bible-epub-processing
用于解析《新世界译本》（NWT）圣经 EPUB，提取书卷、章节与经文，并将楚克语与英语经文按编号对齐，构建平行语料，供翻译模型训练使用。
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
17,214 个结果
intelligent-text-chunking
仓库内 IntelligentTextChunker 的用法说明，用于把长 Chuukese/英文文档切分为文本块，供 OCR 流水线、AI 训练或检索使用。
glean-messages
Glean CLI 的 messages 命令，用于通过 Glean 检索 Slack、Teams 等消息平台中已建立索引的消息。适用于搜索或阅读指定消息，需先阅读 glean-shared 技能了解认证、全局参数和安全规则，查看或执行前需提供 JSON 请求体。
blog-scraper
通过 RSS/Atom 源抓取博客文章（免费、无需 API Key），并为 JS 重站点提供 Apify 回退。适合监控竞品博客、跟踪行业动态等场景。
legislative-monitoring
Riksdagsmonitor 平台的立法监督技能，用于跟踪瑞典议会动态，包括投票倾向、委员会效能、法案进展与议会监督，将议会数据转化为分析情报。
bitget-openapi-skill
通过 UXC 与精选 OpenAPI schema 调用 Bitget 公共行情接口的技能，覆盖现货交易对、行情、K线与订单簿读取，仅限公开数据，不含私有账户与下单接口。
role-permission-table-builder
用于生成和维护基于角色的访问控制（RBAC）权限矩阵的技能，可输出 Markdown 或 SQL 格式，覆盖页面、组件、数据访问与 Server Action 权限，并提供中间件、组件级与 Server Action 的权限校验实现示例。
hyperref
LaTeX hyperref 宏包的中文使用参考：用于添加可点击超链接、交叉引用、PDF 书签与 PDF 元数据，并涵盖加载顺序、常用选项、链接命令、cleveref 配合及常见问题排查。
cross-source-verify
Cross-Source Verify 是一个多源交叉核验引擎：从聚合器、国家登记册、网页和导出数据等多个来源收集结果，去重后汇总为一个带置信度评估和显式差异展示的答案。适用于需要把多个来源合并成可信结论的场景。
ifcos-syntax-util
IfcOpenShell 工具模块（ifcopenshell.util.*）使用技能，用于从 IFC 模型提取元素属性、选择器查询、定位矩阵、单位换算、日期、几何量、分类、成本与进度数据，供 Blender/Bonsai 相关工作流参考。
ifc-core-data-model
IFC 核心数据模型与模式架构技能：讲解 IFC 模式如何按四层概念层组织、实体属于哪一层、模式间引用是否合法，以及 GlobalId 的判定规则，适用于理解或解释 IFC 标准结构。
indykite-data-schema
IndyKite Data Schema 技能用于通过 Data Schema REST API（GET /data-schema/v1/）读取 IndyKite Knowledge Graph 观测到的数据模式，返回 JGFv2 图文档，列出节点类型、属性、值类型、标签及计数。仅含模式级信息，不返回数据本身。
postgresql-skill
该技能提供 PostgreSQL 数据库设计、优化与事务管理相关的模式，涵盖安全事务、连接池、索引与查询优化等实践，适用于设计数据库模式、编写迁移、实现事务、优化查询和管理连接等场景。
sf-omnistudio-analyze
用于 Salesforce OmniStudio 的跨组件分析技能，可检测组织使用的命名空间（Core、vlocity_cmt、vlocity_ins），盘点 OmniScript、FlexCard、Integration Procedure 与 Data Mapper，构建依赖图并做影响分析，输出 Mermaid 图与报告。
cellxgene-census
CZ CELLxGENE Census 技能：通过 cellxgene-census API 程序化查询 6100 万+ 人类与小鼠单细胞数据，按细胞类型、组织、疾病等元数据过滤，获取基因表达矩阵，并集成 scanpy、PyTorch 进行分析。
kegg-database
KEGG Database 是一个通过 REST API 直接访问 KEGG（京都基因与基因组百科全书）的技能，仅限学术用途。它支持通路分析、基因-通路映射、代谢通路查询、药物相互作用检查以及 ID 转换等操作，主要面向 Python 环境。该技能提供 Python 辅助函数（scripts/kegg_api.py）和详细参考文档（references/kegg_reference.md），涵盖数据库信息查询、条目列表、关键词与分子属性搜索、条目检索、ID 转换、交叉引用和药物-药物相互作用等核心操作，并附带多种常见分析工作流。
matchms
Matchms 是一个开源的 Python 库，用于质谱数据的处理与分析，面向代谢组学和质谱分析场景。它支持从 mzML、mzXML、MGF、MSP、JSON 等多种格式导入谱图，并对元数据进行标准化、峰过滤和化学注释处理。库内提供余弦相似度（CosineGreedy、CosineHungarian）、修饰余弦（ModifiedCosine）、中性丢失余弦、指纹相似度等多种谱图相似性度量，可用于未知谱图与参考库的匹配和化合物鉴定。Matchms 还支持通过 SpectrumProcessor 构建可重复的多步骤处理流程，并提供 Spectrum 对象用于管理 m/z、强度和元数据。安装方式为 uv pip install matchms，如需分子结构处理（SMILES、InChI）可安装 matchms[chemistry]。
