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 10-26 00:15
16,951 个结果
Data Commons Client 是一个用于访问 Data Commons 平台的 Python 客户端技能。Data Commons 将来自各国人口普查机构、卫生组织、环境机构等权威来源的公共统计数据聚合为统一的知识图谱。该技能提供对 Data Commons Python API v2 的完整访问能力，支持查询统计观测值、探索知识图谱以及解析实体标识符。安装方式为 uv pip install "datacommons-client[Pandas]"（含 Pandas 支持）或 uv pip install datacommons-client（基础版）。API 包含三个主要端点：Observation 端点用于查询时间序列统计数据，如人口、经济、健康或环境统计；Node 端点用于探索知识图谱中的实体关系与属性；Resolve 端点用于将实体名称、坐标或外部 ID 转换为 Data Commons ID（DCID）。适用于人口统计、经济指标、健康数据、环境统计等公共数据的查询与分析场景。
Datamol 是一个基于 RDKit 的 Python 化学信息学库，为分子操作提供简洁的 Pythonic 抽象层。它封装了 RDKit 的复杂接口，提供合理的默认值、并行化能力和现代 I/O 支持，所有分子对象仍为原生 rdkit.Chem.Mol 实例，与 RDKit 生态完全兼容。主要能力包括分子格式转换（SMILES、SELFIES、InChI）、结构标准化与清洗、分子描述符与指纹计算、3D 构象生成与分析、聚类与多样性选择、骨架与片段分析、化学反应应用、可视化与对齐、批处理并行化，以及通过 fsspec 支持云存储。安装方式为 uv pip install datamol，导入约定为 import datamol as dm。适用于标准药物发现工作流，如分子数据处理、类药性筛选、构效关系分析、虚拟筛选等场景。
ENA Database 技能用于通过 REST API 与 FTP 访问欧洲核苷酸档案库（European Nucleotide Archive，ENA），检索 DNA/RNA 序列、原始测序读段（FASTQ）、基因组组装及功能注释等数据，适用于基因组学与生物信息学流程。该技能覆盖 ENA 的层级化数据类型（研究/项目、样本、实验、运行、组装、序列、分析、分类记录），提供 Portal API、Browser API、分类学 REST API、交叉引用服务与 CRAM 参考序列注册表等程序化访问方式，并支持 XML、JSON、TSV/CSV、FASTQ、BAM/CRAM、FASTA、EMBL 等多种格式。所有 API 限速为每秒 50 次请求，超出将返回 HTTP 429。技能还包含批量下载（FTP、Aspera、enaBrowserTools）与 BLAST 集成等实践建议，并附带 API 参考文档。
Ensembl 数据库技能用于访问和查询 EMBL-EBI 维护的 Ensembl 基因组数据库 REST API，覆盖 250 多个物种。支持基因查询、序列获取、变异分析、比较基因组学、同源基因查找、VEP 预测、基因组区域分析以及不同基因组组装版本间的坐标转换。当前版本为 115（2025 年 9 月）。可通过 Python 的 ensembl_rest 包或直接调用 REST API 使用，适用于基因组研究流程中的数据集成与查询。
FlowIO 是一个轻量级的 Python 库，用于读写流式细胞术标准（FCS）文件，支持 FCS 2.0、3.0 和 3.1 版本。它的主要用途是解析 FCS 文件的元数据与通道信息，并将事件数据提取为 NumPy 数组，便于后续分析或转换。FlowIO 依赖极少，适合后端服务、数据管道以及基础的细胞术文件操作。用户可以用它读取文件版本、事件数、通道标签、采集日期、仪器名称等信息，也能将事件数据导出为 CSV 或 Pandas DataFrame。此外，FlowIO 支持创建新的 FCS 文件，可将 NumPy 数组写入 FCS 3.1 格式（单精度浮点），并自定义 TEXT 段元数据。它还能处理多数据集 FCS 文件、检测偏移差异并允许忽略错误，以及通过 only_text 参数进行内存高效的元数据读取。安装命令为 uv pip install flowio，要求 Python 3.9 或更高版本。对于需要补偿、门控或 FlowJo 支持的高级分析，建议搭配 FlowKit 库使用。
LabArchives 电子实验记录本（ELN）的 API 集成技能，用于通过 REST API 以编程方式访问实验记录本、管理条目与附件、备份记录本、生成站点报告，并与 Protocols.io、Jupyter、REDCap 等第三方工具集成。该技能面向需要自动化科研数据记录与管理的场景，提供认证配置、用户信息获取、记录本操作、条目与附件管理、站点分析与第三方集成等能力，并附带配置脚本、操作脚本及 API 参考文档。使用前需具备启用 API 访问的企业版 LabArchives 许可及相应凭据。
