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 10-27 00:15
17,004 个结果
onekgpd 是一个用于查询 1000 Genomes Project 数据集的技能：该数据集包含 3,202 名全基因组测序个体，基于 GRCh38 组装。它支持在参与者个体层面进行查询，既可以按区域和注释条件筛选变异（全队列或指定个体集合），也可以反向查找携带特定变异的个体，并支持按等位基因频率、VEP 后果与影响、ClinVar 临床意义、AlphaMissense 分类与评分、gnomAD 频率等条件过滤，还可区分杂合/纯合携带状态。此外可查询单一位点的纯合参考个体、两个指定个体间的亲缘关系（等级与 KING 亲缘系数）以及数据集总量信息。该技能通过 uv run 运行附带脚本，结果以 JSON 文件输出，无需 API 密钥。使用前必须先从权威来源解析基因或特征对应的 GRCh38 坐标，并先计数后选择。
Pinecone 是一个面向生产级 AI 应用的托管式无服务器向量数据库。本技能文档介绍如何通过其 Python 客户端以及 LangChain、LlamaIndex 集成来使用 Pinecone，涵盖索引创建、向量写入与查询、元数据过滤、命名空间、混合检索（稠密+稀疏向量）等核心操作，并给出性能指标、定价信息与最佳实践。适用于需要托管、自动扩展、低延迟（p95 <100ms）的 RAG 生产场景，以及需要混合搜索、不想自行管理基础设施的情况。文档同时说明何时应改用 Chroma、FAISS、Weaviate 等替代方案，并附有智能体操作流程与完整性规则。
Polars 是一个基于 Apache Arrow 构建的高性能 DataFrame 库，支持 Python 和 Rust。它提供基于表达式的 API、惰性求值框架和高效的数据处理能力，适用于 ETL、数据分析、pandas 迁移和数据管道优化。本技能文档介绍了 Polars 的安装方式、核心概念（表达式、惰性求值）、常见操作（选择、过滤、分组聚合、窗口函数）、数据 I/O、转换操作（连接、拼接、透视）、pandas 迁移对照以及性能优化最佳实践，并附带多份参考文档。
PyMC 是一个用于贝叶斯建模与概率编程的 Python 库，本技能围绕 PyMC 6.x 与 ArviZ 展开，指导用户构建、拟合、检验并比较贝叶斯模型。内容涵盖分层（多水平）模型、NUTS MCMC 采样、变分推断、先验与后验预测检验，以及基于 LOO、WAIC 的模型比较。技能提供标准八步贝叶斯工作流、先验与似然分布选择指南、采样与推断参数建议、常见采样问题（发散、低有效样本量、高 R-hat、采样缓慢）的诊断与解决思路，并附带诊断脚本、模型比较脚本和线性回归、分层模型模板。适用于需要不确定性量化、分层数据结构、缺失数据或测量误差处理的统计建模场景。
PyTDC（Therapeutics Data Commons）是一个用于治疗性机器学习任务的 Python 包，通过 import tdc 使用。它提供任务与数据集发现、数据加载、任务适配的数据划分、预测评估以及基准测试组等功能。该技能基于 PyTDC 1.1.15（2025-03-31 发布，MIT 许可，源码仓库 mims-harvard/TDC），建议在隔离的 CPython 3.11 环境中安装，并固定 setuptools==80.9.0 以兼容其运行时对 pkg_resources 的依赖。使用流程强调先通过 tdc.metadata 或脚本进行无下载的元数据发现，再规划数据集、许可、缓存与划分，经用户批准后才执行下载与加载。数据集与任务许可各异，需逐一核实。
Qdrant 是一个用 Rust 编写的高性能向量相似度搜索引擎与向量数据库，面向生产级 RAG 与语义搜索场景。它支持向量近邻检索、向量与元数据混合过滤、多向量存储（稠密与稀疏）、量化压缩、分布式分片与复制，并提供 REST 与 gRPC 两套功能对等的 API。可通过 Python 客户端（qdrant-client）或 Docker 部署使用，也提供 Qdrant Cloud 托管服务。适用于需要低延迟检索、混合搜索、水平扩展或本地化数据控制的生产 RAG、语义搜索与实时推荐系统。
Ray Data 是面向机器学习与 AI 工作负载的分布式数据处理库，支持跨 CPU/GPU 的流式执行，可处理大于内存的数据集。它支持读取和写入 Parquet、CSV、JSON、NumPy 等格式，并支持读取图像等多模态数据，可与 Ray Train、PyTorch、TensorFlow、HuggingFace 等框架集成。适用于大规模数据集（如超过 100GB）的 ML 训练预处理、分布式数据预处理、批量推理流水线以及从单机到集群的扩展。安装命令为 pip install -U 'ray[data]'。
