tl-schema-org
Schema.org 全词汇表技能，覆盖800+类型与1500+属性，提供 JSON-LD 渲染、数据库建模、API 互操作、扩展模式与富媒体搜索结果的生产实践，用于网页结构化数据、语义数据模型和跨系统数据交换。
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
17,089 个结果
cognee-integrations
cognee 的集成配置指南，用于把 cognee 连接到外部 LLM、嵌入、数据库、存储与 IDE 等外部服务。所有配置通过环境变量完成，切换提供方前需安装对应 extra，并注意 LLM 与嵌入需分别配置。
pandas-data-processing
面向时间序列分析、OrcaFlex 结果处理与海洋工程数据工作流的 Pandas 技能，涵盖多格式数据读写、统计分析、数据变换与工程报告生成。
environment-setup
用于为体育分析创建并验证可移植 Python 环境的技能：建立隔离环境、记录显式依赖、输出机器可读的验证报告，适用于装机、上手、依赖诊断与可复现性检查。
nflreadpy
nflreadpy 是一个用于从 nflverse 获取 NFL 数据的 Python 加载工具与技能集合，可加载赛程、逐回合（play-by-play）、名册、球员与球队统计、出场次数和伤病等数据发布。它强调把数据获取与分析粒度分离：以最小必要的发布来支持具体分析问题，先检查接口、模式与自然键，再保存不可变的原始快照，随后在派生产物中做规范化处理。该技能还提供团队-比赛配对面板的契约与校验方法，并提醒若干陷阱，例如赛后字段不可作为赛前预测变量、当前名册不等于历史名册、平局不能当作两场失利、赛季连接前需检查模式漂移等。安装方式为 pip 安装 nflreadpy、polars 与 pyarrow。具体发布列表、字段细节与辅助脚本用法以资料所述提供为准。
sportsdataverse-py
SportsDataverse Python 用于加载 NBA、MLB、NHL、大学体育、足球等公开多体育数据。需先探测已安装模块与函数签名，再按需获取赛程、比分、阵容、技术统计或事件数据，并保留原始响应与规范化结果。
mime-detection-routing
xberg 项目 core/mime.rs 中的 MIME 类型检测与提取器路由机制，以 FORMATS 注册表为唯一数据源，派生 EXT_TO_MIME 与 SUPPORTED_MIME_TYPES，并提供基于路径、基于字节和校验三类检测函数。
sqlalchemy-2-async
SQLAlchemy 2.0 异步数据库模式技能，涵盖 AsyncSession、async_sessionmaker 与 FastAPI 集成，用于实现异步数据库操作、连接池配置、仓储模式与并发查询，并避免异步环境下的 N+1 查询。
findata-toolkit-hk
港股金融数据工具包，提供脚本获取港股实时行情、财务数据、南向资金、汇率、宏观经济指标和ETF数据。所有数据源免费，无需API密钥，适合需要实时港股市场数据支撑投资分析的场景。
analysis
该技能提供系统化的分析操作，用于理解代码、技能、流程、数据与模式，帮助提取洞见、识别改进点、发现规律并支持数据驱动决策。主要包含五类分析操作：代码分析（质量、复杂度、模式、技术债务）、技能分析（有效性、使用模式、改进机会）、流程分析（效率、瓶颈、优化机会）、数据分析（指标、趋势、统计洞见）以及模式识别（跨工件模式、反复出现的主题、系统性洞见）。文档列出使用场景、流程步骤与验证清单，并给出示例输出。资料未说明其安装方式、运行环境或平台限制。
xai-sentiment
xai-sentiment 是一个基于 Grok 原生集成与内置 NLP 能力的 Twitter/X 实时情感分析技能。它通过调用 xAI 接口（base_url 为 https://api.x.ai/v1，模型为 grok-4-1-fast），对指定话题在 X 平台上的近期帖子进行情感分析，并返回结构化 JSON 结果。主要分析内容包括情感倾向（bullish/bearish/neutral）、情感分数（-1.0 到 1.0）、置信度、正/负/中性占比、样本量、关键主题与代表性帖子等。除基础情感分析外，还提供详细分析、话题对比、情感时间线、股票情感（如 $AAPL）、加密货币情感、批量分析与情感预警等功能。情感分数配有分级标准，从 Very Bullish（0.6 到 1.0）到 Very Bearish（-1.0 到 -0.6）。适用场景包括社交媒体舆情分析、市场情绪跟踪、金融与加密资产情绪监测以及公众意见衡量。使用时需配置 XAI_API_KEY 环境变量。资料提示其存在讽刺识别、机器人内容、历史准确性与样本量等局限，并给出相应缓解建议。
web-data-fetching-graphql-urql
URQL GraphQL 客户端模式技能：讲解 exchange 管道、文档缓存与规范化缓存、查询、变更、订阅与认证，含 v6 特性与迁移要点。
