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 10-30 00:12
17,152 个结果
SEC Filing Reader 是一个用于检索、解析并总结美国证券交易委员会（SEC） filings 的技能。当用户需要阅读 10-K 年报、总结 10-Q 季报、查阅 SEC 文件、查找代理声明（DEF 14A）、阅读 8-K 当前报告或内幕交易表格（Form 4）时，可调用该技能。其工作流程为：先将股票代码解析为 CIK，再在 EDGAR 系统中定位相关文件，并提取最重要的章节，按文件类型生成结构化摘要，且每个摘要都链接回原始文件以便核验。支持的检索方式包括使用 company_tickers.json 完成代码到 CIK 的映射、通过 EDGAR 全文检索系统（EFTS）按表单类型和日期范围查找文件、解析文件索引页以定位主文档并获取内容。针对 10-K、10-Q、8-K、DEF 14A 和 Form 4 分别定义了不同的提取与摘要重点，并支持概览（默认）和详细两档深度。
用于设计、审查或实现定量图形、科学图表、仪表盘与证据表格的技能，强调真实编码与有用比较，而非装饰性极简。
PandasAI 是一个用自然语言对话分析 pandas DataFrame 的工具，由 LLM 驱动，可提问、生成图表并查看生成的代码。适合探索陌生数据集、快速可视化与原型开发，不适用于需要确定性输出的生产管道或超大数据集。
YData Profiling（原 pandas-profiling）用于自动生成数据质量报告，支持变量分析、缺失值检测、相关性计算与 HTML 报告输出，适合数据探索、质量评估、数据集对比和 ML 训练前检查。
FiftyOne 数据集整理技能，用于对任意 FiftyOne 数据集进行端到端整理，支持图像、视频、点云和分组多模态数据。该技能可顺序执行全部阶段，也可直接跳转到单个阶段。主要阶段包括：数据审查（schema、标签、类别分布）、数据质量审计（元数据、分辨率、文件大小、图像质量问题）、近重复检测、类别分布与不平衡分析、嵌入探索与空白检测、标注审计（误标检测）、构建干净子集与训练/验证/测试划分，以及按需数据问答。技能强调运行前先检查已加载数据集、设置上下文、启动 App、发现 schema 与算子动态列表，任何变更前需用户确认，且不自动关闭 App，以便交互式复查。适合需要对计算机视觉数据集进行质量检查、去重、分布分析和清理的机器学习与数据标注工作流。
AnnData 是 Python 中用于处理带注释数据矩阵的软件包，可将测量数据 X 与观测元数据 obs、变量元数据 var 及多维注释 obsm、varm、obsp、varp、uns 一起存储，最初面向单细胞基因组学，现为通用注释数据框架。
ChEMBL 是由欧洲生物信息研究所（EBI）维护的经人工校订的生物活性分子数据库，收录超过 200 万化合物、1900 万条生物活性测量、13000 多个药物靶点及已批准药物与临床候选药物数据，可通过 ChEMBL Python 客户端进行程序化查询。
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。支持按疾病/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，可通过 NCT ID 获取试验详情，并支持分页批量获取与 CSV 导出。该 API 为公开接口，无需认证，速率限制约为每分钟 50 次请求，支持 JSON 与 CSV 格式。适用于患者匹配、研究分析、药物研究、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。
将结构化实验数据（JSON、表格、时间序列等）导出为格式规范的 Excel（.xlsx）文件，自动命名工作表（如原始数据、生长曲线、细胞计数等），支持单位表头与元数据标注，便于实验记录、协作交接与后续分析。
基于 ToolUniverse 的蛋白质互作网络分析技能，用 STRING、BioGRID 和 SASBDB 数据库完成标识符映射、网络检索、功能富集和可选结构数据查询，支持单蛋白伙伴发现、蛋白复合物验证与通路发现。
通过 PUG-REST API 与 PubChemPy 查询 PubChem 化学数据库（110M+ 化合物、270M+ 生物活性数据），支持按名称、CID、SMILES、InChI、分子式检索，获取分子性质、相似性与子结构搜索、生物活性数据及格式转换。
该技能通过 GWAS Catalog 与 Open Targets Genetics 数据，系统发现与疾病或性状相关的基因。输入性状名称即可汇总全基因组显著位点、映射基因并按证据强度排序，支持 L2G 预测，适用于靶点发现、临床研究与功能基因组学分析。
