bmob-database-flutter
用于在 Flutter / Dart 项目中通过官方 bmob_plugin 包实现 Bmob NoSQL 数据库增删改查的技能。涵盖安装初始化、自定义表模型、条件查询与分页、Pointer 关联、ACL 与密钥安全、实时监听及常见排错。
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
17,094 个结果
data-labeling-qa
用于在微调前审计不可信标注训练集的技能：通过溯源完整性检查、Cleanlab置信学习、高损失监控和LLM-as-judge四种互补方法，找出错标样本并给出逐行信任分与优先复核集。
unsupervised
面向无标签表格数据的无监督学习技能，覆盖 KMeans/GMM/DBSCAN 聚类与 K 选择、IsolationForest 异常检测以及 PCA 降维，强调用轮廓系数、稳定性检验和人工判断来评估结果。
youtube-video-api-skill
该技能通过 BrowserAct 的 YouTube Video API 模板，帮助用户从指定 YouTube 频道自动提取频道级数据与视频详情数据。只需输入 YouTube 频道 URL 和视频类型（Latest、Popular 或 Earliest），即可通过单次 API 请求获得结构化、可直接使用的视频指标。其特点包括：预置工作流避免生成式 AI 幻觉，数据稳定准确；无需处理 reCAPTCHA 等验证挑战；不受 IP 访问限制和地域封锁影响；相比纯 AI 驱动的浏览器自动化方案执行更快、成本更低。运行前需检查 BROWSERACT_API_KEY 环境变量，若未设置则需引导用户前往 BrowserAct 控制台获取。调用方式为执行独立脚本并传入频道 URL 与视频类型参数。输出包含频道名称、频道 URL、订阅者数量，以及视频标题、视频 URL、发布日期、观看次数、视频时长、评论数（如可用）、点赞数（如可用）。适用于竞品追踪、创作者研究、内容运营报告、增长分析、数据库自动化、市场调研、趋势发现、受众互动分析、内容策略回顾和自动化社交监控等场景。
wren-dlt-connector
wren-dlt-connector 是一个用于将 SaaS 数据接入 Wren Engine 进行 SQL 分析的工作流技能。它引导用户完成四个阶段：使用 dlt（data load tool）从 HubSpot、Stripe、Salesforce、GitHub、Slack 等 SaaS API 抽取数据到本地 DuckDB 文件；通过内省 DuckDB 模式自动生成 Wren 语义项目（YAML 模型、关系、profile）；构建项目并运行真实 SQL 查询验证端到端可用性；最后向用户展示数据与后续步骤。该技能面向懂 SQL 和部分 Python、但可能未使用过 dlt 或 Wren 的数据分析师，强调项目必须能成功查询，而非仅生成看似正确的文件。
cerbos-synapse-extension
Cerbos Synapse 扩展开发助手，覆盖调用映射器、数据源、代理、路由与 Envoy 五类扩展，支持声明式 CEL、Starlark 及 Go/TS/Python WASM 运行时，指导脚手架、测试与排错。
mongodb
一份面向 Claude 开发套件的 MongoDB 知识技能，覆盖文档数据库的 CRUD、查询操作符、聚合管道与索引，并延伸至安全配置、副本集、备份恢复、性能调优、监控、读写关注与分片等生产实践。适用于涉及 MongoDB 的开发与运维场景。
dag-skill-registry
DAG 技能注册中心，为 DAG 组件提供技能目录、元数据、能力与性能历史的集中式发现与查询服务，支持按分类、标签、能力和成功率检索技能。
backpressure
Backpressure 是一个用于在生产者速度超过消费者时管理数据流的技能，通过有界缓冲、水位线、丢弃策略与自适应刷新，避免内存溢出崩溃和数据丢失，适用于数据库写入慢于事件摄入、内存被队列占满或需要优雅应对流量峰值等场景。
dead-letter-queue
用于存储失败作业以便重放或人工检查的技能，可追踪失败模式、支持人工干预，防止处理错误导致数据丢失。提供 TypeScript 与 Python 实现。
databricks-dbsql
Databricks SQL（DBSQL）高级功能技能，覆盖 SQL 脚本、存储过程、递归 CTE、物化视图、管道语法、地理空间、排序规则、AI 函数、http_request、remote_query、read_files 等，适合在 Databricks 上做数据建模与 ETL 开发。
databricks-genie
用于创建、管理和查询 Databricks Genie Spaces 的技能，让用户以自然语言对 Unity Catalog 结构化数据提问，系统将其转换为 SQL 并执行返回结果。
databricks-spark-declarative-pipelines
