data-grid
讲解 MUI X DataGrid 的配置、服务端集成与性能优化的技能文档，涵盖免费版与 Pro/Premium 版本的功能差异、列定义、排序过滤分页、可编辑表格、自定义渲染与工具栏，以及列固定、行分组、聚合、Excel 导出等进阶特性。
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
17,156 个结果
dividend-analysis
该技能用于评估公司的股息计划与股东总回报状况，涵盖当前股息率、股息增长轨迹、派息可持续性以及股票回购活动。它面向以收益为导向的投资者，帮助判断股息是否安全、是否持续增长、以及相对于其他投资选择是否具有竞争力。分析同时覆盖历史股息模式和在压力情景下的前瞻性可持续性。技能通过 SEC EDGAR XBRL API 获取历史财务数据，结合 Stock Analysis 的现金流表、比率和利润表数据，并辅以网络搜索获取股息历史、股息贵族/股息王身份及管理层资本回报政策评论。分析步骤包括建立当前股息概况、计算多时间跨度的股息复合年增长率、评估基于盈利和基于自由现金流的派息率、评估连续增长年数、分析股票回购与股东总回报、对股息可持续性进行压力测试、识别特别股息与不规则股息，并最终综合形成股息评估。
insider-activity
该技能用于分析上市公司的内部人交易与公司治理情况。当用户询问内部人买入、卖出、内部人交易、Form 4 申报、内部人持股或内部人活动等问题时使用。它通过 SEC 数据获取内部人持股比例、交易模式、高管薪酬结构、资本配置决策与治理质量，评估管理层与股东利益是否一致，并给出管理层质量与股东友好度的整体判断。
sec-fetch
sec-fetch 是一个用于从 SEC EDGAR 域名（www.sec.gov、data.sec.gov、efts.sec.gov）获取数据的工具型技能，供其他技能或智能体调用。由于 SEC 要求所有程序化访问都必须携带包含姓名和邮箱的 User-Agent 头，缺少该信息的请求会被以 HTTP 403 拦截，因此该技能负责解析并保存 SEC 凭据、执行抓取脚本并处理错误。其流程包括：先检查插件配置中是否已有 sec.user 和 sec.email，若缺失则通过提问工具向用户索取姓名与邮箱并写入或合并到 config.json；随后调用 sec-fetch.sh 脚本传入 URL 与凭据完成抓取，并将输出返回给调用方；最后处理错误，包括 403 时重新提示并更新配置、429 限流时等待 2 秒重试（最多 3 次）、超时或网络错误时报告失败以便调用方回退到备用数据源。
data-validation-reporter
Data Validation Reporter 是一个用于数据校验与报告生成的技能，提供可配置的数据质量规则检查、交互式 Plotly 可视化报告以及缺失数据分析。它通过 YAML 配置文件定义校验参数，输出 0-100 分的质量评分，并自动检测数据类型问题。该技能包含一个 4 面板仪表盘：质量评分仪表、缺失数据柱状图、类型问题柱状图和汇总表，支持交互式悬停提示、缩放平移以及导出 PNG/SVG，使用 CDN 引入 Plotly，无需本地依赖。代码中包含验证器类模板、配置模板和示例用法，可作为源文件集成到现有项目中，并通过 Python 调用执行验证和报告生成。
hydrodynamic-analysis
本技能提供面向海上浮式结构的水动力分析专业知识，覆盖边界元法（BEM）理论、RAO 响应幅值算子计算、附加质量与阻尼、波浪载荷，以及与行业常用软件的集成。资料给出的适用方向包括：船舶运动 RAO 计算、随频率变化的附加质量与阻尼系数、绕射与 Froude-Krylov 及辐射力等波浪载荷、基于势流理论的 BEM 分析、WAMIT/AQWA/OrcaWave 工作流集成、频域线性波理论分析，以及用于时域仿真的卷积方法。内容包含 BEM 面板法概念步骤、网格质量要求（面板尺寸、长宽比、面板数量、对称性）、RAO 求解方程与示例代码、附加质量频率插值与无限频率附加质量估计、Froude-Krylov 力与绕射系数计算、静水刚度矩阵、JONSWAP 波浪谱与响应谱统计，以及完整的 RAO 分析工作流示例。适用场景为海上浮式结构（如 FPSO）的水动力性能评估与工程分析。
