SuperAPI AI 工具集找到适合任务的 Agent Skill，阅读介绍并复制安装命令。
更新于 11-02 00:09
17,278 个结果
该技能文档面向长期维护的 Room 数据库，讲解在历经二十多个 schema 版本后如何保持可升级能力。核心观点是：迁移应被视为一张有向图，而不是一条线性阶梯，需要显式声明完整的 (from,to) 边集合，而不能假设用户只会逐级跳一个版本。文档区分了构建期由 schema 差异生成、只能表达表与列增删改的自动迁移，以及任何涉及数据搬移都必须手写的迁移；并指出跳过中间版本时要用直连边跨过缺口，否则旧版本数据库无法打开。文中还列出若干陷阱：生成式迁移无法移动数据且失败不报错、手写迁移中拼接字符串值而非绑定参数带来的引号风险、触发器与视图不被 Room 管理需放在 onOpen 回调中幂等创建、多平台模块中迁移列表注册在平台 actual 里、schema 导出文件需纳入版本控制、删除规范只是声明而不执行删除。最后给出验证方法：用脚本检查所有版本的可达性、确认迁移与回调仅在 Android actual 注册、在草稿库上验证触发器可重复创建，以及用旧版本数据库文件而非全新安装来验证升级路径。
这条技能条目讨论 Android Room 数据库中的一个具体问题：通过 @RawQuery 调用的原始 SQL 语句在 Room 2.8 中会被 KSP 生成为只读（isReadOnly=true）连接，因此在该连接上执行 VACUUM 压缩会报 “attempt to write a readonly database”。条目说明压缩应放在 RoomDatabase 子类中通过 useWriterConnection 与 execSQL 执行，调用前先做 wal_checkpoint(full)，并把压缩失败当作非致命错误记录日志；同时提醒 PRAGMA wal_checkpoint 在只读连接上可用容易造成误判、VACUUM 不能在事务内运行、不做 checkpoint 则空间难以回收、压缩需重写整个文件应在明确的长操作场景执行，并给出查看生成代码、查询 pragma_query_only、测量文件大小、验证日志路径等排查方法。
这是一篇关于自归一化雷达图（指纹图）实现陷阱的技术文章，基于 Kotlin 代码讲解如何用自身数据把各轴归一化到 0..1，并说明为何必须叠加第二个多边形作为对照。文章逐条分析除零守卫、NaN 与 coerceIn 的关系、take(5) 的隐含排序依赖、按规模而非除以规模做归一化、多查询拼接导致坐标轴互相矛盾、样本量不足时把“无读数”与“真实 0 值”混为一谈等问题，并给出可执行的只读 grep 校验命令与手工验收步骤。
面向移动与数字应用的数据分析策略顾问技能，帮助团队从直觉决策转向数据驱动，覆盖分析框架、北极星指标、同期群分析、用户分群、PLG、指标体系、A/B测试、旅程地图、预测分析、工具选型、留存策略与隐私合规。
csv-parser 是 maxvaega/skillkit 中的 CSV 文件分析技能，用于解析并分析 CSV 文件，支持数据校验。可处理多种分隔符、校验数据类型与约束、生成汇总统计、检测编码问题，并尽量容错处理格式异常的数据。
面向开发者的 Realm 迁移到 SwiftData 参考指南，涵盖模型定义、关系与索引转换、线程模型改写、模式迁移和 CloudKit 同步过渡，并提供分阶段迁移计划与不同规模应用的示例方案。
该技能用于设计实时数据处理系统、选择流处理框架和实现事件驱动架构，涵盖 Kafka、Flink 等，并对比批处理与流处理的取舍、事件时间、窗口、状态管理、交付保证与监控实践。
用于规划测试数据管理的技能，覆盖合成数据生成、数据匿名化、版本管理与按环境划分的数据策略，帮助测试在合适时间获得合适数据并保护敏感信息。
Google AppSheet 集成技能，用于通过 Membrane CLI 管理 AppSheet 应用与数据。适合需要以命令行方式与 Google AppSheet 交互、执行操作或代理 API 请求的场景。
Aeon 是一个与 scikit-learn 兼容的 Python 时间序列机器学习工具包，提供分类、回归、聚类、预测、异常检测、分割和相似性搜索等任务的先进算法。该技能适用于对时间序列数据进行分类或预测、检测异常或变化点、聚类相似模式、预测未来值、查找重复模式（motif）或异常子序列（discord）、使用专门距离度量比较时间序列以及从时序数据中提取特征。安装命令为 uv pip install aeon。
AnnData 是一个用于处理带注释数据矩阵的 Python 包，将实验测量数据（X）与观测元数据（obs）、变量元数据（var）以及多维注释（obsm、varm、obsp、varp、uns）一起存储。它最初面向单细胞基因组学，通过 Scanpy 使用，如今已作为通用框架，适用于任何需要高效存储、操作和分析的带注释数据。该技能适用于创建、读取或写入 AnnData 对象，处理 h5ad、zarr 等基因组学数据格式，进行单细胞 RNA 测序分析，使用稀疏矩阵或 backed 模式管理大型数据集，拼接多个数据集或实验批次，对带注释数据进行子集、过滤或转换，以及与 scanpy、scvi-tools 等 scverse 生态工具集成。核心能力涵盖数据结构、输入输出操作、拼接、数据操作和最佳实践。
