write-script-mysql
Windmill CLI 的 MySQL 脚本编写技能说明，指导何时以及如何编写、预览、运行和部署 MySQL 查询脚本，涵盖参数占位符、元数据同步、S3 对象参数与结果导出等用法。
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 10-30 00:12
数据与分析
17,155 个结果
analyze_lab_video_cell_behavior
analyze_lab_video_cell_behavior 是一个细胞行为自动分析技能，用于将显微镜延时视频或 XR 实验录像转化为定量的细胞生物学数据。它接受明场、相差、DIC 或荧光（GFP、mCherry）视频，通过计算机视觉与 VLM 流程完成单细胞分割、追踪与表型分类，输出结构化 JSON，包含逐细胞轨迹、群体生长曲线、迁移统计以及凋亡/分裂事件计数。可用于伤口愈合（划痕）实验、Boyden 腔与 transwell 迁移实验、生长与增殖定量、凋亡/细胞毒性筛选、活细胞成像与高内涵筛选管线，以及图表和报告生成。输出指标包括生长速率、倍增时间、汇合度、迁移速度、方向性指数、伤口闭合率、凋亡率、分裂率、均方位移及异常扩散指数等。
biopython
Biopython 是一套自由可用的 Python 生物计算工具集，用于分子生物学相关的编程任务。它支持生物序列（DNA、RNA、蛋白质）的创建与操作，支持 FASTA、GenBank、FASTQ、PDB、mmCIF 等生物文件格式的读写与转换，提供通过 Entrez 程序化访问 NCBI 数据库（GenBank、PubMed、Protein、Gene 等）的能力，支持运行和解析 BLAST 搜索结果、进行双序列与多序列比对、分析 PDB 三维蛋白质结构、构建与可视化系统发育树，以及进行基序查找、群体遗传学、序列统计等任务。当前版本为 Biopython 1.85（2025 年 1 月发布），支持 Python 3，依赖 NumPy。安装命令为 uv pip install biopython。使用 NCBI 数据库访问时需设置 Entrez.email（NCBI 要求），可选设置 Entrez.api_key 以提升速率限制。
clinpgx-database
ClinPGx 药物基因组学数据库技能，可查询基因-药物相互作用、CPIC 指南、等位基因功能与药物标签，用于精准医学与个体化用药研究。
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，并解读变异的临床意义分类。它支持按基因、疾病、临床意义等条件进行网页搜索，也支持通过 NCBI E-utilities API 进行程序化访问（esearch、esummary、efetch、elink），并可从 FTP 下载 XML、VCF 和制表符分隔的批量数据。该技能可帮助理解致病性、良性、意义未明（VUS）等标准化分类，以及星级评审状态，处理冲突解读，使用 bcftools、pandas 等工具进行数据过滤与注释，并追踪分类更新。适合临床遗传学与基因组研究中的变异检索、注释和批量分析场景。
datamol
datamol 是一个基于 RDKit 的 Python 化学生物信息学库，为分子操作提供更简洁的 Pythonic 接口和合理的默认设置。它把 RDKit 封装为轻量抽象层，所有分子对象仍是原生 rdkit.Chem.Mol 实例，与 RDKit 生态完全兼容。适用于标准药物发现流程，包括 SMILES 解析、分子标准化、描述符与指纹计算、3D 构象生成、聚类与多样性选择、骨架与片段分析、化学反应应用、可视化与比对以及支持并行化的批量处理，并可通过 fsspec 访问云存储。安装方式为 uv pip install datamol，通常以 import datamol as dm 导入。
hand-tracking-toolkit
Hand Tracking Toolkit 是来自 Meta Facebook Research 的 3D 手部追踪评估与可视化工具包，面向在多视角自我中心数据上开发和基准测试手部追踪算法的研究人员。它提供标准化指标（如 PA-MPJPE、MPJPE、AUC、PCK、网格误差）、3D 可视化工具（骨架图、多视角投影、误差热力图、轨迹图、并排对比）以及 HOT3D 数据集的数据加载器，支持批量处理。可通过 pip 安装依赖后运行 evaluate.py 进行评估、visualize.py 生成可视化，也可在 Python 中调用 Evaluator、Visualizer、ReportGenerator 等模块。适用于评估手部追踪性能、生成评估报告、对比不同方法、调试预测结果等场景。
histolab
Histolab 是一个用于处理数字病理全切片图像（WSI）的 Python 库。它可自动完成组织检测、从超大幅图像中提取有效瓦片（tile），并为深度学习流程准备数据集。该库支持多种 WSI 格式，提供组织分割能力与灵活的瓦片提取策略。安装命令为 uv pip install histolab。主要能力包括：切片管理与元数据读取、组织检测与掩膜、三种瓦片提取器（RandomTiler、GridTiler、ScoreTiler）、图像与形态学滤波器预处理、结果可视化。适合用于数字病理切片处理与数据集构建。
