SuperAPI AI 工具集找到适合任务的 Agent Skill，阅读介绍并复制安装命令。
更新于 10-15 00:40
13,197 个结果
Backtrader 是一个 Python 事件驱动型回测框架，通过逐根 K 线（bar-by-bar）遍历历史数据来模拟真实执行过程，内置券商（broker）、订单管理与持仓跟踪。与 vectorbt、pandas 等向量化框架不同，backtrader 一次推进一根 K 线并触发回调，因此可以实现依赖此前成交、部分成交以及条件性括号单（bracket order）等复杂订单逻辑。它支持市价、限价、止损、止损限价、括号单与 OCO 等多种订单类型，提供多时间框架（resampledata）、自定义指标、仓位管理器（Sizer）以及 Sharpe、回撤、交易分析等内置分析器，并基于 matplotlib 绘图。用户通过 Cerebro 引擎添加策略、数据源、分析器与 Sizer 后调用 run() 运行回测。资料中还给出了加密货币场景下的注意事项，如 24/7 市场、较高手续费、分数化下单、滑点与波动性数据等，并说明可与 pandas-ta、交易可视化、仓位管理、风险管理、滑点建模等技能配合使用。
中文介绍正在整理，稍后补充。
Tushare Pro 金融数据 API 查询助手，用于帮助用户查询中国股票、基金、期货、债券等金融数据。当用户需要获取股票行情、财务数据、基础信息、宏观经济数据时使用此 skill。Tushare Pro 是中国领先的金融数据平台，提供股票、基金、期货、债券、外汇、数字货币等全品类金融大数据。该 skill 汇总了股票代码规范、常用 API 接口（基础数据、行情数据、财务数据、市场数据）、Python SDK 与 HTTP API 两种调用方式，以及积分系统与使用注意事项。使用前需自行申请 token，并注意积分消耗与调用频次限制。
LLMQuant Options 是 LLMQuant 技能库中面向期权与波动率工作流的路由型技能。它本身不直接计算，而是根据用户意图，把请求分发到对应的期权工作流文件，覆盖 IV 排名、期权合约评分、多腿策略构建、希腊字母、盈亏模拟、波动率曲面与微笑、异常期权活动、财报隐含波动与 IV 崩塌，以及牛市看跌价差回测等场景。该技能强调先识别标的、到期日、行权价、方向、期限、风险预算与策略约束，再选择最接近的工作流，并优先使用 LLMQuant Data 获取期权链、IV 历史、希腊字母、期权流与财报事件等数据；若数据缺失需明确说明所需输入，不得编造报价、IV、持仓量或希腊字母。
均值回归（Mean Reversion）策略工具集，用于统计确认金融时间序列是否具有均值回归特性，并据此构建交易信号。它提供 Augmented Dickey-Fuller（ADF）检验、Hurst 指数、方差比检验来判断序列的平稳性，用 AR(1) 回归估算半衰期，用 z-score 构建入场/出场/止损信号，并用 Ornstein-Uhlenbeck 过程进行连续时间建模与参数估计。工具覆盖单资产均值回归、配对交易和统计套利三种策略类型，同时讨论加密市场中的特殊考虑（如趋势性强、半衰期短、交易成本高）。该技能仅提供分析与信息工具，不构成财务建议或交易推荐。
该技能用于将 dbt 项目从一个数据平台迁移到另一个数据平台（例如从 Snowflake 迁移到 Databricks，或反向迁移）。其核心方法是借助 dbt Fusion 的实时 SQL 编译与详细错误日志进行方言转换：读取 Fusion 报错、修复、重新编译，循环迭代直至通过。迁移前会在源平台生成 dbt 单元测试作为“黄金数据集”，迁移后在目标平台运行这些测试以验证数据一致性。成功标准为：dbtf compile 在目标平台 0 错误 0 警告、所有单元测试通过、所有模型运行成功。迁移过程使用 dbtf compile 作为主要迭代门槛（免费、不消耗仓库计算），仅在编译干净后才执行 dbtf run 和 dbt test。工作流共 7 步：验证 dbt Fusion 安装、评估源项目、在源平台生成单元测试、切换 dbt target、运行 Fusion 编译并修复错误、运行并验证单元测试、最终验证并记录变更。该技能还包含禁止事项（不预先修复 Fusion 未报告的问题、不跳过单元测试、不使用 dbtf run 做迭代验证等）和已知限制（如 Fusion 2.0 版本化模型单元测试可能报错 dbt1048、需清除 target 缓存、Python 模型 dbt.ref() 验证问题等）。
中文介绍正在整理，稍后补充。
这是一个用于 Solana 代币的巨鲸跟踪技能，通过监控大额钱包的链上行为，识别吸筹、派发和聪明钱动向，并在价格反应之前生成信号。核心能力包括：识别巨鲸（按绝对与相对阈值分类）、检测吸筹与派发模式、管理巨鲸观察名单、跨代币资金流向分析、以及基于 Helius 等数据源生成实时的鲸鱼买卖、吸筹和派发信号。适用于 Solana 生态的交易研究与链上情报分析，帮助评估代币集中度风险、跟踪聪明钱头寸及预警大额抛售。
XC/TF Data 是一个用于获取 NCAA 越野跑与田径运动员数据的工具，数据来自 TFRRS（tfrrs.org）公开页面以及 The Stride Report 的 RSS 新闻源。它提供命令行（CLI）和 Python SDK 两种使用方式，无需 API 密钥，要求 Python 3.10 及以上。主要功能包括：按姓名搜索现役运动员、获取运动员档案（含全部个人最好成绩 PR 和逐赛季比赛结果）、获取队伍名单、获取赛事结果以及获取最新新闻。使用运动员档案时，athlete_id、school、name 三个参数必须与 TFRRS 运动员页面 URL 完全一致（区分大小写、使用下划线）。该工具仅覆盖现役运动员，已毕业或转学的运动员需直接提供 TFRRS 页面 URL。
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。
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 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 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。
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。
中文介绍正在整理，稍后补充。
中文介绍正在整理，稍后补充。
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。
中文介绍正在整理，稍后补充。
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。
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。
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。
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。
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。
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。