web-meta-framework-nuxt
Nuxt 框架开发技能，讲解基于文件的路由、useFetch/useAsyncData 数据获取、useState 共享状态、server/api 服务端路由、中间件、布局、自动导入与 SEO 等模式，并列出常见易错点与限制。
shared-models
面向 Kotlin Multiplatform 的共享数据模型方案，位于 shared/commonMain，基于 kotlinx.serialization 与 kotlinx-datetime，提供跨平台领域模型、密封层级、分页与校验，并约定 JSON 配置与最佳实践。
litestar-plugins
介绍 Litestar 插件架构与生态集成方式：涵盖 Init/DI/序列化/路由/OpenAPI 等核心插件协议，以及 SQLAlchemy、Pydantic、Piccolo、dataclass、msgspec、attrs、TypedDict 的 DTO 与 schema 集成选择与限制。
biorxiv-database
用于检索和获取 bioRxiv 生命科学预印本的 Python 工具包，支持按关键词、作者、DOI、日期与学科分类查询，输出结构化 JSON 元数据并可下载预印本 PDF，便于科研文献工作流集成。
PortfolioSyncing
PortfolioSyncing 是 finance-guru 中的投资组合同步技能，用于将券商 CSV 持仓导出安全导入 Google Sheets DataHub，校验数据完整性并保护表格公式。目前仅 Fidelity 支持全自动解析，其他券商计划中。
atai-operational-state-monitoring-agent
该技能用于通过 Archetype AI 的 Agents API 运行其运营状态监测（OSM）智能体，对多通道传感器记录按窗口进行运营状态分类（如钻井活动、机器模式、流程阶段）。提供两条路径：路径一运行平台预置的“OSM Quick Start”捆绑包（基于 Volve 六状态分类器），上传 CSV 后即可获得逐窗口预测；路径二在自有标注数据上构建、测试并部署自定义 OSM 智能体。整个流程在服务端完成，无需客户端机器学习。
atai-rare-event-detection-agent
该技能用于通过 Archetype AI 的 Agents API 运行其托管的稀有事件检测（RED）智能体。RED 面向“少量标注样本”场景：只需为每个命名故障提供一两个标注事件，加上正常运行数据，即可检测这些特定故障特征。平台在服务端完成整个处理图（插值、分窗、编码、分类），用户上传准备好的传感器 CSV，按名称解析预置的“RED Quick Start”包，运行后轮询至终态，再下载逐窗口预测结果 CSV。预置包固定了泵故障分类器及其分窗参数，无需自行拟合或托管模型。检测自有故障目录需要 Archetype AI 协助拟合分类器。
algo-net-centrality
该技能用于计算网络中心性指标，以识别图中的重要节点。它涵盖四种经典中心性度量：度中心性（连接数量）、介数中心性（桥接角色）、接近中心性（接近程度）和特征向量中心性（连接质量），每种度量从不同角度刻画节点重要性。适用于在社交或组织网络中寻找关键影响者、分析网络脆弱性（哪个节点失效造成最大破坏），以及从多个维度比较节点重要性。技能包含输入校验、核心算法、结果验证和输出四个阶段，输出各节点的中心性分数及多指标对比，并附带节点数、边数、是否有向、连通分量数等元数据。
algo-net-community
该技能用于实现 Louvain 社区发现算法，在网络中识别连接密集的群体。适用于社交、组织或交互网络中的自然分组发现，以及按行为相似度对用户或客户进行分群，并分析复杂网络的模块化结构。算法通过优化模块度（社区内部边占比减去随机情况下的期望占比）进行贪心、层次化划分，稀疏图时间复杂度为 O(n log n)，可产出多分辨率的社区层级。技能包含输入校验、核心算法、验证与输出四个阶段，输出社区分配及模块度分数。需注意模块度存在分辨率极限，无法检测小于 √(2E) 的社区；结果非确定性，建议多次运行取最优或改用 Leiden 算法；不适用于重叠社区或已预定义社区的分类任务。
algo-price-conjoint
这是一个联合分析（Conjoint Analysis）技能，通过分析消费者在虚拟产品组合中的选择，估计各产品属性对偏好的影响并推算支付意愿。常用变体为选择型联合分析（CBC），输出属性各水平的效用值（part-worth）及衍生WTP。
algo-seo-tfidf
algo-seo-tfidf 是一个实现 TF-IDF 评分的技能，用于衡量词项相对于文档语料库的重要性，适合按关键词相关性对文档排序、提取文档区分性词项，以及构建无需机器学习模型的轻量级搜索。
grad-is-success
该技能运用DeLone与McLean信息系统成功模型，从系统质量、信息质量、服务质量、使用/使用意愿、用户满意度和净收益六个相互依赖的维度评估信息系统成效，适用于系统后评估、满意度诊断和测量框架搭建。