error-classification
依据 JIS、JSTQB、Bertrand Meyer 等标准，对软件非正常状态 Error、Defect、Fault、Failure 进行分类与定义，帮助统一术语并指导错误设计、故障分析与代码评审。
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
17,086 个结果
data-exploration
这是一个用于探索未知结构化数据文件的技能，基于 dasel v3 实现。当需要了解陌生配置、API 响应或数据集的 schema 与结构、在修改文档前摸清其形状、排查嵌套配置（如 Kubernetes清单、CI流水线、包文件）、对大型数组或深层嵌套对象进行采样，以及在转换或抽取前确认数据类型时，可以启用该技能。dasel 支持 json、yaml、toml、xml、csv、hcl、ini 等格式，并可根据文件扩展名自动识别格式，从标准输入读取或扩展名不明确时可用 -i 参数显式指定。技能给出了一套通用的探索流程：先检测格式，再用 keys($this) 列出顶层键，小文件可直接整体输出，大文件则逐层导航或使用递归键发现；随后可对数组进行采样（如 items[0:3]）、用 typeOf 检查节点类型、按已知路径抽取具体值。此外还包含广度优先探索、基于 search() 谓词的大文件搜索、使用 len 统计元素、去重发现唯一值以及递归下降等探索模式。
data-transformation
用于借助 dasel v3 修改、转换和变换结构化数据的技能，覆盖 YAML、TOML、JSON、XML、HCL、INI 等格式的就地修改、格式转换、批量数组操作与对象重建。
apollo-hello-world
Apollo.io API 最小可用示例，演示人员搜索、人员信息补全和组织信息补全三项核心操作，使用 x-api-key 请求头与 api.apollo.io/api/v1 基础地址，并提供 TypeScript 与 Python 代码。
churn-analysis-helper
Churn Analysis Helper 是面向数据分析领域的自动激活技能，用于协助流失分析相关任务，提供分步指导、最佳实践、代码与配置生成及结果校验。
data-catalog-updater
data-catalog-updater 是 Data Pipelines 分类下的自动激活技能，用于处理数据目录更新相关任务。当请求中提及“data catalog updater”或询问其模式与最佳实践时触发，提供分步指导、生成配置与代码并校验输出。
data-partitioner
data-partitioner 是 Data Pipelines 技能类别下的自动激活技能，用于处理数据分区器相关任务，覆盖 ETL、数据转换、工作流编排与流式数据处理等场景。
implementing-database-audit-logging
用于合规与安全监控的数据库审计日志技能，通过触发器记录 INSERT、UPDATE、DELETE 的变更前后值、用户身份、时间戳与应用上下文，支持 PostgreSQL/MySQL 及 CDC 模式。
implementing-database-caching
该技能用于实现多级数据库缓存，通过 Redis、应用内存缓存与查询结果缓存降低数据库负载、提升读取延迟，涵盖 cache-aside、write-through、write-behind 模式及失效、TTL 与缓存击穿防护。
running-clustering-algorithms
该技能用于在数据集上运行 K-means、DBSCAN、层次聚类等算法，发现数据的自然分组与结构。适合客户分群、异常检测等聚类分析场景，会生成并执行 Python 代码，输出簇分配、评估指标与可视化结果。
tensorboard-visualizer
一个面向机器学习训练场景的自动激活技能，用于在请求中提到 tensorboard visualizer 时提供分步指导、配置与代码生成、最佳实践建议及结果校验，涵盖数据准备、模型训练、超参数调优与实验跟踪。
time-series-decomposer
time-series-decomposer 是 Data Analytics 领域的自动激活技能，用于在请求中提及“time series decomposer”时提供时间序列分解相关的分步指导、最佳实践、生产级代码与配置生成及结果校验。
tuning-hyperparameters
该技能让 Claude 自动为机器学习模型搜索最优超参数，支持网格搜索、随机搜索与贝叶斯优化，生成并执行 Python 代码（如 scikit-learn、Optuna），报告最佳参数组合与对应评估指标。
datamol
datamol 是一个基于 RDKit 的 Python 分子化学信息学库，通过 import datamol as dm 使用，所有分子对象均为原生 rdkit.Chem.Mol 实例，与 RDKit 生态完全兼容。它提供轻量、Pythonic 的抽象层，以合理默认值、高效并行化和现代 I/O 能力简化复杂分子操作。主要能力包括：分子格式转换（SMILES、SELFIES、InChI）、结构标准化与净化、分子描述符与指纹、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、批量并行处理，以及通过 fsspec 支持云存储。安装方式为 uv pip install datamol，RDKit 会随 datamol 自动安装；访问 S3、GCS、HTTP 等远程路径需安装对应的 fsspec 后端（如 s3fs、gcsfs）。示例针对 datamol 0.12.x（PyPI 稳定版 0.12.5，2024 年 6 月）。
