ab-test-analysis
这是一个用于严谨 A/B 测试统计分析的技能，适用于实验结束后的上线/不上线决策、结果显著性判断、样本比例失衡（SRM）检查、样本量规划以及结果争议时的规范化分析。它提供从确认实验设计、SRM 卡方检验、各变体指标与置信区间计算、显著性检验（率用双比例 z 检验、均值用 Welch t 检验）、护栏指标检查到生成上线/不上线/延长建议的完整流程，并附带分析脚本、统计检验参考、实验设计指南和报告模板。
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 10-18 00:12
数据与分析
16,538 个结果
sql-to-business-logic
该技能用于把 SQL 查询翻译成通俗易懂的业务逻辑。适用于编写查询文档、向非技术相关方解释分析逻辑、通过对照业务需求审查查询正确性，以及帮助新分析师熟悉现有 SQL 模式。技能流程包括：获取查询及其业务问题与表结构说明；用自然语言描述 FROM/JOIN 结构；将 WHERE 过滤条件转写为业务规则；解释 GROUP BY 与聚合的计算口径和粒度；总结各输出列的业务含义与边界情况；标记潜在问题并生成需查询作者确认的验证问题。所需输入包括完整 SQL、业务问题、表列描述、关键状态值/日期/货币规则以及输出受众。产出为结构化说明、文档模板和可选的逻辑流程图。
statistics-verifier
Statistics Verifier 是一套用于核验统计主张、审查研究方法并识别分析错误与偏差的结构化框架。它提供主张核验清单、常见统计错误分类、显著性检验选择指南、样本量校验、相关与因果判别、调查方法审查、数据可视化诚信检查、偏差检测与可复现性清单等工具。适用于事实核查统计声明、验证研究发现或审计数据分析，帮助判断某项统计结论是否可靠、是否被误导性呈现。
xcrawl-crawl
XCrawl Crawl 是一个用于 XCrawl 全站或限定范围爬取的技能，支持批量站点抓取、爬虫规则设计、异步状态轮询，并把爬取输出交付给下游处理。默认原样透传上游 API 响应，需本地配置 API Key，使用 curl 与 node 运行。
scraper-studio
用于在终端通过 bdata CLI 创建并运行 Bright Data AI 生成的采集器：用自然语言描述字段即可生成爬虫，获取 collector_id 后对单个或多个 URL 运行采集并取回数据，还支持修复数据异常。
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]。
technical-analysis
该技能用于对股票K线数据进行技术分析，计算MA、MACD、RSI等指标，并输出趋势判断与买卖信号。它需要先通过 data-collect 获取数据，再运行 analyze.py 脚本，读取 output/<股票代码>/<日期>/data.json，生成 analysis.json。输出包含趋势状态与强度、乖离率安全性、MACD状态与信号、量能状态，以及动作建议、评分、理由和风险。评分对应强烈买入、买入、持有、观望、卖出五档。核心交易理念包括乖离率大于5%不买、MA5>MA10>MA20多头排列、偏好缩量回踩MA5/MA10支撑。适用于判断个股技术面、趋势和买卖点。
Revenue Modeler
Revenue Modeler 是一个专用于收入预测的智能体技能，能够构建基于业务驱动因子的收入模型、预测增长情景、优化定价策略并预测订阅指标。它专注于 SaaS 收入建模、市场平台经济模型和多收入流预测。该技能采用严谨的收入建模方法，生成可辩护的预测、对假设进行压力测试，并支持战略规划，适用于融资预测、董事会汇报、预算编制和定价决策。
postgres-semantic-search
postgres-semantic-search 是一个面向 PostgreSQL 检索与 RAG 实现的技术技能包，覆盖 pgvector 向量检索、全文搜索、pg_trgm 模糊匹配、混合融合（RRF）、ParadeDB BM25 以及重排序（reranking）。它强调按用户实际查询类型选择检索方案，先建立评估集再逐步调优，并系统整理了那些不报错却静默返回错误结果的失败模式，例如 HNSW 的 ef_search 限制、相似度阈值与模型绑定、客户端向量参数格式错误、tsquery 的 AND 语义、ORM 迁移导致 tsvector 列失效等。资料还给出 scripts/ 目录下可直接参考的 SQL 构建块，包括语义检索、FTS 混合检索、BM25 混合检索、模糊检索、前缀 tsquery 等函数，以及示例表结构与索引脚本。适用于在 Postgres 上实现搜索或 RAG 的开发者，尤其是需要处理多语言、长问题与短词混合查询、转录文本检索的场景。