NeMo Curator 是 NVIDIA 推出的 GPU 加速数据整理工具包，用于为 LLM 训练准备高质量数据。它支持文本、图像、视频、音频多模态数据，提供模糊去重（比 CPU 快 16 倍）、质量过滤（30+ 启发式规则）、PII 脱敏、分类器过滤等能力，并可在 GPU 集群上近线性扩展。适用于从网页抓取（如 Common Crawl）构建训练数据、多模态数据集整理、低质或有害内容过滤等场景。安装方式包括 uv pip install "nemo-curator[text_cuda12]"、[all_cuda12] 或 [cpu]。
NeuroKit2 是一个用于处理和分析生理信号（生物信号）的 Python 工具包，可处理心血管、神经、自主神经、呼吸和肌肉信号，适用于心理生理学研究、临床应用与人机交互研究。
pydicom 是用于处理 DICOM（医学数字成像与通信）文件的纯 Python 库，可读写和修改医学影像数据，包括像素数据、元数据及多种压缩格式。本技能提供读取、写入、匿名化、格式转换、序列处理与三维体数据重建等指导。
PyTDC（Therapeutics Data Commons）是一个面向药物发现与开发的开源科学平台，提供 AI 就绪的数据集与基准测试，覆盖治疗药物研发全流程。它将数据按用途分为三类：单实例预测（分子/蛋白质性质，如 ADME、毒性、HTS、量子力学性质）、多实例预测（药物-靶点相互作用 DTI、药物-药物相互作用 DDI、蛋白-蛋白相互作用 PPI 等）以及生成任务（分子生成 MolGen、逆合成 RetroSyn、配对分子生成）。平台提供标准化的评估指标与有意义的数据划分（如 scaffold、cold、temporal 等），并包含基准组（如 ADMET 基准组）、数据划分、模型评估、数据处理工具以及 17 个以上的分子优化 oracle。可通过 pip 安装，使用 `uv pip install PyTDC`，核心依赖自动安装。适合在药物发现或治疗相关机器学习任务中使用，进行模型基准测试、分子性质预测、相互作用预测与目标导向的分子生成。
scikit-survival 是一个基于 scikit-learn 的 Python 生存分析库，用于处理删失数据的时间到事件建模，支持 Cox 模型、集成方法、生存 SVM、竞争风险与多种评估指标。
scvi-tools 是一个基于 PyTorch 和 PyTorch Lightning 的单细胞基因组学概率模型 Python 框架，使用变分推断提供深度生成模型，用于分析多种单细胞数据模态。它支持单细胞 RNA-seq（降维、批次校正、整合）、scATAC-seq 染色质可及性、多模态数据整合（CITE-seq、multiome、配对/非配对数据集）、空间转录组（去卷积、空间映射）、差异表达分析、细胞类型注释与迁移学习，以及甲基化、流式细胞术、RNA 速率等专门模态，并支持构建自定义概率模型。所有模型遵循统一 API：setup_anndata 注册数据、创建模型、train 训练、提取潜在表示与归一化表达，结果可存回 AnnData 供 scanpy 下游分析。模型要求原始计数数据，支持 GPU 加速和批次校正。
TensorBoard 是 Google 提供的机器学习可视化工具包，用于可视化训练指标（如损失和准确率）、通过直方图与分布调试模型、对比多次实验、可视化模型计算图与架构、将嵌入投影到低维空间（t-SNE、PCA）、跟踪超参数实验、进行性能剖析定位瓶颈，以及在训练过程中可视化图像和文本。它支持 PyTorch 与 TensorFlow/Keras 集成，采用 Apache 2.0 许可。安装方式为 pip install tensorboard，启动命令为 tensorboard --logdir=runs，默认在 http://localhost:6006 访问。
UMAP-Learn 是一个实现 UMAP（Uniform Manifold Approximation and Projection）降维技术的 Python 库，用于可视化与通用非线性降维。UMAP 遵循 scikit-learn 约定，可作为 t-SNE 或 PCA 的替代方案，提供快速、可扩展的嵌入，能够保留数据的局部与全局结构。它适用于 2D/3D 可视化、聚类预处理（如与 HDBSCAN 配合）、监督与半监督降维、度量学习与参数化 UMAP 等场景。使用前通常需要对特征进行标准化，以保证各维度权重一致。该库支持通过 n_neighbors、min_dist、n_components、metric 等参数调节嵌入行为，并提供 transform 方法用于将新数据投影到已学习的嵌入空间。参数化 UMAP 基于 TensorFlow/Keras，支持自定义编码器与逆变换。安装命令为 uv pip install umap-learn。
