cloudbase-document-database-web-sdk
中文介绍正在整理，稍后补充。
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 10-14 00:01
数据与分析
8,125 个结果
creating-openlineage-extractors
该技能用于为 Airflow 算子创建自定义的 OpenLineage 提取器（extractor），以捕获那些没有内置血缘支持的算子所产生的数据血缘。当用户需要从第三方或不受支持的算子获取血缘信息时使用。技能内容涵盖两种实现路径：推荐优先使用 OpenLineage Methods（适用于自己拥有或维护的算子），其次才是自定义 Extractor（适用于无法修改的第三方或 provider 算子）。文档给出了何时选择每种方案的对照表，指出优先使用 OpenLineage methods 的原因（自定义提取器更难编写、算子变更后更易与行为脱节、更难调试）。在 Astro 环境下内置 OpenLineage 集成，无需额外传输配置，自定义提取器部署后会被自动发现，只需在 airflow.cfg 或环境变量中注册即可。技能提供了 OpenLineage Methods 与 Custom Extractors 的代码结构、OperatorLineage 结构、提取方法调用时机、注册方式（配置文件与环境变量）、SQL 算子提取器、文件传输提取器、运行时动态血缘、常见陷阱（循环导入、导入路径错误、未处理 None）以及单元测试示例，并说明了提取器的优先级规则。
db-migration-helper
中文介绍正在整理，稍后补充。
ray-data
Ray Data 是 Ray 项目中的分布式数据处理库，面向机器学习与 AI 工作负载设计。它支持流式执行，可处理超出内存容量的数据集，并提供 CPU/GPU 加速的转换能力。Ray Data 可读取 Parquet、CSV、JSON、图片、NumPy、Pandas 等格式，并能与 Ray Train、PyTorch、TensorFlow、HuggingFace 等框架集成。安装方式为 pip install -U 'ray[data]'。根据资料，它适用于为 ML 训练处理大型数据集（>100GB）、跨集群分布式预处理、构建批量推理流水线、加载多模态数据等场景；对小于 1GB 的单机小数据可考虑 Pandas，表格类与 SQL 类操作可考虑 Dask 或 Spark。
data-scientist
这是一个面向数据科学家的专业 Agent 技能，覆盖高级分析、机器学习与统计建模，用于处理复杂数据分析、预测建模以及数据驱动的商业洞察。技能强调从探索性数据分析到模型上线的完整流程，涉及统计分析假设检验、实验设计、因果推断、时间序列、机器学习与深度学习、特征工程、模型可解释性、数据可视化、模型部署与监控等。适用于营销、金融、运营等业务分析场景。使用前需明确目标、约束与所需输入，成果需结合具体环境验证与专家复核。
creationix-rx-data-store
RX 是一个用于 JSON 形态数据的嵌入式数据存储技能。它把数据编码一次后即可在编码内容上直接查询：无需解析、不构建对象图、不产生 GC 压力，被形容为“no-SQL 版 SQLite”，即非结构化数据却具备数据库式随机访问能力。主要特点包括：在编码数据上实现 O(1) 数组访问与 O(log n) 对象键查找；自动对值与共享 schema 去重；采用文本安全的编码格式，便于复制粘贴，无需二进制工具；堆分配极少（约 10 次，而 JSON 解析可能要数百万次）；在真实部署清单上可达约 18 倍压缩（92 MB → 5.1 MB）。安装方式支持 npm 本地与全局安装，也可用 npx 一次性运行，并提供命令行工具进行树形展示、JSON 互转、子值选取等操作。
databricks-jobs
中文介绍正在整理，稍后补充。
relational-database-web-cloudbase
中文介绍正在整理，稍后补充。
d3-viz
中文介绍正在整理，稍后补充。
managing-managed-event-subscription
中文介绍正在整理，稍后补充。
d3-viz