kegg-database
该技能通过 REST API 直接访问 KEGG（京都基因与基因组百科全书）数据库，仅限学术用途。可用于通路分析、基因—通路映射、代谢通路查询、药物相互作用检查以及 ID 转换等任务。技能内置 Python 辅助函数（scripts/kegg_api.py）完成全部 KEGG REST API 操作，并提供详细参考文档（references/kegg_reference.md）。核心操作包括数据库信息查询、条目列举、关键词与分子属性搜索、条目获取、ID 转换、交叉引用和药物—药物相互作用检查，适合生物信息学通路分析与多数据库整合场景。
neurokit2
NeuroKit2 是一个用于处理与分析生理信号（生物信号）的 Python 综合工具包。它面向心理生理学研究、临床应用与人机交互研究，可处理心血管、神经、自主神经、呼吸与肌肉等信号。主要覆盖 ECG 与 PPG 心电/脉搏分析、心率变异性（HRV，含时域、频域与非线性域）、EEG 脑电（频段功率、微状态、源定位）、EDA/GSR 皮肤电活动、RSP 呼吸信号、EMG 肌电、EOG 眼电与眨眼检测，以及多模态信号整合与复杂度（熵、分形维数、非线性动力学）分析。工具自动根据数据时长在事件相关分析（小于 10 秒）与区间相关分析（大于等于 10 秒）两种模式间切换。可通过 uv pip install neurokit2 安装，官网文档与 GitHub 仓库均已提供。
omero-integration
OMERO Integration 是针对 OMERO 显微成像数据管理平台的技能：通过 Python API（omero-py）连接 OMERO 服务器，按项目→数据集→图像、筛查→板→孔的层级检索数据，读取像素数据为 NumPy 数组，创建与管理 ROI、标注、标签及自定义键值元数据，把测量结果写入 OMERO 表格，并编写服务端脚本完成批量处理，面向高内涵筛查与显微成像工作流。
openalex-database
openalex-database 是一个用于查询和分析学术文献的技能，基于 OpenAlex 开放学术数据库。可用于检索论文、分析研究趋势、追踪引用和开展文献计量研究。该技能提供 Python 客户端与查询辅助函数，覆盖论文检索、作者与机构作品查询、高被引论文、开放获取论文、发表趋势、引用分析和批量查询等常见任务。无需 API 密钥，完全开放。
pydeseq2
PyDESeq2 是 DESeq2 的 Python 实现，用于 bulk RNA-seq 计数数据的差异基因表达分析。它支持从数据加载到结果解读的完整工作流，包括单因素与多因素设计、Wald 检验与多重检验校正、可选的 apeGLM 收缩，以及与 pandas 和 AnnData 的集成。适用于比较实验条件间的基因表达（如处理组与对照组）、考虑批次效应或协变量的多因素设计、将 R 版 DESeq2 工作流迁移到 Python，以及把差异表达分析集成进 Python 流程。依赖 Python 3.10–3.11 及 pandas、numpy、scipy、scikit-learn、anndata，可用 uv pip install pydeseq2 安装。
pymc-bayesian-modeling
该技能用于使用 Python 概率编程库 PyMC 进行贝叶斯建模，覆盖层级模型、MCMC（NUTS）采样、变分推断、LOO/WAIC 模型比较与后验检验等。适用于构建线性/逻辑回归、层级/多水平模型、泊松回归、时间序列等，并包含先验与后验预测检查、采样诊断（R-hat、ESS、发散）、预测区间与不确定性量化，以及 ArviZ 可视化和结果保存等配套流程。
scanpy
Scanpy 是一个基于 AnnData 的可扩展 Python 单细胞 RNA 测序数据分析工具，用于完整的单细胞分析流程。该技能涵盖质量控制（QC）、归一化、降维（PCA/UMAP/t-SNE）、聚类、差异表达与标记基因识别、细胞类型注释、轨迹推断与可视化等环节，支持 .h5ad、10X Genomics、CSV 等格式的数据读取，适用于单细胞转录组数据的处理与分析。
tooluniverse-adverse-event-detection
这是一个用于药品不良事件信号检测与分析的中文介绍。该技能基于 FDA FAERS 数据、FDA 药品标签、PRR/ROR/IC 不成比例分析，以及 OpenTargets、DrugBank、PharmGKB、PubMed、OpenAlex、EuropePMC 等生物医学证据来源，自动检测、量化并解释药品不良事件信号。它会为监管与临床决策生成 0-100 的定量安全性信号评分，并通过多来源交叉验证区分药品特异性、类效应与混杂信号。该技能强调信号量化优先、严重事件优先、证据分级（T1 至 T4）、报告先行并逐步更新，以及查询时使用英文药名。适用于药品安全性信号查询、特定药物与不良事件关联判断、FAERS 信号分析、药物间安全性比较、严重不良事件梳理、上市后监测与药物警戒信号检测等场景。
