core-data
面向 iOS 持久化的 Core Data 与 SwiftData 技能资料，涵盖数据模型、抓取请求、后台上下文与迁移，含 Swift 代码示例与最佳实践。
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
17,143 个结果
plan
一个用于软件开发任务的规划技能：分析用户需求，将其拆解为可执行步骤，并按类别生成结构化计划文档与可勾选的任务清单。可通过 /plan 命令或用户请求触发。
algolia-crawler
该技能用于通过 Algolia CLI 抓取一个或多个网页乃至整站内容，并转换为面向 RAG 优化的 Algolia 索引。抓取器访问 URL，使用 JavaScript recordExtractor 提取内容，并按计划写入 Algolia 记录，无需自行维护抓取代码。核心思路是：为 RAG 抓取与为站内搜索抓取不同，每条记录应是独立可用的文本块，需小而单一主题、自包含、使用自然语言表达（结构化数据也建议合成句子），并保留可过滤的结构化属性。适用场景包括将网页内容导入 Algolia，为后续的聊天机器人、智能体或 RAG 应用提供索引。使用时需先安装并配置 CLI 凭据，检查页面是否为 JavaScript 渲染，编写 recordExtractor，用 algolia crawler test 验证后再索引，显式应用索引设置并定期重新抓取。整站抓取需按页面模板分组验证。限制方面，暂未提供收费与价格信息。
alterlab-meta-analysis
用于跨研究定量元分析的技能模块：计算效应量（Hedges' g、标准化均值差、对数比值比/风险比）及其方差，按固定或随机效应模型合并，并诊断异质性与发表偏倚。
db-postgres
面向 Node.js/TypeScript 项目的 PostgreSQL 数据库管理技能，基于 Drizzle ORM，提供版本化迁移、类型安全查询与本地 Docker 开发模式，适用于新库搭建、编写迁移、增改表结构、排查数据库问题等场景。
sqlite-notes
sqlite-notes 是一个基于纯 SQLite 的个人笔记、思考轨迹与知识管理技能，强调本地优先、可组合与来源追踪，支持捕获式工作流、全文检索，并可与 Claude Code 配合进行 AI 辅助思考与综合。
marimo-notebook
marimo 响应式 Python 笔记本技能：约定如何本地运行 marimo，以及用 jupyter-scatter 构建「散点图 + 选中行表格」交互探索界面，涵盖沙箱依赖、套索选择与状态桥接等实践。
axiom-audit-database-schema
用于审查 SQLite/GRDB 数据库架构与迁移安全性的技能，可检测 ADD COLUMN NOT NULL 无默认值、DROP TABLE/COLUMN、缺少幂等保护、外键误用、事务缺失等常见违规，输出分级报告与健康评分。
spring-data-elasticsearch
Spring Data Elasticsearch 的快速参考技能，用于在 Spring 应用中实现全文搜索与分析，涵盖 ElasticsearchOperations、Repository、聚合与索引管理。
models-dev-query
查询 models.dev 开源 AI 模型数据库（GitHub 仓库 anomalyco/models.dev）中的模型规格与提供商 API 配置的技能。数据按 provider 分目录以 TOML 维护，可离线镜像后查询模型定价、上下文、能力、模态及提供商 API 配置。
kb-web-scanning
面向无障碍审计的网页扫描参考数据，提供 URL 爬取、页面清单、axe-core 运行时扫描、截图与站点发现方法，并支持源码审查与框架识别。
contentful-env-analysis
contentful-env-analysis 是 Contentful 官方技能库中的分析型技能，用于将指定的 Contentful space 与 environment 下载为本地只读 SQLite 快照，并检查内容模型与 ExO 实体（Components、Experience Templates、Experiences、Fragments、Data Assemblies），或以只读查询回答数据问题。该技能定位为纯分析，不会修改 Contentful 空间，也不会启动 ExO 升级。使用前需 Node.js 24.21 或更新版本、具备 shell 访问权限的 AI 智能体、网络访问、具有读权限的 CMA 令牌、Space ID 和 Environment ID。快照下载完成后可离线分析。
query-builder
一个用于生成和优化 SQL 与 NoSQL 查询的交互式数据库查询构建技能，可根据需求产出可读查询、ORM 版本并解释执行流程与索引建议。
query-optimizer
Query Optimizer 是一个用于分析和优化 SQL 查询性能的技能，支持 PostgreSQL、MySQL、MariaDB、SQL Server、SQLite，通过 EXPLAIN、慢查询日志等手段定位瓶颈并给出索引与重写建议。
