scientific-visualization
面向计算机科学论文（系统、机器学习、网络、安全）的出版级数据绘图技能，可生成多面板布局、误差条、色盲安全配色和延迟 CDF 等图表，输出适合 IEEE、ACM、USENIX、NeurIPS、ICML、ICLR 与 arXiv 的 LaTeX 矢量 PDF。
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 11-05 00:16
数据与分析
17,411 个结果
data-visualization
这是一个关于数据可视化的技能，提供图表选择、色彩理论与标注最佳实践。内容涵盖柱状图、折线图、散点图、热力图等图表类型，坐标轴规则，以及通过 inference.sh CLI（belt）生成图表的示例代码。技能强调用图表清晰传达洞察，包含图表选择指南、设计规则、配色方案、图表配方、数据叙事技巧和常见错误清单。
model-data
model-data 是一个用于数据工程流程的 AI 技能，通过简短的分支式访谈，把计划中或已存在但未文档化的数据转换整理成 Model Plan（模型计划）Markdown 文件，存放在项目的 docs/model-plans/<model>.md。它强调“转换终止开关”：任何被接受的模型计划必须在 related_storage_plans 中至少命名一个上游 Storage Plan，否则该模型被视为脱离治理的浮动节点，技能会拒绝开始访谈并建议先运行 /plan-storage。访谈覆盖模型与粒度、层级与物化方式、建模约定、断言姿态、依赖、敏感性和下游契约等，最终产出可被 linter 校验的结构化契约文件。
plan-ingestion
plan-ingestion 是一个用于数据工程场景的技能，通过分支式访谈将计划中或已存在但未文档化的数据摄取路径，转化为 docs/ingestion-plans/<pipeline>.md 下的摄取计划 Markdown 文件。它强制要求先命名上游 Source Profile（摄取终止开关），并围绕交付模式、排序与去重、落地与模式演进、失败与重放等契约进行压力测试。该技能自包含，附带契约参考文件与校验脚本，输出为每个管道一份计划文件。
plan-storage
plan-storage 是一个用于数据工程流程的存储规划技能，通过分支式访谈将计划中或已存在但未记录的存储目标转化为 docs/storage-plans/<dataset>.md 下的 Storage Plan markdown 文件。它强制要求命名上游 Ingestion Plan 作为存储的“kill-switch”，并围绕存储系统中立性、诚实删除机制、驻留继承、访问控制执行等测试进行压力检验。该技能不生成 Terraform、DDL 或 dbt 配置，而是产出供 IaC 审查对照的人工撰写契约。
profile-source
profile-source 是一个为数据团队设计的技能：通过一段简短的分支式访谈，把团队并不拥有所有权的上游数据源（数据库表、SaaS 接口、流式主题、合作方数据源）整理成消费者项目 docs/sources-of-record/ 下的 Source Profile markdown 文件。它强制要求至少指定一个消费该数据源的决策级问题，否则拒绝生成档案。
serve-data
serve-data 是一个用于将面向消费者的服务端点（planned 或已存在但未记录）转换为 Serving Surface markdown 文件的技能。它通过简短、分支式访谈生成 docs/serving-surfaces/<surface>.md，位于使用方项目中。这是数据血缘链的终端阶段，将链条闭环回 Stage 0 决策。每次访谈都需通过双重 Serving kill-switch：必须指定至少一个上游 Model Plan（链半部分）和至少一个该 surface 服务的 DGQ（闭环半部分）。该技能还强制 freshness-honesty、access-model-honesty、sensitivity-step-down 和 ADR 路由测试。输出为每个 surface 一份合约化 markdown 文件，记录服务决策、上游模型、surface 类型、消费者与负责人、新鲜度合约、访问姿态、敏感性和退役触发条件，不含实际服务代码。
triage-lineage
triage-lineage 是一个用于数据工程仓库的“制品图谱诊断”技能，扫描 docs/ 下的 DGQ、Source Profile、Ingestion/Storage/Model Plan、Serving Surface 与 ADR 及其 frontmatter 链接，按与活跃决策的距离排出缺口优先级，并给出应调用的下游技能。
analyst-literal-search
该技能用于改善 Cortex Analyst 对字面值（literal column values）的自然语言匹配能力。当自然语言短语无法匹配到列中的字面值（例如查询“iced tea”却找不到“Ice Tea”）时，可通过为语义模型 YAML 或语义视图（semantic view）中的维度添加提示来提升匹配效果。具体做法是：对低基数维度（不同值不超过 10 个）添加 is_enum: true 及全部不同值；对高基数维度（不同值超过 10 个）创建 Cortex Search Service 并添加 3 个 sample_values。支持本地 YAML、暂存区 YAML 和语义视图三种来源。技能包含分析维度基数、给出建议、应用枚举维度、创建搜索服务并更新模型、验证查询等步骤，并提供 analyze_table.py（只读）和 apply_changes.py（破坏性）两个脚本，后者需用户明确批准后才执行。