tooluniverse-multiomic-disease-characterization
这是一套多组学疾病表征流程（Multi-Omics Disease Characterization Pipeline），用于整合基因组学、转录组学、蛋白质组学、通路与治疗等多个分子层面，对疾病进行系统层面的刻画。该技能采用“先建报告再填充”的方式，先创建报告文件，再逐层补充分析结果。它强调先做疾病标识符消歧（解析 OMIM、EFO、MONDO 等 ID），随后逐层覆盖基因组、转录组、蛋白互作、通路、基因本体与治疗格局，并进行跨层整合，找出在多个层面反复出现的基因/靶点。所有证据按 T1（人类/临床）到 T4（计算/预测）分级，并给出 0-100 的多组学置信度评分。报告包含执行摘要、各层分析表格、跨层一致性、生物标志物候选、可成药靶点、机制假设以及完整性检查清单，每条结论都需标注来源工具或数据库。适用于询问疾病机制、生物标志物发现、可成药靶点识别、跨层一致性分析等场景；不适用于单基因靶点验证、药物安全性画像、变异解读、仅通路分析等（应使用其他技能）。
tooluniverse-variant-interpretation
该技能名为 Clinical Variant Interpreter，用于系统性临床变异解读：从原始变异检出出发，按 ACMG 分类标准给出建议，并包含结构影响分析。它会汇总 ClinVar、gnomAD、CIViC、UniProt、PDB 等来源的证据，覆盖 ACMG 各项标准，产出 0-100 的致病性评分、临床建议和治疗提示。适用于解读遗传变异、对意义未明变异（VUS）进行分类、执行 ACMG 变异分类，以及把变异检出转化为临床可行动信息。
torch-geometric
PyTorch Geometric（PyG）是构建在 PyTorch 之上的图神经网络库，用于图与不规则结构上的深度学习。支持节点/图分类、链接预测、GCN、GAT、GraphSAGE、异构图、分子性质预测，以及小批量处理与邻居采样。
uniprot-database
UniProt Database 是一个面向 UniProt 蛋白质数据库的 REST API 访问技能，支持蛋白质搜索、FASTA 序列获取、ID 映射以及 Swiss-Prot/TrEMBL 数据的访问。它适用于按蛋白名称、基因符号、登录号或物种检索蛋白质条目，获取氨基酸序列，在 UniProt 与 Ensembl、RefSeq、PDB 等外部数据库之间映射标识符，以及批量或流式获取大规模蛋白质数据。
uspto-database
该技能用于访问 USPTO 提供的专利与商标专用 API，支持按关键词、发明人、受让人等检索专利，通过 PEDS 获取审查历史，追踪专利与商标的转让记录，分析引用与审查意见（Office Actions），并通过 TSDR 查询商标状态，服务于知识产权分析与现有技术检索。
extracting-with-ocr
extracting-with-ocr 是 xberg-io/xberg 项目下的一个技能，用于从扫描版 PDF、拍摄的页面、截图或无文本层的图像中提取文字。Xberg 会自动对光栅图像执行 OCR，并自动识别缺少文本层的 PDF。文档说明了何时应强制启用 OCR、可选的后端（Tesseract 默认内置、PaddleOCR、Candle VLM、托管 VLM）、Tesseract 语言包安装方式、常用命令行参数、性能优化建议、xberg.toml 配置写法，以及常见失败模式的处理。示例命令包括 xberg extract scan.pdf --force-ocr=true 和 xberg extract scan.pdf --ocr=true --ocr-language eng 等，用于命令行提取文本。
pattern-recognition
这是一个用于识别图表形态与价格行为形态的技能，主要面向交易图表分析与交易机会识别场景。用户描述一张走势图或询问某个形态时，该技能可帮助判断这是何种图表形态，例如头肩顶、双重顶/底、三角形态、旗形、突破回踩等，并说明形态的构成要素、入场触发条件、止损位置、目标位与失效条件。它也涵盖锤子线、吞没形态、十字星等K线形态，以及多周期形态分析方法。该技能还可引导用户用模板把形态记录到个人形态库中，收录胜率、盈亏比、最佳市场与时间周期、交易案例等信息，并提供形态质量评估，区分高质量与低质量形态。具体收费、价格与平台信息文中未提供。
yield-curve-regime-detector
该技能用于评估收益率曲线的形态、倒挂信号、期限溢价及其宏观影响，适合在用户询问收益率曲线、倒挂或利率制度相关问题时使用。它要求以专业研究与风险分析师的视角，通过结构化工作流产出可复用的分析与监控清单。工作流包括：确认输入（标的范围、时间窗口、输出偏好、约束条件）、按需拉取数据、按分析框架先给出执行摘要再展示证据、最后按输出模板生成交付物。该技能强调标注数据截止日期与单位、不编造缺失值、区分信号与叙事，并声明输出仅供参考、不构成投资建议。