linkfox-eureka-bibliography
该技能用于从 Eureka 专利数据库查询专利著录项目（Bibliography）信息。用户提供专利内部 ID 或公开号后，可批量获取一项或多项专利的结构化元数据，包括标题、摘要、专利类型、申请人、当前权利人、发明人、专利代理师、代理机构、审查员、优先权声明、申请与公开信息、公开可用日期、预估到期日，以及 IPC-R、CPC、UPC、GBC、Locarno、FI、F-term 等多种分类号，还包括引用专利文献、引用非专利文献、关联文件（如分案、继续申请）和 PCT 或地区申请与公布数据。单次请求最多支持 100 项，且必须至少提供一个标识：专利 ID 或公开号，两者同时提供时以专利 ID 为准。查询按动态规则计费，消耗积分 = 81 × max(返回条数, 1)，可能一次性消耗较多积分。该技能不适用于专利法律状态查询、全文权利要求或说明书检索、关键词或分类检索、图像检索、专利族分析和 FTO 分析。
tooluniverse-functional-genomics-screens
该技能用于解读 CRISPR-KO、CRISPRi 和 shRNA 等功能基因组筛选的命中结果。它整合 DepMap 必需性、gnomAD 约束分数、Reactome 与 STRING 通路网络、DGIdb 成药性以及 CIViC、COSMIC 临床证据，对候选基因进行多维度验证与优先级排序。工作流分为输入处理、命中验证、通路与网络、成药性、临床证据、文献检索和优先级报告七个阶段，最终按选择性必需性、通路汇聚、成药性、临床证据、约束和文献六项标准给出 0-18 分评分，并划分为 T1 至 T4 四个置信层级。
cloudflare-vectorize
Cloudflare Vectorize 是 Cloudflare 提供的全球分布式向量数据库，用于构建语义搜索、RAG（检索增强生成）和 AI 应用，可与 Cloudflare Workers 配合使用。本技能提供完整的实现指南，涵盖索引管理、向量操作（插入、更新、查询、删除、列出）、元数据过滤、余弦/欧几里得/点积相似度检索、RAG 工作流、Workers AI 与 OpenAI 嵌入集成、文档分块与批量导入等能力，并附带基础搜索、RAG 聊天、文档摄入、元数据过滤等模板。适合语义搜索、RAG 聊天机器人、推荐引擎和多租户应用等场景。
etetoolkit
ETE（Environment for Tree Exploration）是一个用于系统发育与层次树分析的工具包，提供 Python 库 ete3。它支持 Newick、NHX、PhyloXML、NeXML 等树格式的读写与遍历，可进行剪枝、定根、折叠节点、解析多分支等拓扑修改，并计算分支长度、拓扑距离及 Robinson-Foulds 距离。PhyloTree 类可结合序列比对检测基因复制与物种形成事件，识别直系同源与旁系同源基因，并拆分直系同源组。NCBITaxa 可下载并缓存 NCBI 分类数据库，实现 taxid 与学名互译、谱系获取及分类树构建。可视化方面支持 PNG、PDF、SVG 输出，矩形与环形布局，以及 NodeStyle、Faces 和布局函数自定义样式。ClusterTree 类用于层次聚类分析，可计算轮廓系数、Dunn 指数并绘制热图。该工具适用于系统发育基因组学、基因家族分析、聚类验证和树比较等研究场景。
sqlserver-expert
sqlserver-expert 是一个面向 Microsoft SQL Server 开发与管理的专家型技能，来源于 fabriciofs/mcp-sql-server。它适用于编写 T-SQL 查询、优化数据库性能、设计架构以及配置相关场景。该技能内容涵盖高级 T-SQL 用法（如 CTE、窗口函数、MERGE 语句）、Node.js 通过 mssql 驱动集成（连接池与参数化查询）、常用元数据查询（列出表、查看表结构、索引与外键），以及安全与性能方面的最佳实践。
vaex
Vaex 是一个面向超大规模表格数据的高性能 Python 库，采用惰性求值与核外（out-of-core）DataFrame 设计，可处理和分析超出可用内存的表格数据集。资料称其每秒可处理超过十亿行，支持对数十亿行数据进行交互式探索与分析。它适用于大于内存（从 GB 到 TB 级）的表格数据、对海量数据做快速统计聚合、为大数据创建可视化与热力图、在大数据上构建机器学习流水线、在 CSV、HDF5、Arrow、Parquet 等格式间转换，以及需要惰性求值和虚拟列以避免内存开销的场景，例如天文数据、金融时间序列等大规模科学数据。核心能力涵盖六个方面：DataFrame 与数据加载、数据处理与操作、性能与优化、数据可视化、机器学习集成、I/O 操作。典型用法是先通过 vaex.open 打开文件或从 pandas/NumPy 等创建 DataFrame，再用虚拟列、筛选与聚合进行计算，最后可视化或导出为 HDF5 等格式。
