shopify-admin-subscription-mrr-tracker
这是一个只读的 Shopify 订阅指标统计技能，用于销售订阅制商品的店铺。它从 Shopify 原生订阅合约中聚合出财务团队关注的 SaaS 风格指标：月度经常性收入（MRR）、年度经常性收入（ARR）、活跃订阅者数、每订阅者平均收入（ARPU）以及滚动流失率。技能不会执行任何写操作，仅查询 subscriptionContracts。若店铺没有订阅商品，报告会以 $0 MRR 正常退出，这是正确结果而非错误。
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
17,415 个结果
xiaoqi-token-stats
Token 用量统计技能，扫描 ~/.claude/projects/ 下全部 Claude Code 会话 JSONL 文件，生成可视化仪表盘与 Token 日历两种视图。仪表盘包含总量、日均、会话数、消息数汇总卡片，日度趋势折线图（Cache Read / Cache Write / Output 分层），周度与月度堆叠柱状图，四类 token 占比环形图与明细卡片，模型分布横向进度条，以及 24 小时活跃度热力图。Token 日历为月历视图，每个日期格子显示当天总 Token 量、会话/调用数、前三模型明细与模型占比条，支持月份切换、左右键导航和 hover 查看详情。依赖 Python 3.10+，纯标准库实现，无需额外依赖包。所有数字使用中文单位（亿、万、千）。
vision-extraction
vision-extraction 是 a5c-ai/babysitter 项目下的一个技能，用于借助视觉模型从图像和文档中提取结构化数据，涵盖 OCR、版面分析、表格提取与可视化文档解析。目前资料显示该技能仍为占位状态，实现待完成。
analytics-tracking
Analytics Tracking & Measurement Strategy 是一个用于设计和审查可信分析追踪的技能。它适用于设置或修复 GA4、GTM、产品事件、转化、UTM、测量策略或信号质量等场景。该技能强调：不追踪一切、不在未修复埋点的情况下优化仪表盘、不将 GA4 数字视为真相（除非经过验证）。其核心是先计算“测量就绪度与信号质量指数”（0–100 分），再进入上下文与决策定义阶段，随后进行事件模型设计、转化策略制定、GA4 与 GTM 实施指导、UTM 与归因规范、验证与调试、隐私与合规检查，并输出测量策略摘要、追踪计划、转化定义、实施说明等。该技能要求追踪服务于决策而非好奇心，遵循先定义问题再倒推事件、事件代表有意义的状态变化、数据质量优先于数量等原则，并提供了事件分类、命名规范、属性设计、转化计数规则、常见失败模式等具体指导。
business-analyst
这是一个面向商业分析（Business Analyst）任务的技能，帮助用户构建 KPI 框架、预测模型、实时仪表盘和战略建议，使用现代 BI 工具与 AI 驱动的分析能力。资料显示，它适用于商业分析相关任务或工作流，以及在需要商业分析领域的指导、最佳实践或清单时使用；不适用于与商业分析无关的任务，或需要该范围之外的其它领域或工具的场景。其能力覆盖现代分析平台与工具、AI 驱动的商业智能、战略 KPI 框架开发、财务分析与建模、客户与市场分析、数据可视化与叙事、统计分析与研究、数据管理与质量、业务流程优化以及行业特定分析等多个方向。技能要求先澄清目标、约束与所需输入，应用相关最佳实践并验证结果，提供可执行的步骤与验证方法；如需要详细示例，可打开 resources/implementation-playbook.md。
financial-analyst
Financial Analyst 是一个面向财务分析场景的技能工具包，提供财务比率分析、DCF 估值、预算差异分析和滚动预测构建能力，用于支持战略决策。该技能包含五阶段工作流（范围界定、数据建模、洞察生成、报告、跟进），并附带四个基于 Python 标准库的命令行脚本：比率计算器、DCF 估值、预算差异分析器和预测构建器。脚本均以 JSON 文件作为输入，无需 numpy、pandas 等外部依赖。技能还提供财务比率指南、估值方法论、预测最佳实践等参考文档，以及差异报告、DCF 分析、预测报告模板，并针对 SaaS、零售、制造、金融服务、医疗等行业给出适配指标。
genome-compare
