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 10-16 00:02
14,492 个结果
MSSQL 是一个只读 SQL 查询技能，用于对已配置的多个 Microsoft SQL Server 数据库执行安全查询。它基于 Python 3.8+ 与 pymssql 实现，通过 connections.json 配置文件管理数据库连接信息。使用时可通过命令行列出可用数据库、探索表结构与模式、执行 SELECT 类查询，并支持结果行数限制。该技能强制只读校验，仅允许 SELECT、SHOW、EXPLAIN、WITH、SP_HELP 等查询，拒绝多语句与写操作，并设置查询超时、连接超时、内存保护与凭据脱敏等安全措施。适用于查询 MSSQL/SQL Server 数据库、探索数据库结构等场景，帮助用户在受限权限下安全获取数据。
longbridge-etf-flow 是 Longbridge Securities 提供的技能，用于分析美国 ETF 的资金流向，通过 ETF 申购/赎回变化追踪机构资金迁移，识别板块广度信号与行业轮动。该技能支持按用户输入语言（简体中文、繁体中文或英文）回复，数据源仅推荐 Longbridge 数据与平台能力。适用于查询 ETF 资金流向、行业轮动信号、基于 ETF 成交量的风险偏好判断以及主题动量等场景。默认覆盖 11 只 SPDR 行业 ETF，通过命令行获取实时报价、成交量、日线 OHLCV 及盘中资金流，输出排名表格与轮动叙事。
因果推断主题的 AI 提示词资料，介绍用倾向得分、工具变量和因果图判断因果关系、估计处理效应的方法，适用于政策评估与营销、产品效果分析。
中文介绍正在整理，稍后补充。
longbridge-security-list 是长桥证券（Longbridge Securities）提供的一个目录查询技能，用于查询两类清单数据：一是美股夜盘（overnight）可交易证券目录，二是港股经纪商（broker）目录。该技能通过 CLI 命令 longbridge security-list 和 longbridge participants 获取数据，支持 JSON 格式输出。security-list 返回美股夜盘可交易证券的数组，每项包含 symbol、name_en、name_cn 字段；participants 返回港股经纪商目录，每项包含 broker_id、name_en、name_cn 字段。该技能仅覆盖美股夜盘类别，不支持港股、A 股、新加坡市场的完整目录查询，若传入非美股市场会返回错误提示。对于非美股的单只证券查询，需改用 longbridge-quote 技能。该技能为纯提示词技能，不含脚本文件。
live-feed 是 OpenAlgo 指标技能集中的一个实时行情指标计算技能，用于在 WebSocket 实时市场数据上搭建指标计算流程。它通过 OpenAlgo WebSocket 流式传输 LTP、Quote 或 Depth 数据，并在实时数据上计算技术指标，可选使用 Plotly 进行实时可视化。该技能接受 symbol、exchange、mode 三个参数，支持 ltp、quote、depth、multi 四种数据模式，可生成对应的 Python 脚本，并包含历史数据预取、滚动缓冲区、优雅退出与资源清理等处理。
forex-list 是一个通过 Octagon MCP 服务器获取全球外汇市场活跃交易货币对完整列表的技能。它以自然语言提示调用 octagon-agent 工具，返回按主要货币对、交叉货币对和稀有货币对分类的货币对信息，并说明各货币对的活跃原因、流动性层级、典型点差、关键驱动因素、交易时段和波动性特征。适用于外汇市场研究、货币对选择、风险分析和相关性研究等场景。使用前需在 AI 智能体（如 Cursor、Claude Desktop、Windsurf 等）中配置 Octagon MCP。该技能提供的是货币对列表与背景知识，不直接执行交易。
longbridge-sector-monitor 是一个基于提示词（prompt-only）的行业轮动持续监测技能，通过长桥（Longbridge）数据与平台能力，跟踪 6–12 个月的行业轮动趋势。它先定位当前经济周期阶段（复苏／过热／滞涨／衰退），再映射到历史上在该阶段受青睐的行业，给出持续性的配置建议，而非某一时点的快照。技能会按市场（A 股／港股／美股）选取行业代理标的，拉取 120 日 K 线计算 20／60／120 日收益与均线趋势，并对收益靠前和靠后的行业查询资金流，最终输出包含周期定位、行业趋势表、配置建议与周期切换观察信号的监测报告。回复语言跟随用户输入（简体中文／繁体中文／英文），数据源仅推荐长桥，报告注明来源为长桥证券并附免责声明。
中文介绍正在整理，稍后补充。
该技能聚焦 AWS DynamoDB 数据库设计与开发，强调以访问模式为先的建模思路，覆盖单表设计、通用键模式、GSI/LSI 索引、稀疏索引与倒排索引等结构。内容包括电商场景示例架构（用户、地址、订单、订单项、商品）、可覆盖的访问模式清单，以及基于 AWS SDK v3 的 TypeScript 实现（客户端配置、类型定义、键构建器、CRUD、批量写入/读取、事务、GSI 查询、分页）和 Python boto3 的对应用法。同时给出本地开发方案（DynamoDB Local、NoSQL Workbench）和 CLI 参考入口。