deepchem
DeepChem 是一个面向化学、材料科学与生物学的 Python 机器学习库，用于分子性质预测、药物发现、材料设计和生物分子分析。它提供专门的神经网络、分子特征化方法和预训练模型，支持加载 SMILES、SDF、蛋白质序列等数据，使用 MoleculeNet 基准数据集（如 Tox21、BBBP、Delaney），并可通过传统机器学习或图神经网络（GCN、GAT、MPNN、AttentiveFP）进行 ADMET、毒性等性质预测。核心工具（加载器、特征化器、MoleculeNet）无需深度学习后端即可使用，GNN 与 Transformer 模型需安装对应的 torch、tensorflow 或 jax 扩展。示例基于 deepchem 2.8.0，要求 Python 3.7–3.11。
medchem
Medchem 是 datamol-io 开发的 Python 库，用于药物发现中的分子过滤与优先级排序。它构建在 RDKit 和 datamol 之上，提供文献来源的药物相似性规则（如 Lipinski 五规则、Veber、CNS、类先导化合物规则）、命名警示目录（PAINS、Brenk、NIBR 等）、分子复杂度阈值、化学基团检测以及自定义查询语言，可对大规模化合物库进行筛选和分类。示例基于 medchem 2.0.5（PyPI 稳定版，2024 年 11 月），要求 Python ≥3.9，依赖 datamol 和 RDKit（自动安装）。RuleFilters 和结构过滤类返回 pandas DataFrame。Lilly demerits 需要可选的原生二进制文件（mamba install lilly-medchem-rules）。该工具适用于将药物相似性规则应用于化合物库、按结构警示或 PAINS 过滤分子、为先导化合物优化排序、计算复杂度指标、检测官能团或命名子结构目录，以及构建多条件过滤器。
molfeat
molfeat 是一个用于分子特征化的 Python 库，可将 SMILES 字符串或 RDKit/datamol 分子转换为数值特征，统一整合了 100 多种预训练嵌入与手工特征器。它提供计算器（molfeat.calc）、兼容 scikit-learn 的转换器（molfeat.trans）以及预训练转换器（molfeat.trans.pretrained）三层结构，支持并行处理、批处理与内置缓存，适用于 QSAR/QSPR 建模、虚拟筛选、相似性搜索、化学空间分析和深度学习等分子机器学习任务。示例针对 molfeat 0.11.0，需 Python 3.9–3.10，依赖 datamol ≥0.8.0 与 PyTorch ≥1.13。
pkpd-modeling
pkpd-modeling 是 kalarislabs/research-agent-skills 中的药代动力学与药效学（PK/PD）建模与仿真技能，用于回答药物在体内如何变化以及药物对机体产生何种作用的问题。它提供一组命令行脚本，覆盖非房室分析（NCA）、房室模型拟合与模型选择、群体 PK 数据集检查、给药方案仿真、暴露-反应分析、生物等效性评价、异速生长与儿科/首次人体剂量推算、药物相互作用静态评估以及治疗药物监测贝叶斯估计。脚本统一支持 table/tsv/json 输出格式，数据写入 stdout、发现与溯源写入 stderr，并以退出码区分无发现、有发现和输入错误，便于接入自动化流程。该技能强调暴露指标与分析人群须事先固定、结构模型/变异模型/协变量模型应分别决策、收敛不等于可识别性三条原则，并明确其只做计算、诊断与结构化，不替代生物等效性判定、剂量选择、患者给药决策或监管审评。
rdkit
RDKit 是一个综合性的化学信息学库，提供 Python API 用于分子分析与操作。该技能指导用户读写分子结构（SMILES、MOL/SDF、InChI）、计算描述符（MW、LogP、TPSA 等）、生成 Morgan/MACCS/原子对等指纹、进行子结构搜索、化学反应处理、2D/3D 坐标生成以及分子可视化。适用于药物发现、计算化学和化学信息学研究任务。安装推荐使用 conda-forge，也可通过 uv pip install rdkit 安装。
dotnet-testing-autodata-xunit-integration
AutoFixture 与 xUnit 整合指南，使用 AutoData、InlineAutoData、MemberAutoData 等属性简化参数化测试资料准备，涵盖自定义 Customization、CompositeAutoData 组合与外部资料整合。
account-sync
account-sync 是 Lytics 的账户同步技能，可在两个 Lytics 账户间安全复制元数据（细分、schema、流程、任务、连接、认证、模板）和账户级配置（设置、按表 idconfig、字段排名）。
earnings-trade-prep
earnings-trade-prep 是一个财报事件交易准备工作流技能，用于判断哪些标的值得准备、梳理关键争论与传导路径，并给出财报前交易、有条件持有过事件或回避的决策。
watchlist-review
watchlist-review 是一个用于审查自选股清单的技能，按催化剂、可交易性、冗余度和准备程度，把名单分为值得近期准备、后台监控或移除/推迟三类，帮助用户缩小关注范围。
chart-clarity
Chart Clarity 是一个数据可视化技能，依据 Edward Tufte 原则创建、审查和重设图表样式，强调高数据墨水比、直接标注、范围框坐标轴、小倍数图等，并补充屏幕优先的无障碍、响应式、深色模式与人类可读数字要求。