d3-viz 是一个专注于使用 d3.js 创建交互式数据可视化的技能。d3.js（Data-Driven Documents）擅长将数据绑定到 DOM 元素，并应用数据驱动的变换，以精确控制每一个视觉元素，从而创建自定义、出版级质量的图表。该技能可用于任何 JavaScript 环境，包括原生 JavaScript、React、Vue、Svelte 等框架。它适合需要独特视觉编码或布局的自定义可视化、带复杂平移缩放刷选行为的交互式探索、网络/图可视化（力导向布局、树图、层次结构、和弦图）、自定义投影的地理可视化、编排流畅过渡的动画，以及标准库中不提供的新颖图表类型。文档给出了完整工作流程：导入 d3（npm 包或 7.x CDN）、选择集成模式（直接 DOM 操作或声明式渲染）、按标准结构组织绘图代码、实现响应式尺寸。同时提供了柱状图、折线图、散点图、和弦图、热力图、饼图、力导向网络的代码示例，以及提示框、缩放平移、点击交互和过渡动画的实现方式。对于 3D 可视化，建议改用 Three.js。
rde-data-apps
rde-data-apps 是一个配合 Metabase 使用的技能，用于在 rde 机器上构建或修改 Metabase 数据应用（data app）。数据应用是由 Metabase 在 /apps/<slug> 路径下提供的 React bundle，代码存放在通过 remote sync 连接的仓库中的 data_apps/<slug>/ 目录。该技能从 rde 已有的信息中回答 metabase-data-apps 技能所需的问题，确保应用所读取的内容在构建前已存在于该仓库中，并将控制权交接出去。其第 4 至 6 节在与 data-apps 技能冲突时优先，涉及 schema 范围、提交与推送顺序，以及任何同步前的确认。
mcp-brasil-public-apis
mcp-brasil 是一个 Model Context Protocol (MCP) 服务器，将 AI 智能体连接到 28 个巴西公共 API，覆盖经济、立法、透明度、司法、选举、环境、卫生等领域，共暴露 213 个工具、55 个资源和 45 个提示。它让 Claude、GPT、Copilot、Cursor 等 AI 客户端可以用自然语言查询政府数据。其中 26 个 API 无需密钥，仅 2 个（Transparência 与 DataJud）需要免费注册。安装方式包括 pip install mcp-brasil 或 uv add mcp-brasil，并可为 Claude Desktop、VS Code / Cursor、Claude Code CLI 及 HTTP 传输等客户端做配置。项目采用按功能打包加自动注册架构，提供元工具进行功能列举、工具推荐、查询规划与批量并行执行，并内置 BM25 智能过滤以避免 213 个工具撑爆上下文窗口。
databricks-lakebase
Databricks Lakebase 是 Databricks 提供的无服务器、兼容 PostgreSQL 的数据库服务，可在 AWS 与 Azure 上使用（已正式可用）。它提供全托管的 OLTP 存储，支持自动扩缩容、分支（Branching）和缩容至零（scale-to-zero）。该技能用于处理 Lakebase 数据库、OLTP 存储、项目生命周期、扩缩容、连接、同步表（Lakebase synced tables）以及 Data API 等相关任务。使用时需先借助 databricks-core 技能掌握 CLI 基础、认证与配置文件选择。Lakebase 目前仅提供自动扩缩容（Autoscaling）版本，旧有的 Provisioned 版已不再存在，不应再创建。
pandas-best-practices
中文介绍正在整理，稍后补充。
neo4j-document-import-skill
Neo4j 文档导入技能（neo4j-document-import-skill）用于将非结构化与半结构化文档导入 Neo4j 并构建知识图谱。它覆盖 PDF、HTML、纯文本与 Markdown 的分块存储，将文本切分为 :Chunk 节点并写入向量嵌入，借助 LLM 从文本中抽取实体与关系，并支持通过 SimpleKGPipeline（neo4j-graphrag）、无代码 Web UI（LLM Graph Builder）、apoc.load.json 以及 LangChain / LlamaIndex 的文档加载器接入 Neo4j。技能还给出图谱模式定义、分块参数、实体消解、约束与索引创建、常见错误排查等参考信息，并明确了不适用范围，如结构化 CSV / 关系型数据应改用 neo4j-import-skill，检索与向量索引、Cypher 编写分别对应其他技能。
recent-data
中文介绍正在整理，稍后补充。
financial-data-collector
