longbridge-post-investment
基于长桥证券（Longbridge）的投后监控技能：按季度或月度跟踪持仓与计划的偏差，提取营收增长等关键 KPI，对比分析师预期并生成操作建议。
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 10-16 00:02
数据与分析
15,183 个结果
uniswap-monitor-teneo
Uniswap Monitor 是 Teneo Protocol 网络上的一个 AI 智能体技能，用于监控 Uniswap 相关数据。该技能通过内置的 Teneo CLI（bash 工具）调用，用户可先查看该智能体的实时命令、参数与定价，再执行查询。它适用于用户明确要求使用 Uniswap Monitor，或任务与该智能体实时能力匹配的场景。使用前需一次性安装 Teneo CLI，安装后可通过 list-agents 发现所有可用智能体。支持的结算网络包括 Base、Peaq 和 Avalanche，均以 USDC 计价。该技能本身不提供 SDK 导入方式查询，构建和发布自有智能体需使用 teneo-cli 技能的工作流。
database-migration-management
数据库迁移管理（Database Migration Management）是一个用于管理数据库迁移与模式版本控制的技能，适用于 PostgreSQL 等数据库的迁移规划、版本控制、回滚策略和数据转换。它提供迁移框架与生产环境部署模式，涵盖模式版本演进、数据转换与清理、表与列的增删、索引创建与优化、迁移测试与验证、回滚计划与执行以及多环境部署等场景。该技能包含迁移追踪表（schema_migrations）、迁移日志表（migration_logs）以及记录迁移的函数等最小可用示例，并在 references/ 目录中提供添加列、重命名列、非阻塞创建索引、数据转换、表结构变更等详细实现指南。使用上强调遵循既有约定、编写整洁可维护的代码、补充适当文档、部署前充分测试，并避免跳过测试或验证、忽略错误处理以及硬编码配置值。
kpi-dashboard-design
一套用于设计KPI仪表盘的技能，涵盖指标选择框架、常见业务KPI、仪表盘布局、视觉设计原则、图表选择、交互功能以及最佳实践与常见误区，帮助清晰传达关键指标。
Computer Vision
本技能聚焦计算机视觉任务实现，涵盖图像分类、目标检测、语义与实例分割、姿态估计、人脸识别等方向，并提供基于 PyTorch 与 TensorFlow 的 Python 代码示例。资料中列出了常见网络架构，如分类方向的 ResNet、VGG、EfficientNet、Vision Transformer，检测方向的 YOLO、Faster R-CNN、SSD、RetinaNet，分割方向的 U-Net、DeepLab、Mask R-CNN，以及姿态方向的 OpenPose、PoseNet、HRNet。同时给出图像预处理、数据增强、评估指标与交付物建议，适合用于搭建视觉模型训练与推理流程。
longbridge-pairs-trading
longbridge-pairs-trading 是一个基于长桥证券（Longbridge Securities）的配对交易／统计套利策略技能。它针对两只相关证券，使用 Engle-Granger（ADF）方法检验协整关系，估计对冲比率，计算价差 Z 分，并输出可操作的做多／做空信号，同时给出半衰期与仓位规模建议。该技能通过 longbridge kline 命令获取每只标的 252 根日 K 线数据，按时间对齐后做 OLS 回归与 ADF 检验，并依据 Z 分区间给出信号。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长桥数据与平台能力。以上内容仅供参考，不构成投资建议。
alphaear-logic-visualizer
该技能用于把金融逻辑流程和信号传导链转成可视化的 Draw.io XML 图，并可渲染为可查看的 HTML 文件，适合展示投资论点或复杂传导链条。
llmquant-crypto
LLMQuant Crypto 是 LLMQuant 技能集中面向加密货币研究工作流的路由型技能。它本身不直接产出分析结论，而是根据用户意图，将请求分发到三个具体工作流之一：加密市场状态诊断（覆盖 BTC、ETH、主流币、流动性、杠杆与宏观）、代币或协议研究备忘录（涵盖代币经济、使用情况、估值与风险证据）、以及永续合约资金费率与基差监控（含未平仓合约与杠杆拥挤度）。该技能强调优先使用 LLMQuant Data 获取加密现货价格、OHLCV 历史、已实现波动率、回撤、相关性、流动性、永续资金费率、基差、未平仓合约、清算、交易所资金流、代币供应与解锁计划、协议使用与收入、TVL、持币集中度、治理与安全风险，以及影响加密风险偏好的宏观、利率、流动性与 ETF 等输入。若链上、资金费率或交易所级数据不可用，要求明确列出缺失输入，仅基于可用价格、宏观或用户提供证据继续，并禁止凭记忆推断实时资金费率、流动性、TVL 或持币行为。
setup-timescaledb-hypertables
用于在 Timescale、TimescaleDB、TigerData 或 Tiger Cloud 中创建时序类数据库表结构的技能，覆盖 hypertable 建表、列存压缩、保留策略、连续聚合及策略配置等步骤，适用于时序、IoT、指标与事件日志等写入密集场景。