Seaborn 是一个用于创建出版级统计图形的 Python 可视化库，与 pandas 深度集成。它面向数据集绘图，支持多变量分析、自动统计估计和多面板图形，用较少代码即可完成分布、关系和分类比较的快速探索。当前上游文档对应 seaborn 0.13.2，官方支持 Python 3.8+，必需依赖为 NumPy、pandas 和 matplotlib，scipy、statsmodels、fastcluster 为部分高级统计与聚类工作流的可选依赖。该技能提供函数接口与 seaborn.objects 声明式接口两种绘图方式，并附带绘图函数、网格、调色板与主题、对象接口等参考文档。
SHAP 是一个用于解释和审计机器学习预测的工具，通过特征归因说明已训练模型如何将输入映射到输出。该技能基于现代 shap.Explanation API，要求明确被解释的输出与背景分布，并在解读前验证每个解释。它对齐 SHAP 0.52.0（2026-05-28 发布），该版本要求 Python 3.12 或更高。适用于选择 SHAP 解释器与掩码器、计算和验证特征归因、进行全局与局部分析、多分类模型解释、队列与子组分析，以及文本和图像模型解释。使用时需固定已评估模型，使用留出或明确标注的分析行，并报告输出单位、基线、解释器、掩码器、样本选择及非因果声明等限制。
SimPy 是一个基于进程的离散事件仿真框架，用于在 Python 中构建、测试和分析有界仿真模型。它提供事件调度器和建模原语，适用于队列、生产系统、物流、网络、服务运营、库存等事件驱动系统。当前稳定版为 4.1.2，要求 Python >=3.8，无运行时依赖。该技能涵盖环境与事件语义、进程与中断、共享资源、监控与实时执行，并提供安全 CLI 与测试方法。
SymPy 是一个用于符号数学计算的 Python 库，支持以数学符号进行精确计算，而非数值近似。该技能面向需要在 Python 中完成精确符号运算的场景，涵盖符号代数、微积分、方程求解、符号线性代数，以及通过 lambdify/LaTeX 进行代码生成。资料显示其测试版本为 SymPy 1.14.0（2025 年 4 月稳定版），要求 Python 3.9+，可使用 uv pip install "sympy>=1.14" 安装，可选安装 numpy、scipy、matplotlib 以支持 lambdify 与绘图示例。技能文档按模块组织参考文件，覆盖符号计算基础、微积分、方程求解、矩阵与线性代数、物理与力学、进阶数学主题、代码生成与输出打印等能力领域，并给出最佳实践（先定义符号、使用假设、精确算术、按需数值求值、用 lambdify 提升性能、选择合适的求解器）、常见用例模式、与 NumPy/Matplotlib/SciPy 的集成方式、常用函数速查、入门示例与常见问题排查。
TensorBoard 是用于机器学习训练过程可视化的工具包，可通过 PyTorch 的 SummaryWriter 和 TensorFlow/Keras 回调记录并查看训练数据。它支持标量（如损失、准确率）、图像、文本、直方图、模型计算图、嵌入投影（t-SNE、PCA）、超参数实验以及性能分析等可视化能力。安装方式为 pip install tensorboard，PyTorch 需额外安装 torch、torchvision、tensorboard，TensorFlow 已内置。启动命令为 tensorboard --logdir=runs，默认在 http://localhost:6006 访问。适用于训练指标跟踪、模型调试、多实验对比、模型结构查看、嵌入降维可视化、超参数实验跟踪和性能瓶颈分析等场景。
TimesFM Forecasting 是一个封装 Google Research 时间序列基础模型 TimesFM 的技能，用于零样本单变量时间序列预测。它无需训练即可对销售、传感器、能源、生命体征、天气等任意单变量序列返回点预测和经过校准的分位数预测区间。该技能包含强制性的系统预检脚本，在加载模型前检查内存、GPU 显存和磁盘空间，避免在用户机器上崩溃。TimesFM 2.5 使用 200M 参数，磁盘约 800 MB，CPU 内存约 1.5 GB，GPU 显存约 1 GB，支持最长 16,384 个上下文点。
UMAP-Learn 是一个用于高维数据降维与嵌入的 Python 技能，基于 umap-learn（UMAP，Uniform Manifold Approximation and Projection）。它可生成快速、可扩展的嵌入，兼顾局部与全局结构，支持 2D/3D 可视化、监督与半监督降维、聚类预处理以及新数据变换。当前稳定版为 umap-learn 0.5.12，要求 Python 3.9+，依赖 scikit-learn>=1.6、numba、pynndescent、numpy 和 scipy。UMAP 遵循 scikit-learn 约定，可作为 t-SNE 或 PCA 的替代方案，并支持在管道中使用。