usage-tracker
Usage Tracker 是一个用于按时间记录并分析使用指标的技能，支持带时间戳的日志记录、报告生成和趋势检测。它适用于需要长期跟踪工具或资源使用情况的场景，例如生成日度、周度、月度使用报告，监控配额或限额，分析使用模式以及构建仪表盘。该技能来源于 workspace-hub 的 check_claude_usage.sh，首个版本 1.0.0 于 2026-01-14 发布。它包含多个子技能：基础使用日志记录、使用汇总报告、趋势分析以及最佳实践。示例代码中展示了基于 Bash 的实现，通过 USAGE_LOG 日志文件、grep、wc、date 等命令统计每日 opus、sonnet、haiku 的使用次数并汇总为表格，同时生成建议和报告文件。该技能不适用于实时指标、高频事件（每秒超过 100 次）以及未加密的敏感数据。
niche-data-finder
niche-data-finder 是一个用于 B2B 外呼获客的技能：针对某一细分市场，找出 3-5 个互补、非通用的公开数据源，这些数据源能把目标客户与购买信号（如协会会员、投标、展会、招聘、许可）列在一起，并给出可执行的抓取方案。
alphafold-database
AlphaFold Database 是由 DeepMind 与 EMBL-EBI 维护的公共蛋白质结构数据库，提供超过 2 亿个由 AI 预测的蛋白质三维结构。该技能可用于按 UniProt ID 或蛋白质名称检索结构预测，下载 PDB/mmCIF 坐标文件，分析 pLDDT 与 PAE 等置信度指标，通过 Google Cloud 获取批量蛋白质组数据集，并将预测结果集成到计算工作流中。适用于结构蛋白质组学、药物发现、蛋白质工程与进化研究等场景。该数据库为免费公开资源，当前版本为 v4。
arboreto
Arboreto 是一个从基因表达数据推断基因调控网络（GRN）的计算库，使用可并行化算法，可从单机扩展到多节点集群。其核心能力是根据细胞、样本或条件等观测数据中的表达模式，识别哪些转录因子（TF）调控哪些靶基因。它提供 GRNBoost2 和 GENIE3 两种算法，前者基于梯度提升、速度较快并针对大数据集优化，后者基于随机森林、属于经典的多重回归方法。输入为以基因为列的基因表达矩阵（Pandas DataFrame 或 NumPy 数组），输出包含 TF、target 和 importance 三列的调控关系表。Arboreto 支持本地多核默认执行、自定义 LocalCluster 以及连接远程 Dask 调度器的分布式计算，并可作为 pySCENIC 流程的核心 GRN 推断组件。
benchling-integration
benchling-integration 是一个面向 Benchling 生命科学研发云平台的集成技能。它通过 Python SDK 与 REST API，帮助开发者以编程方式访问 Benchling 的各类研发数据与流程。该技能支持注册表实体管理（DNA、RNA、氨基酸序列及自定义实体、混合物），库存管理（样品、容器、盒子、存储位置与转移），电子实验记录本（ELN）条目的创建与查询，工作流任务的创建与状态更新，并可构建 Benchling Apps。此外，它还涵盖基于 AWS EventBridge 的事件驱动集成，以及通过 Data Warehouse 进行 SQL 查询与数据分析。认证方面支持 API Key 与 OAuth 客户端凭证两种方式，并内置失败重试、生成器分页与 schema 字段辅助等最佳实践。该技能适用于需要将 Benchling 与外部系统同步、自动化实验流程或进行研发数据分析的场景。
brenda-database
BRENDA Database 是一个用于访问 BRENDA 酶数据库的技能，通过官方 SOAP API 检索酶学数据。BRENDA 是收录科学文献中酶信息的综合系统，用户可查询动力学参数（Km、kcat、Vmax）、反应方程式、底物特异性、生物体信息以及酶的最适条件。技能覆盖超过 45000 种酶和数百万条动力学数据点，适用于生化研究、代谢工程和酶发现。使用前需安装相关 Python 依赖并进行 BRENDA 账号认证配置。