trading-visualization
Trading Visualization 是一套面向交易场景的 Python 图表可视化技能，提供从行情价格到策略绩效的完整绘图方案。它覆盖 K 线图、权益曲线、回撤图、收益率分布直方图、相关性热力图、交易标记、指标面板与持仓时间线等常见图表类型，帮助交易者用图形识别价格结构变化、评估策略稳健性并生成汇报级可视化。该技能默认采用深色主题（贴近交易终端风格），并给出看涨/看跌、均线、警示等一整套配色约定。它主要基于 mplfinance、matplotlib 和 plotly 三个库：mplfinance 适合带成交量的 K 线及叠加均线/布林带，matplotlib 负责多面板组合与完全自定义排版，plotly 用于可交互 HTML 图表。输出支持 PNG、SVG、HTML 及 Jupyter 内联显示，并说明了带深色背景的保存方式。文档还提供多面板布局的高度比例建议、权益曲线与回撤联动绘制、收益率分布叠加正态拟合与 VaR 线、相关性矩阵带数值标注、买卖点散点标记等可直接复用的代码示例，并说明可与 pandas-ta、vectorbt、portfolio-analytics、risk-management、position-sizing、regime-detection、correlation-analysis 等技能配合使用。
llmquant-portfolio
LLMQuant Portfolio 是 LLMQuant 技能库中用于投资组合研究工作流的路由型技能。它本身不执行具体分析，而是根据用户的投资组合相关意图，将请求路由到对应的工作流文件。适用场景包括：构建或刷新公司研究档案、把买入逻辑转化为可监控的投资论点并设定卖出条件、追踪主题股票篮子及相关事件、监控自选列表的价格/隐含波动率/事件/异动变化，以及创建和管理可量化的市场提醒。该技能依赖 LLMQuant Data 获取研究档案、价格、公告文件、持仓、事件、自选列表、提醒与投资组合上下文等数据，并要求在输出中标注最后更新日期、证据日期、过期提示以及缺失的工作区对象。若工作区存储不可用，则退化为输出结构化的档案、论点、自选列表或提醒规格，以便后续导入。
redis-state-management
Redis 状态管理技能，系统讲解在分布式系统中使用 Redis 进行状态管理的常见模式。内容涵盖缓存策略（Cache-Aside、Write-Through、Write-Behind）、缓存失效与缓存击穿防护、分布式会话管理、发布/订阅消息模式、分布式锁、Redis 各类数据结构（字符串、哈希、列表、集合、有序集合、Streams）以及连接池、持久化（RDB/AOF）和 RESP3 协议等基础主题，示例基于 redis-py。适合需要为 Web 应用构建高性能缓存层、在分布式环境中管理用户会话、构建实时消息与事件分发系统、用锁协调分布式进程，或使用 Redis 数据结构存储与查询结构化数据的开发者参考。
database-performance-debugging
该技能聚焦数据库性能问题的排查与优化，通过慢查询识别、执行计划分析和索引优化来定位并修复慢查询。适用于应用响应变慢、数据库 CPU 偏高、已发现慢查询、出现性能回退或高负载压力等场景。提供 MySQL、PostgreSQL、SQL Server 的慢查询日志与统计视图示例，以及 EXPLAIN ANALYZE 查询剖析方法，并强调遵循规范、编写可维护代码、补充文档与充分测试。
Statistical Hypothesis Testing
该技能提供统计假设检验的完整框架与 Python 实现，涵盖 t 检验、卡方检验、方差分析（ANOVA）及 p 值分析，用于判断统计显著性、验证假设和进行 A/B 测试。内容包括零假设与备择假设、显著性水平、p 值等核心概念，以及独立样本 t 检验、配对 t 检验、单因素 ANOVA、卡方独立性检验、Mann-Whitney U、Kruskal-Wallis 等常用检验方法。技能附带基于 scipy、numpy、pandas 和 matplotlib 的示例代码，演示检验执行、效应量（Cohen's d、eta-squared）计算、置信区间估计、正态性与方差齐性检验、统计功效分析、Bootstrap 置信区间及多重检验校正（Bonferroni）。同时提供结果解读指南、假设条件清单、常见误区和交付物说明，适用于数据分析、实验评估和学术研究等场景。
using-dbt-state
dbt State 是 dbt 提供的服务器端节点复用机制，用于在构建每个被选中的节点前，判断该对象能否跳过（从目标 schema 复用）、克隆（从其他 schema 复用）或必须正常构建。它不同于 dbt 的 state:modified 选择器或 --state 延迟机制：后者基于文件内容哈希，需要自己维护并保持新鲜的 manifest，且会重建整棵 state:modified+ 子树；而 dbt State 在服务器上自动管理状态，将 SQL 解析为语法树并比较语义哈希，同时考虑上游数据新鲜度，只在真正依赖变更时才重建下游节点。它可用于 dbt Core、dbt platform 和 Fusion，覆盖开发、CI 与生产环境，并支持任意编排器。dbt State 是付费产品，但不要求 dbt platform 订阅，使用时需要认证，复用按 DATT（每日活跃目标表）计量。它仅接收最后修改时间戳和 SQL 文本，SQL 在哈希后即被丢弃，不会接触到原始数据。
