data-inconsistency-debug
用于排查 TE（ThinkingData）报表数据不一致的专家助手技能：按分析模型、数据定义、时间维度、过滤条件和系统配置逐步比对，借助 ae-cli 获取报表定义与数据，定位差异根因并给出可执行的修正方向。
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 10-31 00:15
数据与分析
17,202 个结果
mcp-trino
mcp-trino 是一套通过 MCP 工具检查 Trino 元数据、表结构、查询计划、EXPLAIN ANALYZE 输出与已有查询记录的工具集，适合在 Codex 中排查表结构、SQL 计划与查询历史，以 Trino 返回的真实元数据和查询信息为依据。
managing-tilebox-datasets
用于通过 Tilebox CLI 管理 Tilebox 数据集的技能，覆盖模式设计、数据集创建与更新、Markdown 文档、集合管理、数据点查询与按 ID 查找以及生成类型；偏向操作与设计，数据写入建议查阅文档与 SDK。
truefoundry-ml-repos
用于浏览 TrueFoundry ML 仓库与模型注册表的技能，可列出 ML 仓库、模型与制品并获取 FQN，供创建提示词、微调或部署等其它技能使用。需先通过 status 技能确认 TFY_BASE_URL 与 TFY_API_KEY 有效。
truefoundry-workflows
TrueFoundry Workflows 是基于 Flyte 的数据处理与 ML 训练流水线编排技能，用 Python 的 @task/@workflow 装饰器定义 DAG，并通过 tfy deploy workflow 或 tfy apply 部署到 TrueFoundry。
api-and-saas-ingestion-patterns
该技能面向数据工程智能体，指导其完成从外部 API 与 SaaS 平台抽取数据的完整流程。当数据源不是数据库或文件投放，而是 REST、GraphQL 接口或第三方 SaaS 平台时使用。技能帮助智能体设计可靠的抽取方案，覆盖分页、游标与同步令牌、限流与退避、认证与令牌刷新、增量与全量快照策略，以及安全的历史数据回填。它强调 API 不是静态表，接口行为、可用性和限额会随时间变化，因此需要定义源契约、保留原始响应证据、校验源漂移，并保证重跑具备幂等性，避免静默丢数或重复数据。
bigquery-and-dataform-platform-engineering
面向智能体的 BigQuery 与 Dataform 平台工程技能，指导在 GCP 上设计 BigQuery 物理模型、划分摄取与转换边界、选择 Dataform/dbt/Dataflow/Dataproc 职责，并处理分区、聚类、槽位、成本与治理。
clickhouse-real-time-analytics
该技能用于指导智能体基于 ClickHouse 设计实时分析方案，适用于构建低延迟分析服务层、事件聚合、物化视图等场景。它覆盖从需求定义到运维监控的完整工作流：先明确查询延迟、数据新鲜度与访问模式，再选择表引擎与排序键、分区键，设计高吞吐写入与去重策略，构建带明确契约的物化视图，规划 TTL 与存储分层，并建立可观测与可恢复的运维机制。技能同时列出常见误区、风险信号与验证清单，帮助避免单行写入、分区过多、物化视图回填假设等典型问题。
data-observability-and-sla-management
该技能用于将数据管道作为“服务”来运营，指导智能体进行数据可观测性与服务水平管理（SLA）。核心用途包括：定义新鲜度、完整性等 SLA 承诺，识别运行成功率、任务时长漂移、数据量异常、模式漂移、消费延迟、数据新鲜度等健康信号，设计可执行的告警并正确路由，采集运行元数据与失败上下文，以及评审告警质量。适用于上线或加固生产数据产品、定义新鲜度或完整性 SLA、改进告警与异常检测、补充运维元数据与健康可见性、减少低信号噪声告警，以及在需要验证恢复能力时结合韧性演练。技能强调告警应面向能采取行动的人并附带足够排查上下文，同时提醒任务失败本身并不等于数据陈旧、缺失或错误，告警过多会造成告警疲劳反而漏掉真实故障。