用于创建、配置和更新 Databricks Lakeflow Spark Declarative Pipelines（SDP/LDP）的技能，默认使用无服务器计算，支持流式接入、流式表与物化视图、CDC 等场景，并提供工作流选择、语法规范与运行后数据校验指引。
dd-gcp-integration
Datadog GCP 集成 Terraform 配置技能：在客户 GCP 项目中创建服务账号，并授权 Datadog 委托主体通过 roles/iam.serviceAccountTokenCreator 模拟该账号，从而避免使用长期密钥。
dd-oci-integration
Datadog 官方 OCI 集成 Terraform 技能，用于在 OCI 租户中创建 IAM 用户、组、策略与 API 密钥，并将租户注册到 Datadog，支持可选的日志采集。
marimo
marimo 是一个响应式 Python 笔记本工具，笔记本以纯 .py 文件存储，单元格构成 DAG 并在依赖变化时自动执行。本技能用于在编辑含 @app.cell 或 marimo.App 的 .py 文件前加载，提供编辑规则、校验与导出流程。
aeon
Aeon 是一个与 scikit-learn 兼容的 Python 时间序列机器学习工具包，覆盖分类、回归、聚类、预测、异常检测、分割、相似性搜索、距离度量、变换、基准测试与可视化，提供一致的估计器 API。
dask
Dask 是用于并行与分布式计算的 Python 库，可在内存不足时扩展 pandas/NumPy 工作流，支持单机超内存执行、多核并行与跨机器集群计算。当前版本 dask 2026.3.0，要求 Python 3.10+。
instructor
Instructor 是一个用于从大语言模型（LLM）响应中提取结构化数据的 Python 库。它结合 Pydantic 模型定义输出结构，自动校验 LLM 返回结果，并在校验失败时把错误反馈给模型进行自动重试。它支持解析复杂 JSON、类型安全校验，以及流式返回部分结果，适合需要可靠结构化输出的数据提取、分类、多实体抽取和批量处理等任务。Instructor 提供 Anthropic、OpenAI 以及本地模型（如 Ollama）等多种提供商的统一 API，允许通过 Field、Enum、自定义验证器等方式约束输出内容。资料显示其在 GitHub 上拥有 15,000+ 星标，并被 100,000+ 开发者使用。安装通过 pip 完成，并可按提供商选择相应扩展。
mlflow
MLflow 是一个框架无关的机器学习生命周期管理平台，用于跟踪 ML 实验、管理模型注册表与版本、将模型部署到生产环境，并复现实验。它支持记录参数、指标和产物，提供自动日志（autologging）功能，可对接 PyTorch、Scikit-learn、Keras/TensorFlow、HuggingFace Transformers、XGBoost 等主流框架。通过模型注册表可实现版本管理与阶段流转（None → Staging → Production → Archived），并支持本地服务与云端部署。安装方式为 pip install mlflow，可通过 mlflow ui 启动界面。
qdrant-vector-search
Qdrant 是一个用 Rust 编写的高性能向量相似度搜索引擎/向量数据库，主要用于生产环境的 RAG（检索增强生成）和语义搜索。支持在向量搜索的同时按任意 payload 字段过滤，可存储稠密、稀疏及多稠密向量，提供标量、乘积、二值量化以降低内存占用，并通过 Raft 共识实现分片与复制的水平扩展。同时提供 REST 与 gRPC 两套功能对等的 API，支持本地 Docker 部署、私有化部署以及 Qdrant Cloud 云端托管。官方 Python 客户端可便捷完成集合创建、向量插入、带过滤检索、批量搜索、混合检索、载荷索引与量化配置，并能与 sentence-transformers、LangChain、LlamaIndex 等生态集成构建 RAG 检索管线。
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。
weights-and-biases
Weights & Biases（W&B）是一个面向机器学习实验跟踪与 MLOps 的工具。它可以通过自动日志记录跟踪 ML 实验，在实时仪表盘中可视化训练过程，比较不同超参数与配置下的运行结果，使用自动化 sweeps 优化超参数，并通过版本与血缘管理模型注册表。资料显示其用户超过 20 万 ML 从业者，GitHub 星标 10.5k+，集成 100+。安装方式为 pip install wandb，登录使用 wandb login 或设置 WANDB_API_KEY。核心概念包括项目与运行、配置跟踪、指标记录、模型检查点、超参数 sweeps、Artifacts 与模型注册表，并提供 HuggingFace Transformers、PyTorch Lightning、Keras/TensorFlow 等集成示例。
code-understanding
面向安全研究的对抗式代码理解技能，用于梳理架构、追踪数据流并查找漏洞变体，可与静态分析配合使用。