matplotlib
Matplotlib 是 Python 的基础绘图库，用于创建静态、动画和交互式图表。本技能提供使用指导，涵盖 pyplot 接口与面向对象 API，以及出版级可视化最佳实践。
pytdc
PyTDC（Therapeutics Data Commons）是一个面向药物发现与开发的开源科学平台，提供 AI 就绪的数据集与基准测试，覆盖治疗药物研发全流程。它将数据按用途分为三类：单实例预测（分子/蛋白质性质，如 ADME、毒性、HTS、量子力学性质）、多实例预测（药物-靶点相互作用 DTI、药物-药物相互作用 DDI、蛋白-蛋白相互作用 PPI 等）以及生成任务（分子生成 MolGen、逆合成 RetroSyn、配对分子生成）。平台提供标准化的评估指标与有意义的数据划分（如 scaffold、cold、temporal 等），并包含基准组（如 ADMET 基准组）、数据划分、模型评估、数据处理工具以及 17 个以上的分子优化 oracle。可通过 pip 安装，使用 `uv pip install PyTDC`，核心依赖自动安装。适合在药物发现或治疗相关机器学习任务中使用，进行模型基准测试、分子性质预测、相互作用预测与目标导向的分子生成。
pytorch-lightning
PyTorch Lightning 深度学习框架技能，用于将 PyTorch 代码组织为 LightningModule，配置 Trainer 实现多 GPU/TPU 训练，并用 LightningDataModule 构建数据管道，支持回调、日志与分布式训练策略。
reactome-database
Reactome Database 是一个免费、开源的精选通路（pathway）数据库技能，包含 2,825+ 条人类通路。它通过 Reactome 内容服务（ContentService）与分析服务（AnalysisService）的 REST API，以及 reactome2py Python 客户端，支持查询生物通路、进行过表征（overrepresentation）与表达数据分析、将基因或蛋白质映射到通路、探索分子相互作用、研究疾病相关通路，并可借助分析 token 在 Reactome Pathway Browser 中可视化结果，面向系统生物学研究场景。
scikit-bio
scikit-bio 是一个用于处理生物数据的综合 Python 库，适用于生物信息学分析，涵盖序列操作、比对、系统发育、微生物生态学与多元统计。它支持 DNA、RNA、蛋白质等生物序列的读写与转换，可处理 FASTA、FASTQ、GenBank、Newick、BIOM 等 19 种以上生物文件格式。主要能力包括：序列比对（全局/局部、多序列比对）、系统发育树构建与分析（UPGMA、邻接法、GME、BME）、多样性指标计算（alpha/beta 多样性、UniFrac 距离）、排序分析（PCoA、CCA、RDA）、生态统计检验（PERMANOVA、ANOSIM、Mantel）以及蛋白质语言模型嵌入的处理。该库可与 Biopython、pandas、polars、AnnData、scikit-learn 及 QIIME 2 生态集成，常用于微生物组多样性分析、系统发育分析和比较基因组学等场景。安装命令为 uv pip install scikit-bio。
scikit-learn
scikit-learn 是 Python 中经典的机器学习库，本技能为其提供系统化的使用指导，覆盖监督学习（分类、回归）、无监督学习（聚类、降维）、数据预处理、模型评估与超参数调优，以及构建生产级 ML 流水线。适合需要可解释、经典机器学习方法的场景，支持结构化（表格）数据与文本数据。技能内含快速上手示例、完整流水线代码、示例脚本与参考文档，并给出避免数据泄漏、仅在训练集上拟合、分层切分、设置随机种子等最佳实践，以及收敛警告、过拟合、大数据内存不足等常见问题的排查思路。
seaborn
Seaborn 是一个用于创建出版级统计图形的 Python 可视化库。它面向数据集进行绘图，支持多变量分析、自动统计估计，并能以极少的代码生成复杂的多面板图形。其核心设计理念包括：面向数据集，直接使用 DataFrame 和具名变量而非抽象坐标；语义映射，自动将数据值翻译为颜色、大小、样式等视觉属性；具备统计感知能力，内置聚合、误差估计和置信区间；提供出版级主题和调色板；并与 matplotlib 完全兼容。该技能涵盖关系图（scatterplot、lineplot、relplot）、分布图（histplot、kdeplot、ecdfplot、jointplot、pairplot）、分类图（stripplot、swarmplot、boxplot、violinplot、barplot、catplot）、回归图（regplot、lmplot、residplot）、矩阵图（heatmap、clustermap）以及 FacetGrid、PairGrid、JointGrid 等多面板网格。用户可通过函数式接口或声明式的 objects 接口进行绘图，并利用 hue、size、style、col、row 等参数实现语义映射与分面。适用于探索性数据分析、相关性分析、分布比较和出版级图表制作等场景。