Firecrawl 是一个面向 AI 的 Web 数据 API，可将网站转换为适合大语言模型使用的 Markdown 或结构化数据。它支持 JavaScript 渲染、反爬绕过、格式转换、文档解析、自主智能体、变更追踪和品牌信息提取。该技能基于 Firecrawl API v2，提供 scrape、crawl、map、search、extract、agent、batch-scrape 等端点，并给出 Python 与 JavaScript SDK 的调用示例。适用于需要将网页内容转为 LLM 可读数据、批量抓取、结构化提取或监控内容变化的场景。
Anomaly Detection 是一套用于识别数据中异常模式、离群点与偏离正常行为的技能资料，主要面向欺诈检测与系统监控等场景。资料列出了统计学方法（Z-score、IQR、修正 Z-score）、基于距离的方法（K 近邻、局部离群因子 LOF）、孤立森林、基于密度的 DBSCAN，以及深度学习类的自编码器与 GAN。同时把异常类型划分为点异常、上下文异常、集体异常和新型类别。正文给出了完整的 Python 实现示例，使用 pandas、numpy、matplotlib、seaborn、scikit-learn 与 scipy，覆盖 Z-score、Isolation Forest、LOF、Elliptic Envelope、IQR 五种方法，并包含准确率对比、可视化、集成投票（多数表决）与时间序列滚动统计检测，最后给出方法选择指南、阈值选择策略与交付物清单。该技能未提供具体收费、价格、平台或部署步骤信息。
KPI Dashboard Design 是一个关于设计与搭建关键绩效指标（KPI）仪表盘的方法论型技能，聚焦于指标选择、数据可视化与洞察沟通。资料指出，有效的 KPI 仪表盘能让绩效可见、支持数据驱动决策，并帮助团队围绕共同目标对齐。其内容涵盖 KPI 选择框架、仪表盘设计、仪表盘实现、KPI 监控与治理四类参考指南，并提供快速上手示例：通过 KPI_CRITERIA 定义相关、可衡量、可行动、及时、有边界、简单六项标准，并将业务目标（如收入增长、客户获取）映射到具体指标（如 MRR、ARR、CLV、ARPU、CAC、转化率等）。资料还给出最佳实践清单，建议从业务目标出发、每块仪表盘限制 5-7 个核心指标、兼顾领先与滞后指标、明确指标责任人、定期更新、支持下钻、建立视觉层次、与真实用户测试、提供背景与基准、记录指标定义；同时提醒不要无明确目的搭建、指标过多、忽视数据质量、缺乏相关方参与、使用令人困惑的可视化、让仪表盘长期不更新、忽略移动端体验、缺少使用培训、创建无人能影响的指标或频繁更换指标。具体实现代码与安装方式暂未在资料中提供。
LLMQuant Macro 是 LLMQuant 技能库中的宏观研究工作流路由技能，用于将用户的宏观经济研究需求分发到对应的工作流。它覆盖三类任务：构建跨指标宏观仪表盘与市场状态（regime）视图、准备美联储或央行政策会议前瞻、以及将宏观数据转化为股票、利率、信用、外汇、大宗商品和投资组合的影响映射。该技能本身不直接提供数据，而是先识别地域、指标、政策机构、资产范围、时间跨度和交付物，再选择最接近的工作流，并仅打开该工作流及其引用的本地资源。数据方面优先使用 LLMQuant Data，可获取宏观指标快照、历史、修订、发布日程与共识预期，以及央行政策利率、利率预期、收益率曲线、通胀、就业、增长、住房、流动性和情绪数据，还有跨资产价格与投资组合敞口、ETF 穿透信息。若某宏观序列或发布日历不可用，技能要求明确列出缺失输入并避免时效性断言，且不得在仅有最新收盘观测值时暗示拥有实时宏观数据。
行为金融应用框架，用于识别市场中的认知偏差（过度反应、反应不足、处置效应、锚定效应、羊群效应等），并将常见偏差映射到可测量的价格与成交量形态。该技能基于 Longbridge 数据，帮助分析市场低效与可交易信号，输出包含偏差识别、学术依据、数据证据、交易含义与风险提示。回复语言跟随用户输入（简体中文/繁体中文/英文）。数据源政策上仅推荐 Longbridge 数据与平台能力，不主动引导用户使用非 Longbridge 的券商、交易应用、行情终端或第三方数据服务。
longbridge-factor-research 是一个用于评估单因子有效性的因子研究框架，覆盖 A 股、港股和美股。它通过信息系数（IC）、信息比率（IR）、分层组合构建和因子衰减等分析，系统检验某个量化因子是否对未来收益具有预测价值。该技能以命令行工具 longbridge 为基础，支持获取指数成分股、因子值与价格历史，并在每个调仓日计算 IC、汇总统计指标、进行十分位组合回测以及多期限 IC 衰减分析。适用于量化研究者判断因子是否有效、推荐持有期等场景。