dynamic-tables-guidance
这是一个关于 Snowflake Dynamic Tables（动态表）的使用指导技能，隶属于 snowflake-labs/coco-skills。它帮助用户在 Dynamic Tables、物化视图、Streams+Tasks、dbt 之间做出技术选型，并指导设计 Bronze→Silver→Gold 多层数据管道、排查 FULL 刷新回退、延迟漂移与成本失控等问题。技能内容包含决策流程图、方案对比矩阵、分层管道示例 SQL、监控查询、常见错误清单与生产就绪检查表，并提供创建、挂起、删除动态表等高风险操作前的确认节点。
streamlit-add-chat-page
这是一个用于在 Streamlit in Snowflake（SiS）应用中构建自然语言聊天页面的技能。它根据数据类型提供两条实现路径：结构化数据（表格、指标）使用 Cortex Analyst 将自然语言问题转换为 SQL，在语义视图上执行并返回结果与简短回答；非结构化数据（文档、分块文本）使用 Cortex Search RAG 检索最相关的文本块，并合成有依据、带引用的回答。两条路径共享相同的聊天界面模式，包括多轮对话、展开面板、反馈和防护措施。技能提供语义层 SQL、聊天页面和评估工具的模板，并包含部署、验证和回归测试的完整流程。
timeline-ghostwriter
timeline-ghostwriter 是一款用于将 Ghostwriter 操作日志（oplog）CSV 导出文件解析为时间线条目的工具。它读取 input/gw_oplog/ 目录下的 CSV 文件，自动识别分隔符并校验必需列，将 Ghostwriter 时间戳规范化为 UTC 格式，按标准字段输出到 output/gw_entries.json，便于后续时间线分析。
timeline-pdf-notes
timeline-pdf-notes 是一个用于从 PDF 格式的操作员笔记中提取时间线条目的技能。当操作员笔记仅以 PDF 文件形式提供时，可使用该技能。其输入为 input/notes/ 目录下的 .pdf 文件；输出为 output/pdf_notes_entries.json，其中包含规范化后的条目，字段为 timestamp、source、operator、action、details、raw_timestamp。工作流程包括：使用 pdfplumber 按页提取文本及可选的表格；套用与 Markdown 解析器相同的时间戳模式，必要时根据文件名推导日期与操作员上下文；将时间戳统一规范化为 UTC，并丢弃合并器标记的重复项；在 source/details 中记录页码或表格来源以便追溯；在元数据中追加 source_type = "pdf_notes" 及计数与错误信息；若缺少 pdfplumber 则提供安装指引。该技能将表格视为可选，存在时会解析以捕获结构化时间线行，并处理重复页眉页脚等杂乱文本。
app-studio
Domo App Studio 是一个多页面仪表盘构建器，提供基于画布的布局系统。本技能通过 REST API 管理 App Studio 应用，涵盖应用创建、视图/页面管理、画布布局、卡片放置以及多页面仪表盘配置。所有 App Studio 操作（创建应用、管理视图、配置布局）均需通过 curl 调用 REST API 完成，因为 Java CLI 没有 App Studio 命令。认证使用 X-Domo-Authentication: {SID} 头。技能还要求使用自定义调色板（来自 domo-app-theme/references/color-palettes.md 的 50 个 OKLCH 调色板），禁止使用 Domo 原生默认调色板。
github-ai-trends
GitHub AI Trends 是一个用于生成 GitHub 上热门 AI 项目排行榜的技能。它通过 GitHub API 搜索指定时间范围内推送的 AI/ML/LLM 相关仓库，去重后按星标数排序，输出可直接在聊天中显示的 Markdown 格式排行榜。支持按日、周、月周期查询，可自定义返回数量，并可选使用 GitHub Token 提高 API 速率限制。该工具无 pip 依赖，仅使用 Python 标准库。
connect-declarative-schema
SubImage 的 Declarative Schema 模块技能，用于将自定义上下文（服务目录、所有者/团队映射、业务关键性、CMDB）以 JSONL 数据文件和 YAML 模式文件的方式导入 SubImage 的 Neo4j 图数据库。数据存放于 S3 或 GCS，支持将新节点与已有云资源节点（如 AWSAccount、AWSUser、AWSEC2Instance 等）建立关系，便于安全清理与重新同步。适用于需要把业务元数据与云资源关联的场景，但不支持任意 ETL、实时推送或修改其他模块已声明的节点属性。
inventory-via-cypher