cobrapy
COBRApy 是一个用于基于约束的重建与分析（COBRA）的 Python 库，主要用于系统生物学中的代谢模型研究。它可以加载基因组尺度代谢模型，执行通量平衡分析（FBA）、通量变异性分析（FVA）、基因与反应敲除、通量采样、产量包络与缺口填充等计算模拟，并支持 SBML、JSON、YAML 等模型格式的读写。模型由反应、代谢物和基因组成，支持通过上下文管理器进行临时修改。适用于代谢工程、表型预测、必需基因筛选与培养基优化等分析场景。
cosmic-database
COSMIC Database 技能用于访问 COSMIC（Catalogue of Somatic Mutations in Cancer，癌症体细胞突变目录）数据库，该库是人类癌症体细胞突变领域规模最大、最全面的数据库。通过该技能，用户可编程方式下载和查询癌症基因组学数据，包括数百万条跨数千种癌症类型的突变记录、经人工审编的癌症基因列表（Cancer Gene Census）、突变特征（Mutational Signatures）、基因融合、结构变异、拷贝数变异以及耐药突变等临床注释数据。该技能适用于癌症研究与精准医学场景，如将癌症突变数据下载并集成到生物信息学流程中、分析特定基因或突变、检索药物耐药突变等。使用前需要认证：学术用户可在 COSMIC 官网注册免费获取访问权限，商业用户需通过 QIAGEN 获取许可。运行环境需安装 Python 依赖 requests 与 pandas（安装命令：uv pip install requests pandas）。技能提供 scripts/download_cosmic.py 脚本，支持通过 Python 函数或命令行下载数据，并内置 get_common_file_path 等辅助函数以简化常用文件的路径获取。
dask
Dask 是一个用于并行与分布式计算的 Python 库，主要帮助超出内存容量的 pandas/NumPy 工作流实现规模化执行。它提供三种关键能力：单机上的超内存执行（处理超过可用 RAM 的数据）、多核并行处理以提升计算速度，以及跨多机的分布式计算以支持 TB 级数据集。Dask 可从笔记本（约处理 100 GiB）扩展到集群（约处理 100 TiB），同时保持熟悉的 Python API。它包含五个主要组件：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）。适用于需要将现有 pandas/NumPy 代码扩展到内存之外或跨集群运行的场景。
deeptools
deepTools 是一套面向高通量测序数据的 Python 命令行工具集，用于处理和分析 NGS 数据。它支持将 BAM 比对文件转换为归一化的覆盖度轨道（bigWig/bedGraph），进行质量控制（指纹图、相关性、覆盖度）、样本比较与相关性分析，以及围绕基因组特征生成热图和分布曲线。该工具适用于 ChIP-seq、RNA-seq、ATAC-seq、MNase-seq 等实验类型，可用于富集分析与峰值区域可视化。本资料提供了安装命令、核心工作流、常用参数、归一化方法、有效基因组大小参考表、辅助脚本用法及故障排查等内容。
ena-database
European Nucleotide Archive（ENA）是公开的核苷酸序列数据及相关元数据存储库。该技能通过 REST API 与 FTP/Aspera 访问 ENA，按 accession 检索 DNA/RNA 序列、原始测序读段（FASTQ）、基因组组装、功能注释及分类学信息，用于 genomics 与 bioinformatics 流程。支持对 sample、study、assembly 等对象进行元数据搜索，下载 FASTQ 与组装文件，查询物种分类谱系，并可将 ENA 数据集成至分析流水线。所有 API 速率上限为每秒 50 次请求，超出返回 HTTP 429。
ensembl-database
