SuperAPI AI 工具集
合作ENAI 行业资讯收藏

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 11-01 00:15

数据与分析

17,215 个结果

reverse-etl-and-operational-data-serving

该技能用于指导智能体设计并执行反向 ETL（Reverse ETL）与运营数据供给流程，即把数仓中经过治理的可信分析数据回传到业务系统、SaaS 工具和 API 中。它强调反向 ETL 不是简单的导出任务：运营侧目标系统会产生真实副作用并直接影响用户。技能覆盖四类场景：将数仓输出同步到 SaaS 工具、向运营系统发布分群/评分/实体属性、设计出站 API 或激活数据集、变更被运营消费的数据契约。工作流包括：定义出站契约（目标系统、主键映射、同步频率、字段语义、删除或取消同步行为）；理解目标系统约束（速率限制、API 语义、幂等行为、部分更新规则、回滚限制）；明确同步行为在 upsert、删除、去重、失败、重放上的处理方式；发布前评估业务风险；并监控投递结果与数据偏差。技能还列出常见错误认知（如“只是又一次导出”“出错可以重跑”“数仓模型已可信”）的对应事实，并给出红旗信号（缺少目标感知的主键映射、删除行为未定义、重放逻辑忽略外部副作用、同步失败只在业务用户投诉后才被发现）与验证清单（约束与契约显式、增删改重试行为已定义、业务副作用与回滚限制已考虑、投递成功与偏差可观测）。

数据与分析15 次安装

spark-and-distributed-processing

该技能用于指导智能体设计和评审批处理与分布式数据处理方案，主要围绕 Spark 及其托管服务（如 AWS Glue、EMR）展开。它帮助智能体思考分区、连接、存储布局和容错处理等问题，适用于超出单机处理能力的批量工作负载。技能涵盖何时选用该技能、运行时选择、物理计划设计、数据契约、回填与重跑安全等环节，并列出常见合理化借口与危险信号，最后通过验证清单确认运行时选型、分区与写入语义、边界契约以及重试行为。

数据与分析15 次安装

unity-catalog-and-lakehouse-governance

这是一个面向 Databricks 湖仓的 Unity Catalog 治理技能，用于引导智能体围绕目录、模式、外部位置、共享与访问路径设计受治理的数据边界。适用于设计 Unity Catalog 层级与所有权、定义外部位置与存储凭据、治理共享的 Delta 表、视图、卷或模型、评审跨工作区或多团队治理、规划安全共享与发布审批等场景。该技能强调不应把 Unity Catalog 仅视为权限工具，它同样是发布、所有权与运行边界的决策。

数据与分析15 次安装

using-data-agent-skills

这是一个兼容性别名技能，用于数据工程智能体技能体系。它的作用是让仍指向旧版入口文件（using-data-agent-skills）的既有配置能够继续正常工作，而不会导致会话失败。该技能本身不提供独立的工作流程，而是将当前会话重定向到新的首选入口技能 using-data-engineering-agent-skills，由后者负责当前的分类流程、预设映射、示例路由和下一步命令指引。适用于加载仍指向此旧技能的旧项目、在切换到新入口技能前对请求进行初步分流，以及为先前安装的规则包保持兼容性。资料明确建议不要将其作为长期默认入口，应在会话开始后切换到 skills/using-data-engineering-agent-skills/SKILL.md。

数据与分析15 次安装

Coding SOP

Coding SOP 是一套面向研究实验、数据分析与可视化的标准操作流程（SOP），来自 wentorai/research-claw。它规定了从假设提出、代码编写、执行验证到结果报告的完整流程，涵盖 Python/R 脚本执行、数据清洗与转换、统计检验选择、图表类型选择与出版级制图标准、exec 安全规则、可复现性协议以及编码复杂度委派策略。该 SOP 强调脚本模板化、随机种子设置、版本记录、数据溯源与工作区相对路径，并给出常见统计陷阱（多重比较、p-hacking、小样本、正态性、混杂因素）的应对方式。适合需要规范研究代码与数据分析流程的研究人员、数据科学家和分析师参考使用。

