScript、React、Vue、Svelte 等框架。它适合需要独特视觉编码或布局的自定义可视化、带复杂平移缩放刷选行为的交互式探索、网络/图可视化（力导向布局、树图、层次结构、和弦图）、自定义投影的地理可视化、编排流畅过渡的动画，以及标准库中不提供的新颖图表类型。文档给出了完整工作流程：导入 d3（npm 包或 7.x CDN）、选择集成模式（直接 DOM 操作或声明式渲染）、按标准结构组织绘图代码、实现响应式尺寸。同时提供了柱状图、折线图、散点图、和弦图、热力图、饼图、力导向网络的代码示例，以及提示框、缩放平移、点击交互和过渡动画的实现方式。对于 3D 可视化，建议改用 Three.js。
bigdata-skill
bigdata-skill 是一个面向 Bigdata.com（RavenPack）金融与新闻数据的工具包技能，通过官方 bigdata-client SDK 与 /v1/* REST 端点获取结构化数据。它解决 Bigdata MCP 服务器只返回综合文本、缺少逐块情感数值与实体字符跨度、缺少财季时间序列与筛选器的问题。技能内置已验证、带成本防护的 bigdata_toolkit 包，提供实体解析、带注释新闻检索、结构化财务数据 REST 调用、批量搜索与成本追踪等能力，适用于构建投资研究数据集与数据管道。