Ensembl Database 是一个用于访问和查询 Ensembl 基因组数据库的技能。该数据库由 EMBL-EBI 维护，提供脊椎动物基因组数据，涵盖基因注释、序列、变异、调控信息以及比较基因组学数据，支持超过 250 个物种，当前版本为 115（2025 年 9 月）。该技能适用于通过基因符号或 Ensembl ID 查询基因信息、获取 DNA/转录本/蛋白质序列、使用 Variant Effect Predictor (VEP) 分析遗传变异、查找跨物种直系同源基因与旁系同源基因、访问调控特征与基因组注释、在基因组组装之间转换坐标（如 GRCh37 到 GRCh38）以及进行比较基因组学分析等场景。使用方式上，可通过 ensembl_rest Python 包进行查询，也可直接调用 REST API（如 requests 库）。API 有速率限制，匿名用户每秒最多 15 次请求，需处理 429 响应并遵循最佳实践。该技能提供 api_endpoints.md 参考文档和 ensembl_query.py 脚本，内置速率限制与错误处理。
etetoolkit
ETE（Environment for Tree Exploration）是一个系统发育与层次树分析工具包，用于树结构操作、进化事件分析、直系同源/旁系同源判定、NCBI 分类学整合、聚类分析以及发表级可视化。它支持读取和写出 Newick、NHX、PhyloXML、NeXML 等树格式，可通过 PhyloTree 结合序列比对检测基因复制与物种形成事件，通过 NCBITaxa 访问 NCBI 分类学数据库（首次使用时自动下载约 300MB 数据），并可渲染 PNG、PDF、SVG 图形及交互式 GUI。适合系统发育基因组学、比较基因组学和聚类分析等场景。
extract_experiment_data_from_video
extract_experiment_data_from_video 是 LabOS 视频转数据流程中的通用传感器层技能，用于将 XR 头显（Meta Quest、HoloLens 2）或固定工作台摄像头拍摄的非结构化实验室录像，转换为带类型标注和时间戳的测量数据表。它内置一组可配置的计算机视觉提取器，涵盖液面追踪、比色测量、浊度测量、物体计数、基于 OCR 的仪器读数以及光谱强度分析，并可输出结构化时间序列 JSON 或扁平 CSV，供下游分析、图表绘制或 ELN 集成技能直接消费，从而在无需人工转录的情况下连接物理台面观察与数字数据。
flowio
FlowIO 是一个轻量级 Python 库，用于读写流式细胞术标准（FCS）文件，支持 FCS 2.0、3.0 和 3.1 版本。它可以解析 FCS 元数据、将事件数据提取为 NumPy 数组、读取通道信息（散射、荧光、时间），并可将数据转换为 CSV 或 Pandas DataFrame。库还支持创建新的 FCS 文件、导出修改后的数据，以及处理包含多个数据集的 FCS 文件。FlowIO 依赖极少，适合后端服务、数据管线和基础细胞术文件操作。安装命令为 uv pip install flowio，需要 Python 3.9 或更高版本。
gene-database
该技能用于通过 NCBI 的 E-utilities 与 Datasets API 查询 NCBI Gene 数据库。支持按基因符号或 ID 检索，获取基因信息（RefSeqs、GO 注释、染色体位置、表型等），并支持批量查询，适用于基因注释相关工作。
geo-database
访问 NCBI GEO 基因表达与功能基因组学公共数据库的技能，用于搜索和下载微阵列及 RNA-seq 数据集（GSE、GSM、GPL），获取 SOFT/Matrix 文件，并将 GEO 数据接入计算分析流程。
geopandas
GeoPandas 是一个基于 Python 的地理空间矢量数据处理库，扩展了 pandas 的能力，使其能够对几何类型执行空间运算。它结合了 pandas 的数据处理能力与 shapely 的几何运算能力，适用于 shapefile、GeoJSON、GeoPackage 等地理数据的读写与分析。当地理数据需要执行空间操作（如空间连接、叠加分析、缓冲区计算、坐标投影转换和地图可视化）时可使用本技能。