scientific-db-uspto-database
该技能用于从美国专利商标局（USPTO）官方系统获取专利与商标记录，支持已授权专利和预授权公开的检索、专利申请状态与档案、商标状态与文件、以及转让记录查询，并生成可复现的知识产权研究日志。它强调优先使用官方数据源，如开放数据门户、PatentSearch API、TSDR 数据 API 和转让检索，同时要求妥善管理 API 密钥、遵守速率限制，并避免提供法律意见。
Model Hyperparameter Tuning
该技能介绍模型超参数调优方法，涵盖网格搜索、随机搜索、贝叶斯优化及 Optuna、Hyperopt 等自动化框架，并给出树模型、神经网络、SVM 与集成模型的调参要点和 Python 实现示例。
llmquant-prediction-markets
LLMQuant Prediction Markets 是 LLMQuant 技能库中的一个路由型技能，用于处理预测市场相关的事件概率工作流。当用户需要事件赔率、结算标准、概率差、跨市场定价等信息时，该技能会识别事件、场所、合约、结算规则、截止时间、相关资产和所需输出，并选择最接近的工作流。它涵盖三类工作流：基于市场赔率和证据生成事件概率研究简报、检查预测市场的跨场所或合约级套利条件、以及将预测市场赔率与期权隐含或资产隐含的事件定价进行比较。该技能优先使用 LLMQuant Data 获取预测市场合约、价格、流动性、期权、宏观、新闻及相关资产价格，并报告合约时间戳、结算标准、流动性、费用、市场窗口和缺失输入。
find-arbitrage-opps
find-arbitrage-opps 是 Hummingbot 技能库中的一个脚本工具，用于跨交易所比较可互换代币交易对（如 BTC/WBTC、USDT/USDC）的价格，发现套利机会。它通过 Hummingbot API 查询所有已连接的 CEX 连接器价格，并可选通过 Hummingbot Gateway 获取 DEX 价格（Jupiter、Uniswap、PancakeSwap）。脚本输出各来源价格、最佳买卖价、套利价差及推荐套利对，支持按最小价差过滤、指定连接器、JSON 输出等选项。使用前需运行 Hummingbot API 并配置交易所连接器，使用 DEX 功能时还需运行 Gateway。
polymarket-analyzer
Polymarket Analyzer 是一个用于分析 Polymarket 预测市场的技能，通过 Gamma 与 CLOB API 的实时数据进行只读分析，无需任何身份验证。它提供四个脚本：find_edges.py 扫描所有活跃市场的定价低效（如 YES+NO 低于 1.00 的套利机会或高于 1.02 的卖出机会，并计算扣除费用后的利润）；analyze_orderbook.py 深入分析单个市场的订单簿，包括价差、中间价、买卖深度、买卖失衡比率、订单簿厚薄分类与流动性集中度；momentum_scanner.py 检测异常活动，如成交量激增、价格动量与流动性变化，并按信号强度排序；correlation_tracker.py 检测投资组合中隐藏的相关性暴露，按主题分组、识别共同限定词，并在相关集群超过集中度限制时发出警告，输出多元化评分（0-100）。该技能仅执行只读分析，不执行任何交易，过去模式不保证未来结果，交易前需手动验证机会，且不构成财务建议。
monitor-experiment
monitor-experiment 是一个用于监控正在运行的实验、检查进度并收集结果的技能。当用户说“check results”“is it done”“monitor”或想要获取实验输出时使用。它通过 SSH 检查 screen 会话、收集输出、查找 JSON 结果文件，并可在配置了 W&B 时拉取训练指标，最后汇总为对比表格并给出解读。
ggsql
ggsql 是把 SQL 查询与图形语法（Grammar of Graphics）可视化规范合并在同一语法中的查询工具，可用于创建、修改和理解 ggsql 可视化查询。
bun-sqlite
bun-sqlite 是一个围绕 Bun 内置 SQLite 驱动 bun:sqlite 的使用技能，用于在 Bun 运行时中操作 SQLite 数据库。它涵盖数据库的打开方式（文件、内存、只读、严格模式）、查询执行（db.run 与预编译语句）、参数绑定（位置参数与命名参数）、查询方法（get/all/values/iterate/run）、事务处理（含 deferred、immediate、exclusive 三种模式）、批量操作、字段类型映射、错误处理、数据库管理与常见设计模式。适合在 Bun 项目中进行本地数据持久化、结构化查询和事务控制的开发场景。
supabase-postgres-best-practices
该技能提供由 Supabase 维护的 Postgres 性能优化与最佳实践指南，适用于编写、审查或优化 Postgres 查询、模式设计、索引、连接池、行级安全（RLS）等场景。内容按影响程度分为 8 类规则：查询性能、连接管理、安全与 RLS（均为 CRITICAL 级别），模式设计（HIGH），并发与锁定（MEDIUM-HIGH），数据访问模式（MEDIUM），监控与诊断（LOW-MEDIUM），高级特性（LOW）。每个规则文件包含问题说明、错误 SQL 示例、正确 SQL 示例，以及可选的 EXPLAIN 输出或指标和补充参考；并提供 Supabase 相关说明与完整汇总文档 AGENTS.md。