该技能用于在科学计算中跟踪物理单位并传播测量不确定度，基于 pint 与 uncertainties 两个库。适用于单位换算（含需要物理背景的换算，如波长到光子能量、质量到物质的量、能量到温度）、通过测量模型传播不确定度（含相关输入）、依据校准证书与规格书构建 GUM 不确定度预算、选择包含因子 k、结果的舍入与书写、从曲线拟合中提取参数不确定度、审查既有分析代码中的单位与不确定度缺陷，以及检查量纲一致的结果是否物理上可能。技能提供离线本地 CLI 工具，包括不确定度传播、预算合成、结果格式化、单位换算、代码审计与合理性检查，并附带 GUM 方法论、pint 与 uncertainties 用法、领域换算、报告规则和合理性尺度等参考文件。不涵盖统计推断、模型选择或研究设计。
usfiscaldata 是一个用于查询美国财政部 Fiscal Data REST API 的技能，可获取联邦财政数据。该 API 由美国财政部提供，免费开放，无需 API 密钥或注册。基础地址为 https://api.fiscaldata.treasury.gov/services/api/fiscal_service，可通过数据集搜索浏览 54 个数据集和 179 张数据表。技能涵盖国债（Debt to the Penny、历史未偿债务、联邦债务表）、每日与每月财政报表（DTS 运营现金余额、存款与取款、月度财政部报表）、利率与汇率（国债平均利率、财政部报告汇率、公共债务利息支出）、证券与拍卖（国债拍卖、即将拍卖、回购）、储蓄债券（I 债券利率、发行赎回与到期）等数据。支持 fields、filter、sort、format、page[size]、page[number] 等参数，过滤运算符包括 lt、lte、gt、gte、eq、in。响应为 JSON，包含 data、meta、links 结构，所有值以字符串返回。安装依赖使用 uv pip install requests pandas。适用于需要获取和分析美国联邦财政公开数据的场景。
Vaex 是一个面向超大规模表格数据的高性能 Python 库，采用惰性求值与核外（out-of-core）DataFrame 设计，可处理超出内存容量的数据集。它通过内存映射的 HDF5 与 Arrow 文件实现按需计算，官方称每秒可处理超过十亿行，支持交互式数据探索与分析。Vaex 提供数据加载、过滤、虚拟列、分组聚合、可视化、机器学习集成以及多格式 I/O 等能力，适用于天文数据、金融时间序列等大规模科学数据集。安装方式为 uv pip install vaex（元包）或按需安装 vaex-core、vaex-viz、vaex-hdf5、vaex-ml 等子包。
Zarr-Python 是一个用于存储分块、压缩的 N 维数组与数组组的 Python 库，支持本地、内存、ZIP 以及基于 fsspec 的 S3/GCS/HTTP 等存储后端，适用于并行 I/O、云原生工作流，并能与 NumPy、Dask、Xarray 集成。本条目为 Kalaris Labs 维护的社区指南，非 zarr-developers 官方包。当前上游版本为 zarr 3.2.1（2026-05-05 发布），新数组默认使用 Zarr 格式 3，可通过 zarr_format=2 兼容旧格式。
一个用于方法论适配判断的AI技能：当准备把他人或自己过去的成功方法套用到新场景时，先分析问题性质与前提条件，避免教条式照搬。
该技能来自 letta-ai/skills，提供用 OCR 从视频录制中提取文本命令、游戏指令或键入内容的系统方法，适用于文字冒险游戏（如 Zork）指令、终端命令录屏、以及视频中可见输入内容的转录。
针对 FEAL 及类似 Feistel 分组密码实现差分密码分析攻击的指导性技能，讲解如何利用输入差分在轮函数中的可预测传播概率来恢复密钥，并提供分步流程、验证策略与常见陷阱。
用于从损坏或被截断的 SQLite 数据库文件中恢复数据的技能，通过二进制分析与手工解析页面结构提取记录，适用于标准 sqlite3 命令和 .recover 均失败的场景。
用于分析用户留存与流失的技能，结合生存分析、队列分析和机器学习，可计算留存率与流失指标、构建生存曲线、预测流失风险并识别留存驱动因素。
用于审查 Rails 模型与迁移中数据约束和引用完整性的技能，检查唯一索引、NOT NULL、外键、级联删除、多态关联与孤儿记录风险，并输出 PASS/WARN/FAIL 格式的审查报告。