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 10-29 00:09

数据与分析

17,107 个结果

tooluniverse-gwas-drug-discovery

该技能用于将全基因组关联研究(GWAS)信号转化为可操作的药物靶点与药物重定位机会。它通过位点到基因的映射、靶点成药性评估、现有药物检索以及重定位机会匹配,帮助研究者从遗传学发现推进到治疗开发。技能强调遗传证据可将临床成功率提高约两倍,并给出从GWAS基因发现、成药性评估、靶点优先级排序、现有药物搜索、临床证据评估到重定位机会识别的完整工作流。适用于靶点发现与验证、药物重定位假设生成和临床前研究规划,不用于临床决策或患者治疗建议。

数据与分析27 次安装

leveldb-ops

leveldb-ops 是一个用于读取和检查 LevelDB 存储的技能,主要面向 Chromium/Electron 应用的本地存储层,包括 Local Storage、IndexedDB 和 Session Storage。它适用于 Claude Desktop、VS Code、Discord、Slack、Obsidian 等 Electron 应用在磁盘上的状态数据。该技能强调安全操作:LevelDB 使用独占 LOCK 文件,运行中的应用会持有锁,直接打开活动存储可能失败或返回过期快照,因此必须先复制整个 leveldb 目录到临时位置并移除副本中的 LOCK 文件再读取。读取工具推荐使用纯 Python 的 ccl_chromium_reader,通过 GitHub 直接安装。技能提供读取 Local Storage 和 IndexedDB 的示例代码,并列出常见 Chromium 存储路径。对于写入或修改,技能建议在应用关闭时使用 leveldb 写入器,或通过应用自身的 DevTools 远程调试进行,避免在应用运行时写入导致 LSM 损坏。

数据与分析26 次安装

cocoindex

CocoIndex 是一个面向 AI 的超高性能实时数据转换框架,支持增量处理。本技能(Skill)用于帮助开发者使用 CocoIndex 库构建索引流程(indexing flows),实现从数据源提取数据、应用转换(如切分、嵌入、LLM 提取),并导出到目标(向量数据库、图数据库、关系数据库)。主要能力包括:用 Python 编写 ETL 索引流程、创建自定义转换函数、通过 CLI 或 Python API 运行和管理流程。其关键特性有增量处理(仅处理变更数据)、实时更新(持续同步源变更到目标)、内置函数(文本切分、嵌入、LLM 提取)、多种数据源(本地文件、S3、Azure Blob、Google Drive、Postgres)以及多种目标(Postgres+pgvector、Qdrant、LanceDB、Neo4j、Kuzu)。适用场景包括为文档构建向量搜索索引、为代码/PDF/图像创建嵌入流程、使用 LLM 提取结构化信息、从文档构建知识图谱、建立实时文档索引等。文档与搜索入口:https://cocoindex.io/docs/ 及 https://cocoindex.io/docs/search?q=url%20encoded%20keyword。

数据与分析26 次安装

openrouter-usage

openrouter-usage 是一个用于追踪 OpenRouter API 花费的工具,可直接在 OpenClaw 智能体中使用。它能够显示信用余额、按模型划分的成本与 token 明细,以及基于 OpenClaw 会话日志的花费预测。当用户询问 OpenRouter 信用、成本、花费、余额、用量、账单或使用 /usage 命令时触发。支持生成完整报告(信用余额 + 当日用量 + 预测)、仅查询信用余额、按模型明细查询,并可按今日、本周、本月、指定日期或日期区间筛选,还可限定特定智能体、输出 JSON 格式或使用 UTC 时区。API 密钥自动从 OpenClaw 认证存储或 OPENROUTER_API_KEY 环境变量中发现,会话解析完全在本地进行,读取 ~/.openclaw/agents/*/sessions/*.jsonl,除 Python 3 标准库外无其他依赖。

数据与分析26 次安装

sql-optimization-patterns

SQL Optimization Patterns 是一个专注于 SQL 查询优化的技能,旨在通过系统化优化、合理索引和查询计划分析,将缓慢的数据库查询转变为快速操作。它适用于调试慢查询、设计高性能数据库架构、优化应用响应时间、降低数据库负载与成本、提升大数据集的可扩展性、分析 EXPLAIN 查询计划、实现高效索引以及解决 N+1 查询问题。该技能提供明确目标与约束、应用最佳实践并验证结果、给出可操作步骤与验证方法等指导,详细模式与示例可参考 resources/implementation-playbook.md。

数据与分析26 次安装

runners

Apache Beam Runners 是 Apache Beam 项目中负责在不同分布式执行后端上运行管道的组件。每个 Runner 会把可移植的 Beam 模型翻译为对应执行引擎的原生作业。资料列出了 Direct、Prism、Dataflow、Flink、Spark、Jet、Twister2 等可用的 Runner,其中 Direct 与 Prism 面向本地开发和测试,Dataflow 运行在 Google Cloud Dataflow,Flink、Spark、Jet、Twister2 分别对应各自引擎。该技能用于指导用户理解并配置这些 Runner,包括在 Java 与 Python 中设置 Runner、指定项目与区域、临时位置、集群地址、并行度、检查点等参数,以及通过 ValidatesRunner 测试和 TestPipeline 验证 Runner 正确性。还涵盖可移植 Runner 的 Fn API、环境类型(DOCKER、LOOPBACK、EXTERNAL、PROCESS)和 Job Server 的启动方式。

数据与分析26 次安装