ChEMBL 数据库技能用于通过 Python 客户端程序化查询 ChEMBL 生物活性分子与药物发现数据。ChEMBL 是由欧洲生物信息研究所（EBI）维护的人工策展数据库，包含超过 200 万化合物、1900 万条生物活性测量、13000+ 药物靶点，以及已批准药物和临床候选药物数据。该技能适用于化合物搜索、靶点信息检索、生物活性数据（IC50、Ki、EC50）查询、药物信息查询、结构相似性/子结构搜索、化学信息学分析、靶点-配体关系探查以及药物发现中的抑制剂与激动剂识别等场景。使用前需安装 chembl_webresource_client 客户端，通过 new_client 访问 molecule、target、activity、drug 等端点进行查询。
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及临床意义。它支持按基因、位置、疾病或临床意义搜索变异，解读致病性分类（如致病、良性、意义未明 VUS），并通过 E-utilities API 或 FTP 批量获取数据。该技能还涵盖审查状态与星级评定、冲突解读处理、变异注释以及数据提交等内容，适用于临床遗传学研究和变异解读工作。
基于 matplotlib 与 seaborn 的本地数据可视化技能，可生成论文级散点图、折线图、热图、小提琴图、火山图等，兼容任意 LLM 提供方。
FlowIO 是一个轻量级的 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。它的主要用途是解析 FCS 文件的元数据与通道信息，并将事件数据提取为 NumPy 数组，便于后续分析或转换。FlowIO 依赖极少，适合后端服务、数据管道以及基础的细胞术文件操作。用户可以用它读取文件版本、事件数、通道标签、采集日期、仪器名称等信息，也能将事件数据导出为 CSV 或 Pandas DataFrame。此外，FlowIO 支持创建新的 FCS 文件，可将 NumPy 数组写入 FCS 3.1 格式（单精度浮点），并自定义 TEXT 段元数据。它还能处理多数据集 FCS 文件、检测偏移差异并允许忽略错误，以及通过 only_text 参数进行内存高效的元数据读取。安装命令为 uv pip install flowio，要求 Python 3.9 或更高版本。对于需要补偿、门控或 FlowJo 支持的高级分析，建议搭配 FlowKit 库使用。
gget 是命令行与 Python 生物信息学工具包，统一访问 20 多个基因组数据库与分析方法，用于基因信息、序列分析、蛋白结构、表达与疾病数据查询，支持快速 BLAST 搜索。
GWAS Catalog 数据库技能，用于查询 NHGRI-EBI GWAS Catalog 中已发表的 SNP-性状关联。支持按 rs ID 搜索变异、按疾病/性状、基因、染色体区域或出版物检索，获取 p 值、效应量等关联统计信息，并可访问全基因组汇总统计数据。适用于遗传变异关联研究、变异功能解读、性状遗传学探索及多基因风险评分等场景。
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。
NeuroKit2 是一个用于处理和分析生理信号（生物信号）的 Python 工具包，支持 ECG、PPG、EEG、EDA、RSP、EMG、EOG 等信号，适用于心理生理学研究、临床与脑机交互研究。
面向 PostgreSQL 数据库迁移的实践指南，汇总常见迁移报错与解决方法，涵盖生成列、全文检索、索引、幂等迁移、物化视图、软删除与性能调优等主题，并给出迁移文件结构与检查清单。
PyHealth 是一个面向医疗健康 AI 的 Python 库，提供临床机器学习所需的专用工具、模型和数据集。它适用于开发医疗预测模型、处理临床数据、使用医学编码系统以及在医疗场景中部署 AI 解决方案。该技能通过模块化的五阶段流水线工作：数据加载（支持 MIMIC-III、MIMIC-IV、eICU、OMOP、睡眠 EEG、医学影像等 10 多个数据集）、任务定义（20 多个预定义临床预测任务或自定义任务）、模型选择（33 个以上模型，含通用与医疗专用模型）、训练（自动检查点、监控与评估）以及部署（校准、解释与临床验证）。其数据处理速度比 pandas 快 3 倍。安装命令为 uv pip install pyhealth，要求 Python ≥ 3.7、PyTorch ≥ 1.8 以及 NumPy、pandas、scikit-learn。
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 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 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。