exa-search
Exa.ai 搜索 API 的集成技能，支持神经搜索与关键词网页搜索，并获取正文、高亮和摘要等页面内容。适用于需要接入 Exa SDK（Python 的 exa_py 或 TypeScript 的 exa-js）实现网页搜索功能的场景。
wispr-analytics
Wispr Analytics 是一个用于分析 Wispr Flow 本地语音听写历史的技能工具。它从本地 SQLite 数据库（~/Library/Application Support/Wispr Flow/flow.sqlite）中提取听写记录，结合量化指标与 LLM 驱动的定性分析，用于自我反思、工作模式识别与心理健康觉察。主要功能包括：按时间段（今天/昨天/本周/本月/指定日期或范围）提取数据，按模式（全量、技术、沟通写作、趋势、心理、韵律）分析，自动与前一时段对比，生成基于 Chart.js 的 HTML 图表仪表盘。韵律模式可读取录音音频，用 Praat（parselmouth）提取音高、强度、嗓音质量与语速等声学特征。此外还提供词典管理脚本，用于查看、导出、建议、添加词条、替换规则与片段，并强调写入前必须退出 Wispr Flow 以避免数据库索引损坏。需要 Python3 环境，韵律分析需 pip install praat-parselmouth。
linkfox-eureka-description
该技能用于通过 Eureka 专利数据平台获取专利说明书（描述）数据，帮助用户检索特定专利的全文描述内容。专利说明书是随专利申请提交的详细技术文档，披露发明的工作原理、优选实施方式及专利法要求的技术细节。工具支持通过内部专利 ID 或公开公告号查询一个或多个专利的说明书数据。当同时提供专利 ID 和公告号时，专利 ID 优先。若目标专利的说明书不可用，可选择返回同族专利的说明书作为替代。单次请求最多查询 100 个专利，按动态规则消耗积分（消耗积分 = 81 × max(返回条数, 1)），可能一次性消耗大量积分，需用户确认是否继续。
linkfox-eureka-patent-family
该技能通过 Eureka 专利数据平台查询专利家族信息，支持简单同族（Simple Family）、INPADOC 同族和 PatSnap 同族三种定义。用户可通过专利 ID 或公开号（最多 100 条，逗号分隔）批量查询，返回每条专利的家族标识及成员列表，便于了解专利的跨国布局与保护范围。适用于专利家族查找、同族专利对比、地理覆盖分析等场景。仅支持已知专利的家族查询，不提供关键词检索、专利估值或侵权分析。
pp-kalshi
kalshi-pp-cli 是驱动 Kalshi 预测市场的命令行工具，除完整 API 功能外，还提供本地 SQLite 快照存储，支持价格历史、涨跌榜、相关性、按类别归因的盈亏与胜负率等分析，并带只读模式与 --dry-run 安全机制。
impact-quantification
impact-quantification 是一个数据分析技能，用于将分析中发现的业务机会转化为可辩护的数值估算，涵盖收入增长、成本降低、风险降低或效率提升，支持ROI计算与举措优先级排序，并输出低/基准/高三档区间、假设日志与影响力估算模板。
semantic-model-builder
用于为指标、维度和实体构建结构化语义层文档的技能，可在定义业务指标、编写数据模型文档或搭建 dbt Semantic Layer 时激活。
miniqmt-skills
XtQuant（迅投量化）是基于迅投 MiniQMT 客户端的 Python 量化交易策略运行框架，提供行情数据获取与交易执行两类 API。xtdata 模块负责历史与实时 K 线、分笔、财务及板块数据；xttrader 模块负责报单、撤单、资产持仓查询与交易回报推送。使用前需先启动 MiniQMT 客户端，并安装 64 位 Python 3.6 至 3.12 环境。历史数据以压缩形式存储于本地，需先调用 download 接口下载后再读取。适用于 A 股量化策略开发、行情处理、程序化交易与接口调试等场景。
parabricks
用于发现和选择 NVIDIA Parabricks pbrun 工具、评估 GPU 与运行时就绪状态，并生成与版本匹配的命令指引，覆盖 FASTQ/BAM 处理、RNA-seq、变异检测等场景。