该技能用于教学与实现基于 SQLAlchemy ORM 2.0+ 与 PostgreSQL（含 Neon 无服务器）的生产级数据库层，涵盖数据模型定义、会话与事务管理、关系映射、查询、连接池配置及安全实践。
BI 基础技能插件，涵盖指标定义、KPI 计算、维度建模、仪表盘优化与数据叙事，提供 40+ 指标示例，含营收、客户、产品、留存、NPS、RFM 等 SQL 计算模板。
用于在发布前审计 Cursor 插件是否达到市场提交标准的技能，检查清单、组件元数据、发现路径与提交质量。
长篇网文扫榜技能，分析起点、番茄、晋江、七猫等平台排行榜数据，提炼市场趋势与热门题材，产出题材候选、风险阈值和选题决策。触发方式：/story-long-scan、/长篇扫榜、「长篇什么火」「起点排行」。
面向 Qonto 账户的法国增值税申报表（CA3，3310-CA3 表）准备工具。按真实账户数据逐栏计算已收与可抵扣增值税，输出可手工抄录到 impots.gouv.fr 的对照表、一致性校验与注意事项，仅辅助准备、不提交，且无任何写入工具。
该技能介绍如何利用 SQLite 的 JSON 支持，把 SQLite 当作类 NoSQL 文档存储使用。核心做法是创建一张 documents 表，用 path 作为唯一主键，data 字段存放 JSON 字符串，并附带 ttl、created、updated 字段。通过 INSERT OR REPLACE 保存文档，通过 path 读取文档，通过路径前缀查询某个集合下的全部文档，并借助 ttl 与 updated 字段实现基于 TTL 的过期判断与过期文档清理。适合希望在嵌入式数据库中存储无模式 JSON 文档、并需要自动过期能力的场景。
Azure Tables SDK for Python 是用于访问 Azure 表存储（Azure Storage Tables）和 Cosmos DB Table API 的 Python 客户端库，面向 NoSQL 键值型结构化数据存储场景。它提供表级管理（创建、删除、列出表）与实体级操作（增删改查、查询、批量事务），并支持同步与异步两种客户端。实体以 PartitionKey 与 RowKey 组合作为唯一标识，支持字符串、整数、浮点数、布尔、日期时间、二进制、UUID 等数据类型。安装方式为 pip install azure-data-tables azure-identity，认证使用 DefaultAzureCredential，通过环境变量配置存储账户或 Cosmos DB 表端点。适合需要在 Python 应用中读写 Azure 表数据、按分区高效查询、批量写入或高吞吐异步访问的开发者。
Azure Blob Storage Python SDK（azure-storage-blob）是用于操作 Azure Blob 对象存储的 Python 客户端库，适用于非结构化数据的存储与访问。它支持通过 DefaultAzureCredential 等凭据进行身份验证，提供 BlobServiceClient、ContainerClient、BlobClient 三级客户端结构，可完成容器创建、Blob 上传（文件、字节、流）、下载（到文件、内存或缓冲区）、列举（含前缀与虚拟目录遍历）、删除（含快照）、SAS 令牌生成、属性与元数据设置等操作。库还支持异步客户端、分块与并发传输的性能调优，以及内容类型等 HTTP 头设置。安装命令为 pip install azure-storage-blob azure-identity，需配置存储账户名或完整账户 URL。
Matplotlib 是 Python 的基础可视化库，用于创建静态、动画和交互式图表。该技能提供使用指导，涵盖 pyplot 接口与面向对象 API，以及出版级可视化的最佳实践。
scikit-learn 是 Python 生态中经典的机器学习库，本技能围绕它提供分类、回归、聚类、模型评估与 ML 流水线等任务的实践指导。资料显示，该技能适用于构建分类或回归模型、执行聚类或降维、为机器学习做数据预处理与转换、用交叉验证评估模型性能、通过网格或随机搜索调优超参数、创建面向生产工作流的 ML 流水线、为任务比较不同算法，以及处理结构化（表格）和文本数据，并需要可解释的经典机器学习方法。技能附带示例脚本：classification_pipeline.py 演示混合数据类型处理、交叉验证模型比较、GridSearchCV 超参数调优、多指标综合评估与特征重要性分析；clustering_analysis.py 演示用肘部法和轮廓分析寻找最优聚类数、比较 K-Means、DBSCAN、层次聚类和高斯混合等多种聚类算法、在无真实标签下评估聚类质量，以及用 PCA 投影可视化结果。使用前需阅读详细指南，并遵守其安全、前置条件和验证要求。