SuperAPI AI 工具集

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 10-28 00:17

数据与分析

17,042 个结果

polars

Polars 是一个用 Rust 编写、提供 Python 绑定的高性能 DataFrame 库,专注于快速且内存高效的数据处理与分析。它通过并行执行和惰性求值,在处理大型数据集时通常比 pandas 更快。该技能适用于需要高性能 DataFrame 操作的场景,例如数据转换、过滤、分组、聚合、排序、连接、窗口函数,以及读写 CSV、Parquet、JSON 等格式,还可与 DuckDB 结合实现 SQL 与 DataFrame 工作流。安装方式为 pip3 install polars,完整功能可安装 polars[pyarrow],与 DuckDB 集成可同时安装 polars、duckdb 和 polars[pyarrow]。

数据与分析35 次安装

bondterminal-x402

BondTerminal x402 是一个用于查询 BondTerminal API 的技能,采用 x402 无密钥支付方式。使用该技能无需 API key 或订阅,每次请求在 Base 主网上支付 0.01 USDC 即可完成签名与付费调用。它主要面向阿根廷债券数据查询场景,支持获取债券列表、单只债券详情、价格与到期收益率(YTM)、久期、利差等分析数据、现金流计划、历史价格/收益率/利差走势,以及阿根廷国家风险(riesgo país)及其历史序列。此外还提供美国国债收益率曲线这一免费端点,以及根据自定义价格进行债券分析、批量计算(需 Bearer 密钥,不走 x402)等能力。债券标识支持 ISIN(如 US040114HS26)或带 D/C 后缀的本地代码(如 AL30D、GD30D)。支付流程遵循 x402 规范:先请求返回 402 及 PAYMENT-REQUIRED 头,解码后签名 EIP-3009 transferWithAuthorization,再携带支付签名重试,服务端通过 Coinbase facilitator 验证并返回数据与结算信息。

数据与分析34 次安装

token-stats

Token 用量统计是一个用于扫描 Claude Code 全部会话 JSONL 文件、生成可视化用量仪表盘和日历的技能。它读取 ~/.claude/projects/ 下的会话数据,提供两种视图:仪表盘展示总量、日均、会话数、消息数等汇总卡片,日度趋势折线图(按 Cache Read / Cache Write / Output 分层),周度与月度堆叠柱状图,四类 token 占比环形图与明细卡片,模型分布横向进度条,以及 24 小时活跃度热力图;Token 日历以月历形式展示每天的总 Token 量和各模型消耗分布,支持月份切换、左右键导航和 hover 查看详情。该技能依赖 Python 3.10+,纯标准库实现,无需额外依赖包,通过命令行运行脚本并支持 --since、--until、-o、--no-open、--month 等参数。所有数字使用中文单位(亿、万、千),日历采用暖光浮动卡片视觉风格。

数据与分析34 次安装

analyzing-options-flow

该技能用于跟踪加密货币期权流,以识别机构持仓动向和市场情绪,适用于监控机构期权流的场景。它通过加密货币市场数据 API、区块链 RPC 端点、交易所 API 等数据源聚合信息,输出包括各交易所实时价格与价差分析、24 小时成交量、市值与流通量、多个时间周期的价格变化、按交易所分布的成交量、流动性指标与滑点估算、交易笔数与网络活动等。使用前需具备加密市场数据 API 访问权限、区块链 RPC 端点或节点访问、交易所 API 密钥、Web3 库以及区块链与加密市场基础知识。

数据与分析34 次安装

posthog-automation

PostHog Automation 是一个通过 Rube MCP(基于 Composio)自动化 PostHog 产品分析与功能开关管理的技能。它允许用户以工具调用的方式发送事件数据、查询和筛选项目事件、创建与管理功能开关、查看项目信息以及核验当前用户与 API 连接状态。使用前需连接 Rube MCP 并完成 PostHog 授权,且每次操作前应先调用 RUBE_SEARCH_TOOLS 获取最新的工具 schema。该技能覆盖事件捕获、事件查询、功能开关管理、项目列表和用户认证五大核心工作流,适合需要在 AI 工作流中集成 PostHog 分析能力、自动化数据分析与灰度发布操作的场景。资料未提供收费、价格或产品效果方面的信息。

数据与分析34 次安装

algo-nlp-ner

该技能用于实现命名实体识别(NER),从文本中识别并分类人名、组织、地点、日期、金额等预定义实体。它提供了一套分阶段的工作流程:输入验证(确定实体类型、语言、领域并选择模型或准备训练数据)、核心算法(使用 spaCy 或 Hugging Face 预训练模型,或对 BERT、RoBERTa 等模型进行微调)、验证(按实体类型评估精确率、召回率、F1,检查边界与类型准确度)以及输出(返回带类型、位置和置信度的实体)。适用于从非结构化文本抽取结构化实体、构建知识图谱、为信息检索或问答做预处理等场景。

数据与分析34 次安装