该技能用于 RNA-seq 计数数据的差异表达分析，基于 PyDESeq2 实现 DESeq2 标准化、离散度估计、Wald 检验和 LFC 收缩，并可结合 gseapy 进行 GO/KEGG/Reactome 富集分析，以及通过 ToolUniverse 进行基因注释。适用于处理计数矩阵、识别差异表达基因、比较多种条件或菌株、校正批次效应等转录组学任务。技能强调数据优先、统计严谨、设计公式需纳入协变量，并支持单因素、多因素和交互设计。已在 53 个 BixBench 问题上验证。使用前需安装 pydeseq2、gseapy、pandas、numpy、scipy、anndata 等包。
UMAP（Uniform Manifold Approximation and Projection）降维工具的 Python 使用技能，支持 2D/3D 可视化、聚类预处理、监督与参数化 UMAP。安装命令为 uv pip install umap-learn。
ZINC 是由 UCSF 维护的免费可购买化合物数据库，收录 2.3 亿以上化合物。可按 ZINC ID 或 SMILES 检索、做相似性与类似物搜索、获取用于分子对接的 3D 结构，适用于虚拟筛选与药物发现。
北交所（BSE）精选分析器是一个面向北交所标的的扫描与分析技能，扮演投研/风控分析师角色。它围绕北交所流动性、波动与信息可得性三大关键约束，按流动性、成长性、行业景气与“专精特新”特征输出候选清单，并给出流动性与波动风险提示。适用于用户询问北交所精选、北交所选股、专精特新筛选或需要北交所板块研究时。工作流程包括确认输入（目标、最小日均成交额阈值、最大单票仓位、持有周期、成长/红利/主题偏好）、按需获取数据（用户名单优先，公开数据可借助 findata-toolkit-cn）、按分析框架（流动性优先、基本面成长性、估值波动、政策产业链定位）处理，最后输出结论摘要、候选清单与风控执行清单。输出仅供信息参考与教育目的，不构成投资建议。
对公司或宏观事件进行事件窗研究，计算事件前后收益、超额收益及同业或基准调整，用于量化事件对价格的影响，适用于询问某事件对价格影响或需要事件窗分析的场景。
商誉风险监控器是一个面向投研与风控场景的 AI 技能，用于监控公司或行业的商誉规模、减值明细与预警信号，识别潜在商誉减值风险及其对财报的冲击。当用户询问商誉、商誉减值、商誉风险，或需要一份商誉风险清单时，可使用该技能。它的工作方式接近专业投研/风控分析师：先与用户确认标的范围、时间窗口、输出偏好（列表打分、研究简报或备忘录）及流动性、风险偏好等约束条件，再按需获取数据，并在数据不可得时明确指出缺口、向用户收集可替代输入（如自定义股票池、事件日期等）。随后用结构化框架展开分析，先给出 3 至 5 条可解释的结论摘要，再展开证据链，指标口径、阈值与边界条件由方法论文档定义。最终按输出模板生成结构化结果，包含关键数据、解释、风险与监控清单和下一步建议。技能内含数据查询与方法论文档引用，可通过激活仓库根目录 .venv 后用 python 运行共享脚本获取数据，并说明可结合实时市场数据。使用时需注意明确数据的日期、频率和口径，不确定时不编造；同时考虑 A 股 T+1、涨跌停、停牌与公告滞后对可交易性和结论的影响。该技能输出仅供信息参考与教育目的，不构成投资建议。
监控融资融券与杠杆风险的中文金融分析技能，关注两融余额变化、市场拥挤度及下跌加速风险，用于识别踩踏与波动放大。适合用户询问两融数据、杠杆风险或市场拥挤度时使用。
LangExtract 是 Google 推出的一个 Python 库，用于借助大语言模型从非结构化文本中抽取结构化信息，并强调“源锚定”（source grounding），即每条抽取结果都会映射回原文中的精确位置。它支持通过少量示例（few-shot）定义抽取类别，无需微调模型即可生成符合模式的输出；可处理超出模型 token 限制的长文档，通过智能分块与多轮抽取提高召回率；并支持生成自包含的 HTML 交互式可视化，方便在原文语境中核对抽取结果。它兼容 Gemini、OpenAI 以及通过 Ollama 运行的本地模型。典型用途包括从医疗记录、临床笔记、放射或病理报告中抽取实体与属性，以及分析文学文本中的人物、情感与关系，也可用于构建领域专属的抽取流水线。
基于 Biopython 的生物信息学技能，用于 DNA/RNA/蛋白质序列操作、FASTA/GenBank 等文件解析、BLAST 检索与系统发育分析。适合处理序列数据、访问 NCBI 数据库、解析 PDB 结构等生物信息学任务。
Schema Markup 技能用于为网页实现结构化数据（schema markup），以提升搜索可见性并争取富媒体搜索结果。资料涵盖 JSON-LD 等格式、常见 schema 类型、按页面类型的推荐方案、实现方式、验证测试与最佳实践。
Amazon 品牌分析助手，用于回答“品牌数据说明什么”类问题，基于商品、店铺、评论、竞品等输入材料，生成商品/店铺诊断、卖点与风险提示及运营动作建议，适合运营、产品、销售等角色使用。
外链质量分析助手，面向市场营销、运营、内容创作者和软件场景，用于回答“这些外链有价值吗”，结合优化目标、受众和页面或站点链接等输入，输出内容诊断、结构化优化建议与可执行发布清单。