这是一个用于回答单一资源类型扁平清单问题的技能：通过一条 Cypher 查询，列出、计数、过滤、排序或分页某一类资源。它把用户所说的资源类别映射到 Neo4j 本体标签（如 :Database、:ComputeInstance），把明确指定的产品映射到该原生产品标签（如 :AWSRDSInstance、:GitHubRepository），从而跨不同云提供商用一条查询直接命中。适用于对单一类型资源的清单、计数、过滤、排序、分页或按一个属性分组；不适用于跨资源类型的关系、可达性、攻击路径、CVE/包漏洞、问题清单、合规规则或框架查询。
polymarket-analysis
Polymarket Analysis 是一个用于分析 Polymarket 预测市场、寻找交易优势的工具。它通过多模态分析识别潜在交易机会，范围仅限分析与机会发现，不执行任何交易。该工具提供三种模式：一次性市场分析（Analyze）、7×24 小时市场监控（Monitor）以及追踪用户钱包持仓（Profile）。核心策略包括 Pair Cost 套利（当 YES 与 NO 价格之和低于 1.00 美元时识别机会）、动量信号（RSI、移动平均）、鲸鱼跟踪（大额交易）和情绪分析（新闻与社交）。它内置告警阈值：1 小时价格变动 ±5%、单笔大额交易超过 5,000 美元、Pair Cost 低于 0.98、成交量超过平均值 2 倍。工具附带可运行脚本：monitor-polymarket-market.py 用于监控市场并发出告警，fetch-polymarket-user-profile.py 用于获取用户资料与持仓（支持 --trades 与 --pnl 参数）。数据来源包括 Gamma API（市场与价格）、Data API（用户持仓、交易与盈亏）和 CLOB API（订单簿与交易）。适合需要研究预测市场套利、动量、鲸鱼行为和情绪的量化研究者或交易者。注意该工具不执行交易，实际下单需另行完成。
quiver
Quiver 是一个用于查询 Quiver Quantitative 另类金融数据的技能，可跟踪美国国会议员交易、企业游说、政府合同与内部人交易等非传统市场信号，需配置 API Token 后通过 Python 脚本以 JSON 形式返回数据。
redis
Redis 是一款内存数据库管理技能，用于通过命令行与 Redis 交互。它支持键值操作、数据结构（列表、集合、哈希）、发布/订阅消息、缓存管理与 TTL 管理，适用于缓存读写、数据查询、消息通信等场景。使用前需配置环境变量 REDIS_URL，例如 redis://localhost:6379，随后可用 redis-cli 执行 GET、SET、KEYS 等命令，示例包括获取 user:123、为缓存设置 1 小时过期、按 user:* 模式查找键以及清空缓存。
spots
spots 是一个基于网格扫描（grid-based scanning）的命令行工具，用于对 Google Places 进行尽可能详尽的搜索，目标是找出所有地点，而不只是 Google 常规展示的结果，从而发现 Google 未呈现的隐藏地点。它可通过命令行二进制文件运行，支持 go install github.com/foeken/spots@latest 安装。使用方式包括按地点名称搜索、按经纬度坐标搜索、查询某地点的评论，以及将结果导出为地图（HTML）。支持设置搜索半径、查询关键词、最低评分、最低评论数、是否仅显示当前营业等选项，并可选择 json、csv 或 map 作为输出格式。使用前需要启用 Places API 与 Geocoding API 的 Google API 密钥，可通过 spots setup 获取设置指引，并通过 GOOGLE_PLACES_API_KEY 环境变量提供密钥。
youtube-analytics
YouTube Analytics 是一个基于 YouTube Data API v3 的分析工具包，用于分析 YouTube 频道、视频和搜索结果。它提供频道分析、频道对比、视频表现分析、搜索并统计等功能，所有结果会自动保存为 JSON 文件，并可生成 Markdown 摘要。使用前需在 Google Cloud 项目启用 YouTube Data API v3 并配置 API 密钥。
resolve-before-create
resolve-before-create 是一个用于 CRM 数据治理的技能，在导入、丰富或手动创建联系人（contacts）和账户（accounts）之前运行。它为每个拟创建的记录生成一个基于证据的身份判定，输出四种决策之一：创建（Create）、关联（Link）、复核（Review）或拒绝（Reject）。该技能强调在不破坏原始证据的前提下做规范化，优先使用强标识键（如已验证邮箱、规范域名、外部身份、法律实体等）进行广泛搜索，再基于佐证与冲突证据做窄口径判定。它要求创建前重新执行解析、记录搜索证据、对冲突的强标识或不可逆合并强制人工复核，并通过监控拟创建数、阻止的重复、模糊复核、错误关联等指标来评估效果。
analyze-causal-inference
该技能用于在明确估计目标（estimand）、识别假设、研究设计、诊断与敏感性分析的前提下估计因果效应。适用于用户询问某项变化是否产生因果影响等场景。其核心原则是：先命名估计目标再选择估计器；若识别失败，应说明“不可识别”，而不是给出一个数字；围绕有偏估计的窄区间并不构成强因果证据。在选择调整集、设计或敏感性方法时，可打开因果推断方法参考。若分配仍可设计，应使用 design-product-experiment；若关注未来事件，应使用 forecast-with-calibration；若问题涉及随时间变化的机制而非单一对比，应使用 analyze-system-dynamics。