financial-data-collector 是一个用于采集与校验美国上市公司真实财务数据的技能，数据来自免费公开来源 yfinance。它针对任意美股代码运行采集脚本，抓取市场数据、历史财务报表、beta 与分析师预估，并输出单一结构化 JSON 文件，供下游技能（如 DCF 估值）消费。该技能强调不使用任何兜底默认值：字段缺失时置为 null 并标注 _source 为 missing，由下游决定如何处理。每个数据区块都必须带 _source 字段以标明来源。输出保留 yfinance 的 CapEx 负号约定（负值表示现金流出），并在元数据中记录该约定与 yfinance FCF 的口径说明（yfinance FCF = 经营现金流 + CapEx，不扣减 SBC），避免下游 DCF 高估自由现金流。工作流为三步：采集、校验、交付 JSON。校验脚本检查字段完整性、跨字段一致性（如市值 = 股价 × 股数）、取值范围合理性（WACC 5-20%、beta 0.3-3.0）以及符号约定。最终只交付一个 {TICKER}_financial_data.json 文件，不生成 README、CSV 或摘要报告等辅助文件。
kotlin-types-value-class
中文介绍正在整理，稍后补充。
harvard-art-museums-data-engineering
该技能用于构建基于哈佛艺术博物馆 API 的端到端数据工程与数据分析项目，涵盖 ETL 流程、关系型数据库设计、SQL 分析与 Streamlit 可视化仪表板。它演示了真实场景下的数据工程实践：通过 API 分页抓取带图片的艺术藏品数据，将嵌套 JSON 转换为规范化的关系表，并写入 MySQL/TiDB 数据库，内置外键约束与批量加载逻辑。项目提供 20 多条分析查询，例如按世纪、文化、部门、色彩谱系、媒体格式分布等维度统计，并通过 Streamlit 与 Plotly 生成交互式图表。使用上需克隆指定 GitHub 仓库、安装依赖、配置 .env 环境变量（哈佛 API Key 与数据库连接信息），随后运行 streamlit run app.py 启动仪表板。资料还给出了增量采集、API 重试与指数退避、数据质量校验、连接池、分块 ETL、外键空值处理等常见模式与排错方案。
catalyst-datastore
Catalyst Data Store 是 Zoho Catalyst 平台上的关系型云数据库技能，配合 ZCQL 查询语言、CRUD 操作、表权限管理与结果分页使用。该技能要求先通过 MCP 连接：在可用工具列表中查找 CatalystbyZoho_* 工具，若未找到则停止操作，先加载 catalyst-zoho-mcp 技能并完成 MCP 设置，待用户确认工具可见后再继续。找到后依次运行 CatalystbyZoho_List_All_Organizations 与 CatalystbyZoho_List_All_Projects 设定项目上下文。创建表使用 CatalystbyZoho_Create_Table，读写数据前用 CatalystbyZoho_List_All_Tables 获取表 ID，避免让用户手动复制表 ID。使用中需注意：ZCQL 结果需解包（如 rows.map(r => r.TableName)），这是最常见的错误来源；App User 权限默认关闭，涉及登录用户读写需在控制台检查 Scopes & Permissions；ZCQL 单次查询最多 300 行，更大数据集需用 LIMIT offset, count 分页。技能还包含防幻觉规则（不臆造时区、表名、列名等项目信息）与安全检查清单（App Administrator 不应授予普通终端用户）。
rag-implementation
RAG(检索增强生成)实现工作流，覆盖从需求分析到评估的完整流程。该工作流将 RAG 系统的搭建拆分为八个阶段：需求分析、嵌入模型选择、向量数据库搭建、分块策略、检索实现、LLM 集成、缓存与评估。每个阶段列出需要调用的技能与具体操作步骤，并提供可直接复制的提示词，方便按阶段推进。适用于构建 RAG 应用、实现语义搜索、创建基于知识库的 AI、搭建文档问答系统以及优化检索质量等场景。工作流给出 RAG 的基本架构链路：用户查询→嵌入→向量搜索→检索文档→LLM→响应，并设置质量门禁，要求嵌入模型选定、向量数据库配置、分块实现、检索可用、LLM 集成、评估通过。资料未提供具体的模型名称、数据库选型、代码示例、安装命令、收费标准或性能数据。
trendspyg
中文介绍正在整理，稍后补充。
metabase-data-app-semantic-layer
中文介绍正在整理，稍后补充。