dbt-and-analytics-engineering
该技能用于指导智能体完成基于 dbt 的分析工程工作流，适用于构建或修改 staging 模型、marts、测试、快照、文档等场景。它强调清晰的分层结构、可复用模型、测试与文档随模型一同交付，以及可安全发布的业务定义。技能明确了适用时机（如创建或修改 dbt 模型、构建 staging/intermediate/mart 层、添加测试/快照/exposures、为分析师和 BI 工具组织业务逻辑、准备语义层友好的输出），并指出不应用于将数据摄取或编排逻辑放入 dbt。工作流包括确认模型角色、定义业务粒度和契约、随模型添加测试与文档、保持模型边界清晰、验证下游可用性。
enterprise-etl-and-data-integration-modernization
该技能用于指导智能体操作、加固和现代化企业级 ETL 与数据集成技术栈，如 Informatica、Talend、DataStage、SSIS 和 Matillion。适用于交付依赖传统企业 ETL 工具而非纯代码优先平台的场景，帮助智能体梳理映射逻辑、调度依赖、重启行为、元数据导出、迁移顺序，以及传统 ETL 平台与 Spark、dbt、Airflow 或湖仓栈的共存问题。
operational-datastore-selection-relational-and-nosql
该技能帮助智能体在面向应用或服务的运行型数据存储选型中，在 MySQL、PostgreSQL 等关系型数据库与文档、键值、宽列、缓存型 NoSQL 存储之间做出有依据的取舍，并记录权衡与限制。
pipeline-planning-and-task-breakdown
将已批准的数据规格拆解为安全、可独立验证的实施任务，适用于跨多步骤、多系统或多文件的数据项目，帮助避免大范围高风险的数据管道改动。
warehouse-performance-and-cost-optimization
用于指导智能体处理数据仓库性能与成本优化的技能，适用于 BigQuery、Snowflake、Redshift、Athena、Synapse 或湖仓查询变慢、成本失控等场景，强调先测量成本与性能信号，再定位瓶颈并优先修复高性价比问题。
bubble-chart-generator
该技能用于生成基于 Chart.js 的交互式气泡图可视化，适合优先级矩阵（如影响与投入、风险与价值）和多维数据分析。它可输出可嵌入教育内容或 MkDocs 文档站点的 MicroSim 组件包。
cloudkit expert
CloudKit Expert 是一个面向 CloudKit 多设备同步的专家技能，覆盖架构设计、Schema 设计、冲突解决、离线支持与同步验证，适用于排查 CloudKit 缺陷、同步问题和设计数据模型。
github-activity
github-activity 是一个用于分析 GitHub 项目近期活动（PR 与 issue）的技能，通过 /github-activity 调用。它借助捆绑的 analyze.py 抓取数据、按时间窗口统计并生成 matplotlib 图表，输出 JSON 摘要，再由使用者整理成简洁报告，涵盖吞吐量、积压消耗速率与响应速度。报告采用结论先行结构，包含 TL;DR、快照表格、吞吐量图表，并可选展示积压趋势、最受关注的开放 issue 及后续建议。运行需要已认证的 gh 与 uv，默认分析最近 6 个月，可指定仓库与月份。
database-versioning
数据库版本控制与变更管理模式，用于跟踪模式历史、在开发/预发/生产等环境间协调数据库变更、实现审计追踪，以及管理存储过程、视图和参考数据。
test-data-management
用于测试数据管理的技能，结合 fixture 与工厂模式，帮助创建可复用测试夹具、生成测试数据、播种数据库并保证测试隔离。适合制定测试数据策略、实现数据工厂、清理测试数据等场景。
algolia