oce-cost-browser
oce-cost-browser 是 OpenConstructionERP 中的成本数据库浏览与搜索技能，可查看八国基础库、分类树、SQL 与语义搜索、自动补全、确定度标记和资源目录，并读取条目组件明细与地区变体。
alembic
Alembic 是 SQLAlchemy 的标准数据库迁移工具，可对 KYC 流程的数据库 schema 进行受控、带版本、可回滚的演进，记录验证、审计或配置表的每次变更，保证开发、预发布与生产环境一致。
data-engineer
面向数据工程的专业技能，用于设计可扩展的批处理与流式数据管道、现代数据仓库与湖仓架构，覆盖 Spark、dbt、Airflow 及云原生数据服务，并强调数据质量、血缘、治理与安全合规。
compliance-legal
面向数字营销的合规与法律审查技能，可依据 GDPR、CCPA、FTC、CAN-SPAM、COPPA 等法规要求，协助审查营销素材、数据处理流程和广告活动，并给出可执行建议。
benchling-integration
Benchling 生命科学研发平台集成技能：通过 Python SDK 与 REST API 访问注册表（DNA、蛋白质等实体）、库存、电子实验记录（ELN）与工作流，支持构建 Benchling Apps、查询数据仓库及事件驱动集成，适用于生物序列管理与实验室自动化。
clinicaltrials-database
ClinicalTrials.gov 数据库技能，通过 ClinicalTrials.gov API v2 查询全球临床试验注册信息。可按疾病/状况、药物/干预措施、地点、招募状态、试验阶段、申办方等条件检索试验，按 NCT ID 获取试验详情，支持分页批量获取与 CSV 导出。API 为公开接口，无需认证，速率限制约每分钟 50 次请求，支持 JSON 与 CSV 格式。适用于患者匹配、研究分析、药物研发追踪、地理检索、机构追踪、数据导出、试验监测与入组资格筛查等场景。
clinpgx-database
ClinPGx 数据库技能用于访问临床药物基因组学数据（PharmGKB 的继任者），可查询基因-药物相互作用、CPIC 指南、等位基因功能、药物标签与临床注释，服务于精准医学与个体化用药。该技能通过 ClinPGx REST API 提供程序化访问，基础使用无需认证，速率限制为每秒最多 2 次请求，数据采用 CC BY-SA 4.0 许可。
clinvar-database
ClinVar Database 是一个用于查询 NCBI ClinVar 数据库的技能，帮助用户检索人类遗传变异与表型之间的关系及临床意义。它支持按基因、位置、疾病或临床意义搜索变异，解读致病性分类（如致病、良性、意义未明 VUS），并通过 E-utilities API 或 FTP 批量获取数据。该技能还涵盖审查状态与星级评定、冲突解读处理、变异注释以及数据提交等内容，适用于临床遗传学研究和变异解读工作。
cosmic-database
COSMIC Database 是一个用于访问 COSMIC（Catalogue of Somatic Mutations in Cancer，癌症体细胞突变目录）癌症突变数据库的技能。COSMIC 是探索人类癌症体细胞突变的最大、最全面的数据库，收录了数千种癌症类型中的数百万个突变、经过专家整理的癌症基因列表、突变特征以及临床注释。该技能支持以编程方式下载和查询癌症突变数据，包括体细胞突变、Cancer Gene Census、突变特征、基因融合、结构变异、拷贝数变异、耐药突变和癌症细胞系基因组数据。使用前需要注册账号：学术用户可在 https://cancer.sanger.ac.uk/cosmic/register 免费注册，商业用户需通过 QIAGEN 获取许可。Python 依赖通过 uv pip install requests pandas 安装。该技能提供 scripts/download_cosmic.py 脚本，支持命令行和函数调用两种方式下载数据，数据支持 GRCh38 和 GRCh37 两种参考基因组，文件格式包括 TSV/CSV（gzip 压缩）和 VCF。适用于癌症研究、精准医学、生物信息学流程集成等场景。
dask
Dask 是一个用于并行与分布式计算的 Python 库，可将 pandas、NumPy 等操作扩展到超出内存的数据集。它支持单机处理大于内存的数据、利用多核并行加速计算，并可跨多台机器进行分布式计算，规模从笔记本（约 100 GiB）到集群（约 100 TiB）不等，同时保持熟悉的 Python API。该技能适用于处理超过可用内存的数据集、将 pandas 或 NumPy 操作扩展到更大数据、并行化计算、高效处理多个文件（CSV、Parquet、JSON、文本日志）以及构建带任务依赖的自定义并行工作流。Dask 提供五个核心组件：DataFrames（并行 pandas 操作）、Arrays（并行 NumPy 操作）、Bags（非结构化数据的并行处理）、Futures（基于任务的并行化）和 Schedulers（执行后端）。