Sentiment Analysis
该技能提供一套基于 Python 的情感分析实现方案，用于判断文本中的情绪倾向与观点，支持意见挖掘、品牌监测和客户反馈分析。它涵盖词典法（VADER、TextBlob）、机器学习（TF-IDF + 朴素贝叶斯）以及方面级情感分析等多种方法，并给出完整的示例代码，包括数据准备、特征提取、模型训练与评估、情感分布可视化、词频分析、趋势分析和方面情感拆解。输出结果包含情感分类、置信度分数、特征重要性和可视化图表，适用于产品评论、社交媒体、客服对话等场景。
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
14,804 个结果
vectorbt
vectorbt 是一个 Python 向量化回测库，用 NumPy/pandas 数组运算代替逐根K线循环执行策略模拟，可进行参数网格搜索、投资组合模拟并输出丰富绩效指标，适用于量化策略的历史回测与优化。
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。
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。
google-ads-report
中文介绍正在整理，稍后补充。
llmquant-portfolio-lab
LLMQuant Portfolio Lab 是一个用于投资组合虚拟化工作流的路由型技能，适用于需要组合敞口地图、假设情景模拟、情景状态或虚拟组合状态的场景。它本身不直接计算，而是根据用户意图识别组合 ID、持仓列表、基准、情景和所需可视化输出，然后路由到最接近的工作流：按持仓、行业、因子、地域、ETF 穿透和集中度绘制组合敞口地图，或模拟加仓、减仓、对冲、冲击及虚拟组合状态。该技能优先使用 LLMQuant Data 获取持仓、价格、ETF 穿透、因子、情景和风险模型输出；若相关 API 不可用，则要求用户提供持仓表或构建结构化组合输入模板。使用中会报告数据截止日期、模型日期、基准、缺失持仓和不支持的资产类型，并明确禁止编造权重、持仓、因子敞口或情景收益。
sap-rpt1
面向 SAP FI/CO 原型数据集的本地表格预测技能，基于 SAP-RPT-1-OSS 对财务 CSV 导出做分类或回归实验，涵盖数据准备、目标泄漏检查与治理审查，仅限原型研究用途。
llmquant-commodities
LLMQuant Commodities 是 LLMQuant 技能库中的路由型技能，用于商品研究与期货曲线相关工作流。当用户需要进行商品现货、期货曲线、库存、滚动收益率或宏观联动分析时，可调用该技能。它本身不直接提供数据，而是根据用户意图将任务路由到对应的工作流文件，并明确所需的 LLMQuant Data 输入。技能内置两条工作流：一是跨价格、曲线、库存、宏观与股票的商品市场简报（workflows/commodity-market-lens.md），二是期货期限结构、滚动收益率、升贴水与曲线变动分析（workflows/futures-curve-monitor.md）。使用时会先识别商品品种、合约代码、地区、时间跨度与输出目标，再选择最接近的工作流，仅打开该工作流及相关本地资源。数据方面优先使用 LLMQuant Data，涵盖现货或近月价格、期货曲线、库存与供需、宏观指标、利率、汇率及相关股票或 ETF 价格代理等能力；若商品数据不可用，则列出所需的具体输入，并仅基于可获得的宏观、市场或用户提供证据继续，明确禁止凭记忆推断现货价格、库存或曲线形态。
longbridge-graham-screener
基于长桥（Longbridge）数据的格雷厄姆「烟蒂股」批量筛选技能：对指定市场或指数成分股套用 NCAV、PE、PB、股息率、流动比率、盈利稳定性等硬性过滤条件，按静态+动态综合评分排序，输出含格雷厄姆买入价、持有期预期与价值陷阱预警的榜单。
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。
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
该技能用于从社交媒体、新闻和链上数据中提取并量化市场情绪，识别群体持仓与潜在的反向机会。核心能力包括：计算提及速度（mention velocity）以检测趋势或病毒式传播；通过关键词列表进行情绪极性评分；整合恐惧与贪婪指数、资金费率、多空比、交易所净流量等链上代理指标；构建加权综合情绪分数（-100 至 +100）；识别极端情绪下的反向信号；追踪高关注度影响者的活动。提供数据源参考、评分方法参考以及情绪扫描器和关键词情绪分析脚本。适用于在开仓或平仓前评估群体情绪、检测反转前的狂热或恐慌极端、监控社交提及速度以早期发现趋势、追踪特定代币的影响者活动，以及为系统化策略构建综合情绪分数。
noxinfluencer
中文介绍正在整理，稍后补充。
ai-tasks
ai-tasks 是一个基于 AI 图像分析的任务技能，用于按业务自定义类别为图片打标签、提取元数据并进行是/否质量检查，所有判断受控于预设词表。适用于需要标准化视觉内容审核与分类的场景。
llmquant-rates-fx
LLMQuant Rates FX 是 LLMQuant 技能库中面向利率与外汇（FX）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，将请求分发到最接近的本地工作流文件，包括收益率曲线交易分析、央行路径与宏观分化比较、以及外汇套息（carry）仪表盘构建。该技能强调优先使用 LLMQuant Data 获取收益率曲线、政策利率、通胀、增长、外汇价格、套息、波动率、信用、商品与宏观背景数据，并要求在报告中标注观察日期、价格时间戳、政策日期、曲线期限、数据陈旧提示与缺失输入。若远期点数、实际利率或持仓数据不可用，需明确说明缺失项，仅使用即期与利差证据，且不得在没有带时间戳的利率与外汇数据情况下推断实时套息或曲线交易。
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。
cli-anything-cloudcompare
cli-anything-cloudcompare 是 CloudCompare 的命令行工具封装，CloudCompare 是一款开源的 3D 点云与网格处理软件。该工具面向智能体使用场景设计，提供跨 9 个命令组的 41 条命令，覆盖项目管理、会话管理、点云操作、网格操作、距离计算、变换与配准、导出等功能。通过 pip 安装，使用前需要系统已安装 CloudCompare（Linux 可用 Flatpak 安装，macOS/Windows 从官网下载），要求 Python 3.10 及以上版本。已测试的版本为 CloudCompare 2.13.2（Flatpak，Linux）。工具支持 --json 全局选项，便于智能体解析输出结果。
llmquant-credit
LLMQuant Credit 是 LLMQuant 技能库中的信用研究工作流路由技能，用于将用户的信用研究需求分发到对应的工作流。它覆盖发行人信用风险审查、信用利差状态分析和高收益压力监测三类场景。使用时会先识别发行人、股票代码、债券、指数、行业、期限、信用评级和投资期限等要素，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。该技能优先使用 LLMQuant Data 获取文件、债务明细、基本面、利率、利差、评级、股价、CDS 和宏观背景数据，并要求报告文件日期、市场时间戳、评级日期、观察窗口、数据过期提示和缺失输入。
llmquant-equity-derivatives
LLMQuant 股票衍生品是一个路由型技能，用于处理单一股票衍生品与混合证券相关的工作流。它覆盖收益结构、期权性、稀释、借券、波动率以及催化剂对齐等主题。该技能本身不直接执行分析，而是根据用户意图将任务路由到对应的工作流：一是构建单一股票衍生品交易手册（含收益结构、希腊字母、催化剂与风险），二是分析可转债、认股权证或混合型股票挂钩证券。使用时会先识别标的代码、衍生品类型、到期日、行权或转换条款及目标，再选择最接近的工作流，并优先调用 LLMQuant Data 获取标的价格、期权链、波动率、借券成本、公司行动、可转债与认股权证等数据。若衍生品条款不可得，需明确列出所需的条款清单字段，不得凭记忆估算。
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。