Algolia 搜索与推荐 REST API 的可被智能体调用的连接器工具集：可写入、搜索、浏览记录，按 object ID 获取记录，管理索引设置、同义词与查询规则，并读取 AI 推荐结果。含完整记录生命周期、索引配置与推荐读取面。
r-ops
Modern R Operations 是一份面向 2024 年以后 R 语言实践的参考技能，采用 tidyverse 优先（tidyverse-first）的思路，覆盖数据分析、统计、可视化与可复现工作流。它主张在社区已形成共识的地方保持明确观点，同时在 base R 与 data.table 确实更合适的场合标注其为正确工具。内容展示了现代 R 技术栈的选择对照，例如管道使用 R 4.1+ 原生 |>、数据框使用 tibble、数据整理使用 dplyr + tidyr、CSV 读取使用 readr::read_csv 或 data.table::fread、字符串日期因子使用 stringr/lubridate/forcats、绘图使用 ggplot2、迭代使用 purrr::map_* 与 across()、大数据使用 data.table、建模使用 base lm/glm + broom 或 tidymodels、时间序列使用 tsibble + fable、报告使用 Quarto、可复现性使用 renv + Projects + here()。技能按分析工作流的导入、整理、类型清理、迭代、可视化、建模、扩展、时间序列、工程化等环节提供按需加载的参考文件，并给出核心惯用法示例、决策捷径与常见陷阱。
serenity-chokepoint-analysis
Serenity 供应链卡点分析框架是一套用于供应链逆向工程分析的方法论 Skill，包含六步实战流程、五维 Checklist、反论表与证据分层体系。其核心问题是：在一个系统中，谁是那个沉默的、不可替代的物理开关。该框架适用于任何市场的供应链逆向工程分析，包括 A 股、港股、美股与加密货币。当用户提到卡点分析、供应链拆解、瓶颈投资、chokepoint 或 Serenity 方法时触发。框架强调三条第一性原则：不追热点走窄门、物理铁律驱动而非叙事驱动、工程师式尽调而非分析师式复读。六步流程依次为：确认超级确定性大趋势、逆向绘制完整供应链地图、识别真卡点、证据分层验证与反论压力测试、催化剂与时机判断、仓位与风险管理。真卡点需同时满足供给受限、不可替代、低关注度、价值捕获、催化剂可见五个维度。证据分为高阶、中阶、低阶三层，权重递减。反论表要求针对每个论点主动构建批判性审查，并可用 AI 进行红蓝队对抗。仓位大小严格匹配研究深度而非信心程度。该 Skill 仅为方法论学习框架，不构成任何投资建议，属于高风险策略，仅适合有技术背景和高风险承受能力的投资者。
vector-search-patterns
Vector Search Patterns 是一套面向向量相似度检索的实践模式集合，覆盖嵌入生成、文本分块、向量库选型、混合检索与 RAG 流程。资料给出了 OpenAI 嵌入接口调用示例、五种分块策略对比、ChromaDB、pgvector、FAISS 的代码与 SQL 示例，以及向量检索与全文检索结合的混合查询写法。还包含按数据规模选择索引的对照表（Flat、HNSW、IVFFlat、IVF+PQ）和常见反模式提示，适合构建语义搜索与检索增强生成系统的开发者参考。
statistical-analysis-planner
Statistical Analysis Planner 是一个面向机器学习实验的统计严谨性规划与报告技能，用于在实验前设计统计分析方案，并在结果产生后正确报告。它针对显著性检验、效应量与置信区间选择、随机种子方差、多重比较校正等场景，帮助避免统计功效不足的结论、只给均值不给方差的误导，以及论文中的“显著性表演”。该技能不负责运行实验本身，而是在结果存在后（或规划阶段决定需要跑多少随机种子前）使用。其核心原则包括：没有方差的均值不构成经验性结论；报告随机种子数和独立运行次数而非只报指标值；事先选择检验方法而非事后挑选；效果量比 p 值更能反映实际意义；多重比较需校正；若算力受限导致随机种子少，应明确承认局限而非过度声明。