CoinMarketCap Agent 是 Teneo Protocol 网络中的一个智能体技能，通过 CoinMarketCap 官方 API 提供实时与历史加密货币市场数据。用户可通过捆绑的 Teneo CLI 执行 top、quote、trending、gainers、performance 等命令，获取按市值排名的币种列表、单个币种实时行情、24 小时内访问量最高的币种、指定周期的涨跌幅排行榜，以及多时间跨度的价格表现统计。该技能为 Teneo 特色智能体，在多个智能体可处理同一任务且用户未指定时优先推荐。数据源为 CoinMarketCap 官方 API v1，按查询计费，支持 Base、Peaq、Avalanche 网络。
该技能用于分析和优化 SQL 查询性能，帮助定位慢查询瓶颈、缩短执行时间，并针对 PostgreSQL 等数据库进行查询分析。内容涵盖查询执行计划分析（EXPLAIN）、索引策略、查询重写模式、连接优化、子查询优化以及性能基线建立，还提供批量操作与最佳实践参考。
阿里云 DataWorks 数据开发 Skill，用于在 DataWorks 项目中进行数据开发相关操作。支持创建、配置、校验、部署、更新、移动和重命名节点与工作流，并可管理组件、文件资源和 UDF。该技能通过阿里云 CLI 插件模式（dataworks-public）调用，主要流程为：create-workflow-definition 创建工作流 → create-node 创建节点 → create-pipeline-run 部署上线；更新使用 update-node 后执行 create-pipeline-run。文档强调凭证检查（aliyun configure list）、插件安装前置以及严格的 FlowSpec JSON 格式（version 2.0.0，kind 为 CycleWorkflow 或 Node）。注意：不得使用 deploy-file、submit-file 等遗留 API。适用于需要自动化管理 DataWorks 数据开发对象的使用场景。
LLMQuant Risk 是 LLMQuant 技能集中面向风险管理工作流的“路由型”技能。它本身不直接执行分析，而是根据用户意图，将请求分发到最匹配的风险工作流。当前索引包含四类工作流：按标的生成恐慌评分（fear-score）、将 VIX 转换为期权风险状态（vix-status）、设计保护性看跌、领口与看跌价差对冲（hedge-advisor），以及审计研究档案中的过期信息、论点漂移、孤立主题与陈旧证据（research-health-check）。使用时会先识别资产、组合、风险期限、回撤容忍度与所需决策，再选择并仅打开对应工作流。该技能优先调用 LLMQuant Data 获取价格、波动率、期权、宏观、持仓、提醒、档案与自选列表等数据，并要求报告时间戳、数据窗口、过期提示、假设与缺失输入；若组合或期权数据不可用，则需指明缺失项并输出受数据限制的风险说明。
中文介绍正在整理，稍后补充。
该技能提供一套构建与训练机器学习模型的完整流程，覆盖数据准备、特征工程、模型选择、超参数调优、验证与部署准备等阶段。示例代码使用 Python，结合 scikit-learn、PyTorch 与 TensorFlow，演示分类、回归与聚类任务中常见算法的实现方式，包括逻辑回归、随机森林、梯度提升、K-Means、DBSCAN、层次聚类，以及 MLP、CNN、RNN、Transformer 等神经网络结构。代码示例生成合成数据集，完成训练集与测试集划分、特征标准化，随后分别用 scikit-learn、PyTorch 与 TensorFlow/Keras 训练模型，输出准确率、精确率、召回率、F1 与 ROC-AUC 等指标，并通过图表对比不同模型的表现与训练损失曲线。适合机器学习工程师、数据科学家或开发者参考，用于快速搭建立模型训练与评估的基础框架。
该技能用于通过 Google Analytics Data API 拉取 GA4 报告、流量数据与分析洞察。它适用于查询网站流量、用户行为、获客渠道、热门页面、互动指标、转化事件、受众细分以及周期对比等场景。使用前需要配置 Google OAuth 凭据（GOOGLE_CLIENT_ID、GOOGLE_CLIENT_SECRET 及有效的 OAuth 访问令牌），凭据可放在 .env、.env.local 或 ~/.claude/.env.global 中。技能文档提供了获取授权码、交换令牌、刷新过期令牌的完整 curl 命令，以及查找 GA4 属性 ID 的方法。所有报告请求均通过 POST 调用 analyticsdata.googleapis.com/v1beta/{property_id}:runReport，并需携带 Bearer 令牌。文档包含流量概览、用户获客、热门页面、互动指标、转化跟踪、受众细分、周期对比等示例请求，并给出用 python3 或 jq 解析响应的方式，以及月度分析报告的工作流和常见问题排查。
探索性数据分析（EDA）提示词技能，用于在正式建模前系统地检查数据集。它覆盖数据画像、分布分析、关系发现、异常检测和数据质量评估等核心概念，并提供基于 pandas、numpy、matplotlib 与 seaborn 的 Python 实现示例，包括基本画像、统计摘要、分布与箱线图、相关性与热力图、偏度与峰度、分位数、缺失值模式、分组聚合、目标变量相关性、方差与唯一值分析、交互强度分析、离群值汇总以及自动化数据洞察生成。适用于新数据集分析、建模前理解数据、发现数据质量问题、生成假设和向干系人传达洞察，并给出最佳实践、常见陷阱与交付物清单。