SuperAPI AI 工具集找到适合任务的 Agent Skill，阅读介绍并复制安装命令。
更新于 10-17 00:11
16,443 个结果
Bankr Agent - Portfolio 是一个用于查询加密钱包代币余额与投资组合的技能。它支持跨多条链查询资产，包括 Base、Polygon、Ethereum、Unichain 和 Solana，并覆盖各链的原生代币（ETH、MATIC、SOL）。用户可以用自然语言提问，例如“显示我的投资组合”“我的总余额是多少”“我在 Polygon 上有哪些代币”“我有多少 ETH”“我的 USDC 余额是多少”“显示我跨所有链的 ETH”等。该技能会返回余额并附带当前美元估值，支持多链聚合查看同一代币，价格反映实时市场行情。常见追踪代币包括稳定币（USDC、USDT、DAI）、DeFi 代币（UNI、AAVE、LINK）、模因币（DOGE、SHIB、PEPE）以及项目代币（BNKR、ARB、OP）。典型使用场景包括交易前确认余额是否足够、投资组合回顾（如最大持仓、按链拆分）以及交易后确认资产是否到账。余额查询为只读操作，不会发起交易，显示的是已连接钱包地址的余额，极小额余额（dust）可能被排除。
TensorBoard 是 Google 提供的机器学习可视化工具包，用于可视化训练指标（如损失和准确率）、通过直方图与分布调试模型、对比多次实验、可视化模型计算图与架构、将嵌入投影到低维空间（t-SNE、PCA）、跟踪超参数实验、进行性能剖析定位瓶颈，以及在训练过程中可视化图像和文本。它支持 PyTorch 与 TensorFlow/Keras 集成，采用 Apache 2.0 许可。安装方式为 pip install tensorboard，启动命令为 tensorboard --logdir=runs，默认在 http://localhost:6006 访问。
用于配置 PostHog 实验的投放形态：变体分流比例（如 50/50、A/B/C 比例）与整体 rollout 百分比，决定哪些用户看到哪个变体进入实验。强调默认等分并在需限制曝光时下调整体 rollout。
SurrealDB 的 SurrealQL 查询性能优化技能，通过记录 ID 与键结构设计、索引策略以及计算字段与视图，降低慢查询与多余扫描，面向最新稳定版 SurrealDB。
Bankr Agent - Market Research 是一个用于代币研究与市场数据分析的技能，可在用户询问代币价格、市场数据、技术分析、情绪、热门代币、价格图表等场景下使用。它支持跨链代币搜索，提供价格与市场数据、技术分析、社交情绪、价格图表和热门代币发现等能力。可查询当前美元价格、24小时/7天涨跌幅、历史最高/最低价、市值、24小时成交量、流通量/总量、持有者数量，以及 RSI、MACD、移动平均线（50、200）、支撑/阻力位等技术指标。代币研究覆盖 Base、Polygon、Ethereum、Solana 和 Unichain 等链，并支持按名称或符号搜索代币。该技能存在一定限制：历史数据受可用时间范围限制，情绪基于可获得的社交数据，新代币数据可能有限，且不构成投资建议。
用于分析 CRISPR-Cas9 基因筛选数据的技能，涵盖 sgRNA 计数处理、质控归一化、MAGeCK/BAGEL 式基因级评分、合成致死检测、通路富集与药物靶点优先级排序，并强调优先读取预计算结果。
从股票池中批量筛选突破形态成熟、量价健康、催化配合较好的候选股，输出优先级、触发条件与失效边界，用于短中线选股、盘前候选池整理与板块轮动中筛选领涨预备股。
pymatgen 是支撑 Materials Project 的 Python 材料分析库，可创建、分析与转换晶体结构和分子，计算相图与热力学性质，分析能带结构与态密度，生成表面与界面，并访问 Materials Project 数据库，支持 100 多种计算代码文件格式。
该技能用于在 Hugging Face Hub 上创建和管理数据集，支持初始化仓库、定义配置与系统提示词、流式添加行数据，以及基于 DuckDB SQL 的数据集查询与转换。它包含两个 PEP 723 脚本：dataset_manager.py 负责数据集创建与管理，sql_manager.py 负责 SQL 查询、过滤、聚合、导出与推送。支持聊天、分类、问答、补全、表格等多种模板格式，并提供 JSON 校验、批量处理和错误恢复等质量保障能力。需安装 uv 并设置具有写权限的 HF_TOKEN。
该技能用于解读单个 GWAS SNP，聚合 GWAS Catalog 与 Open Targets Genetics 的注释、关联、精细定位和 L2G 基因预测证据，输出综合解读报告。
用于调查 PostHog 会话回放（session recording）的技能：一次并行收集录像元数据、用户档案、同会话事件与关联错误跟踪问题，并在需要时调用 Replay Vision 生成 AI 摘要。适用于用户提供录像或 session ID 并问“这个会话发生了什么”的情形。
Bright Data Data Feeds（Pipelines）是一个通过 Bright Data CLI（bdata）调用预构建爬虫、从数千个现成数据源中提取结构化数据的技能。它覆盖电商、社交、招聘、地图、房地产等站点，用户无需编写抓取逻辑：先用 bdata pipelines search 按站点或数据类型查找爬虫，再用 info 查看采集方法与输入字段，最后用 run 执行并得到干净的 JSON。支持按 URL 采集（collect_by_url，每个 URL 一条记录）和按关键词、分类等非 URL 字段发现（discover_by_*），可批量传入多个 URL、用 --input 传入逐条或嵌套 JSON、用 --async 处理长任务。使用前需安装并认证 bdata CLI（要求 0.4.0 或更高版本），且必须先 search 再 info 再 run，不得猜测 dataset_id、方法名或字段名。若没有匹配的爬虫，则转交 scrape；若需先找目标 URL，则转交 search。