数据与分析15 次安装

fermi-estimation

Fermi Estimation 是一个用于费米估算的 AI 技能，帮助在数据很少时快速得到可辩护的数量级答案。它适用于容量、负载、存储、成本、人数、市场规模或时间等估算场景，例如“大概有多少”“粗略估算成本”“估算容量或市场规模”“这到底可不可行”。该技能强调目标不是精确数字，而是正确的数量级以及清楚了解驱动结果的关键因素。使用前需明确数量（含单位和周期）、用途、所需精度，并遵循分解、估算、合并、交叉验证、敏感性分析的流程。它会优先寻找日志、仪表盘、账单、文档等真实锚点，仅在工具无法提供锚点时最多提 3 个问题。对于小需求可走轻量路径：3-4 个因子、每个一个范围、一行结果和一次交叉验证。步骤包括：先写公式再分解；为每个因子给出低值、高值和一行依据，猜测标记为 [ESTIMATED]；将低值和高值相乘得到边界，中心值取几何中点；用第二种方式交叉验证，若差异超过约 3 倍则找出偏差因子；最后指出影响最大的因子及可缩小它的测量。常见陷阱包括虚假精度、单位不匹配、重复计算、锚定第一个数字、跳过交叉验证、忽略峰值。

数据与分析15 次安装

stock-log-viewer

stock-log-viewer 是一个用于查阅“郑大姐股票分析日记本”的工具，可查看历史股票分析记录。它支持查看最新 n 条日记、统计日记总数、按日期查询、按股票名称或代码查询，以及按关键词进行全文搜索。用户既可以直接运行脚本命令，也可以通过对话方式触发查询。日记本以 Markdown 格式保存在本地，每次完成股票分析后会自动追加记录，方便随时调阅和复盘之前的分析观点。

数据与分析15 次安装

data-ingestion-pipeline

该技能用于构建面向批量和流式数据的数据摄取管道，支持从多种来源抽取数据并加载到目标系统。管道架构为：来源→抽取→校验→转换→暂存→加载→验证。主要能力包括：文件（JSON/YAML/CSV）、API（含分页）和数据库（异步游标分批）抽取；基于 schema 的字段校验与业务规则校验；按关键字段去重及多种合并策略（保留首条、保留最新、字段合并）；暂存区模式（写入数据与元数据、支持 promote 提升）；以及可组合的管道编排。文档还列出反模式：无校验门、直接从来源加载、不去重、静默丢数据、单体管道、无幂等性。使用方式为按文档提供的 Python 代码示例实现各阶段组件并组装运行。适用场景为需要从多源抽取、清洗、去重并加载数据的批处理或流式数据集成任务。限制与具体依赖、运行环境、收费等信息暂未提供。

数据与分析14 次安装

redis-patterns

Redis Patterns 是一套关于高效使用 Redis 的实践模式集合，覆盖缓存、发布/订阅消息、限流、分布式锁和会话存储等场景。内容包含数据结构选型对照表（字符串、哈希、集合、有序集合、列表、Pub/Sub、Stream 的适用场景与示例命令）、缓存模式（Cache-Aside 懒加载、Write-Through 写穿、缓存失效、缓存击穿防护）、Pub/Sub 与 Redis Streams 的发布订阅实现、滑动窗口与令牌桶两种限流方案、基于 SET NX 与 Lua 脚本的分布式锁、会话存储的写入/读取/续期，以及键命名约定、管道与 Lua 原子操作、内存管理策略和常见反模式。适合后端与分布式系统开发者参考。

数据与分析14 次安装

graphrag

Microsoft GraphRAG 是一个模块化的、基于图的检索增强生成（RAG）系统，用于从非结构化文本中提取结构化知识，从而增强大语言模型对私有数据集的推理能力。它通过 LLM 从文本中抽取实体、关系和声明，构建知识图谱，并使用 Leiden 算法进行分层社区检测与多级摘要，支持全局搜索、局部搜索、DRIFT 搜索和基础向量搜索等多种查询模式。该技能面向需要跨文档“串联信息”、整体理解大规模文档集合、构建问答系统或进行多跳推理的场景，提供安装、配置、索引流水线、提示词调优和 Python API 使用指导。

数据与分析14 次安装