gsd-stats 是 open-gsd/gsd-core 中的统计展示技能，用于显示项目统计信息，包括阶段、计划、需求、Git 指标和时间线。
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。
Nansen CLI 的 Hyperliquid 永续合约交易者画像技能，用于查看指定地址的身份标签、当前持仓、近期成交与盈亏表现，并可在永续合约排行榜中核对其相对排名。
基于 FDA FAERS、药品标签与 PRR、ROR、IC 等不成比例统计量，检测并量化药物不良事件信号的技能，输出 0-100 的安全信号评分，用于药物警戒与监管决策参考。
机器学习、深度学习与MLOps专家技能，提供模型训练、评估、部署和实验跟踪的指导与代码模式，覆盖监督/无监督/强化学习、神经网络、迁移学习、模型版本管理等，适用于需要端到端ML工程实践的场景。
Databricks Vector Search 技能：用于创建、管理和查询向量搜索端点与索引，支持 RAG 与语义搜索，涵盖索引类型、搜索模式及端到端 RAG 模式。
NetworkX 是 Python 的复杂网络与图分析工具包，用于创建、分析和可视化图数据结构，适用于社交网络、生物网络、交通系统、引文网络、知识图谱等实体关系建模场景。
基于 PyMC 的贝叶斯建模技能，用于构建层次模型、MCMC（NUTS）采样、变分推断、LOO/WAIC 模型比较与后验检验，适合概率编程与不确定性量化。
Financial Metrics Analysis 是 octagonai/skills 提供的一项技能，用于通过 Octagon MCP 服务器获取并分析上市公司利润表关键项目的同比增长数据。该技能适合需要快速查看营收增长、营收成本增长、毛利润增长、营业利润增长和净利润增长等指标的场景。使用前需在 AI 代理（如 Cursor、Claude Desktop、Windsurf 等）中配置 Octagon MCP，具体安装说明参考技能内的 mcp-setup.md 文件。使用时需先确定三项参数：股票代码（如 AAPL、MSFT、GOOGL）、要检索的期数（如 5 年）、期间类型（FY 财年或 Q 季度）。随后通过 natural language 提示调用 octagon-agent 工具，例如要求检索某代码在指定期间内的利润表关键项目同比增长。返回结果为表格形式，包含年份及各指标同比增长百分比。数据来源为 octagon-companies-agent 与 octagon-financials-agent。结果解读可参考技能内的 interpreting-results.md，涵盖增长百分比阅读、趋势与拐点识别、经营杠杆信号发现及行业基准对比等内容。
本技能用于在 PostgreSQL 中实现混合文本检索，将 BM25 关键词检索与基于向量的语义检索相结合，并通过 Reciprocal Rank Fusion（RRF）将两种结果融合为一个统一的排序列表。适用于查询同时包含特定术语（产品名、编码、专有名词）与语义意图的场景。使用前需同时启用 pg_textsearch（BM25）与 pgvector 扩展。文中给出数据准备（文档切分为约 500–1000 token 的片段并存储嵌入）、Golden Path 默认建表与建索引方式、RRF 查询模式及 Python/TypeScript 客户端融合代码、RRF 参数说明、关键词与语义权重调整方法、基于交叉编码器或 API 的重排序可选步骤，以及性能考虑、pgvectorscale StreamingDiskANN 扩展方案和监控调试方法。注意 pg_textsearch 目前为预发布版本，尚不建议用于生产环境，当前支持 PostgreSQL 17 和 18。
这是一个面向分析埋点与数据衡量的技能，帮助用户搭建、改进或审计网站与产品的分析追踪体系。它强调以决策为导向而非堆砌数据，从业务问题出发反推需要追踪的事件，并给出事件命名规范、追踪计划框架、常见事件清单（营销站、产品、电商）、事件属性、GA4 与 Google Tag Manager 实现方式、dataLayer 模式、UTM 参数策略、调试与验证方法以及隐私合规注意事项。适用于需要规划埋点、配置 GA4/GTM、统一命名与 UTM 规范、排查事件未触发或重复等问题的场景。
SHAP（SHapley Additive exPlanations）是一个用于解释机器学习模型输出的技能，基于合作博弈论中的 Shapley 值构建统一的可解释性方法。该技能帮助开发者计算任意模型类型的 SHAP 值、生成特征重要性可视化图表、调试与验证模型行为、分析公平性与偏差，并在生产环境中实现可解释 AI。它支持树模型（XGBoost、LightGBM、CatBoost、随机森林）、深度学习模型（TensorFlow、PyTorch、Keras）、线性模型以及黑盒模型。技能内置多种解释器（TreeExplainer、DeepExplainer、KernelExplainer、LinearExplainer、GradientExplainer、PermutationExplainer）与可视化图表（waterfall、beeswarm、bar、scatter、force、heatmap、violin、decision 等），并提供 explainers、plots、workflows、theory 四类参考文档以指导深入使用。