genome-compare 是一个用于成对基因组比较与祖源估算的 ClawBio 技能。它可将用户基因组与 George Church 的公开 23andMe 数据（PGP-1，hu43860C）进行比对，计算 Identity By State（IBS）分数，报告重叠 SNP 数量与相同 SNP 数量，并解释该分数在亲缘关系中的含义。同时，它使用 EM 混合算法，基于祖源信息标记估算非洲、欧洲、东亚、南亚和美洲等大陆祖源比例，并提供逐染色体的 IBS 分数与重叠计数。输入支持 23andMe 原始数据（.txt 或 .txt.gz，制表符分隔：rsid、染色体、位置、基因型）。输出包括完整 markdown 报告和多个图表（逐染色体 IBS 柱状图、祖源饼图、IBS 关系谱仪表盘、祖源并排比较图）。所有处理均在本地完成，遗传数据不会离开用户机器。该工具定位为研究与教育用途，非医疗设备，祖源估算为近似结果。
qmd-extended
QMD Extended 是 QMD 知识库的扩展技能，为 QMD 的 llm.js 打补丁（v2），使其支持三种嵌入（embedding）后端：Google AI Studio、Ollama 和本地 node-llama-cpp。它提供测试、切换和查看后端状态的脚本，并支持通过环境变量强制指定后端。切换后端后需重新嵌入（qmd embed -f），因为不同后端的向量维度不同。适用于管理 QMD 嵌入、切换后端以及测试嵌入连通性的场景。
quant-analyst
quant-analyst 是一个面向量化分析与算法交易的技能，用于构建金融模型、回测交易策略并分析市场数据。它覆盖交易策略开发与回测、风险指标（VaR、夏普比率、最大回撤）、投资组合优化（Markowitz、Black-Litterman）、时间序列分析与预测、期权定价与希腊字母计算、统计套利与配对交易等方向。该技能强调数据质量优先、包含交易成本与滑点的稳健回测、以风险调整后收益为目标、使用样本外测试避免过拟合，并要求研究代码与生产代码清晰分离。输出包括向量化实现的策略、带绩效指标的回测结果、风险与敞口报告、行情数据管道、收益与关键指标可视化以及参数敏感性分析，主要使用 pandas、numpy 和 scipy，并包含对市场微观结构的现实假设。
saas-metrics-coach
SaaS Metrics Coach 是一个面向 SaaS 业务的指标计算工具集，主要帮助创始人、财务团队和增长运营人员分析订阅收入与单位经济模型。该技能可在用户需要计算 MRR、分析流失、计算 SaaS 指标、进行同期群留存分析、计算 LTV 等场景下使用。它通过三个 Python 脚本实现功能：mrr_calculator.py 从订阅数据 CSV 计算 MRR、ARR、增长率与流失率；cohort_analyzer.py 从用户注册与活跃数据 CSV 进行同期群留存分析并生成留存矩阵与曲线；unit_economics.py 从指标 JSON 计算 LTV、CAC、LTV:CAC 比率与回收期。该工具支持将结果格式化输出为 JSON，便于填入投资人材料。内置对常见 SaaS 健康度基准的参照，例如月度流失、净收入留存、LTV:CAC 与 CAC 回收期等指标区间。使用前需准备相应 CSV 或 JSON 输入文件，具体安装与环境要求资料中暂未提供。
senior-data-engineer
这是一个面向前端场景的数据工程技能，用于构建可扩展的数据管道、ETL/ELT 系统与数据基础设施。资料显示其覆盖 Python、SQL、Spark、Airflow、dbt、Kafka 等技术栈，并给出一套可触发的工作流程，包括批量 ETL 管道搭建、实时流处理、数据质量框架配置，以及架构决策参考。通过脚本工具可生成编排配置、校验数据质量、分析并优化 ETL 性能；工作流示例包括从 PostgreSQL 抽取数据、用 dbt 转换、加载到 Snowflake，并配合 Airflow DAG 调度与测试；流处理示例涵盖 Kafka 建主题、Spark Streaming 解析与窗口聚合、写入 Delta Lake、死信队列与 Prometheus 指标监控；数据质量部分涉及 Great Expectations 期望套件、dbt 测试、数据契约与质量看板。适用于数据管道设计、数据建模、数据质量与性能优化等任务场景。
thinking-dj-patil
该技能蒸馏了DJ Patil的数据科学思维、数据产品化与数据驱动决策框架，涵盖数据产品思维、指标设计、数据基础设施、数据叙事与贝叶斯实践，并提供数据项目启动检查、指标设计工作流和数据叙事模板等实战工具。
thinking-simon
thinking-simon 是一个提炼自 Jim Simons（文艺复兴科技创始人）思维模式的实用框架，核心围绕量化思维、大量小交易与数学即优势三条主线展开。它把 Simons 的投资哲学整理成可操作的思维模型、决策流程与检查清单，包括噪音即信息、大量小赌、数学优先、模型衰减、风控为王等五个核心模型，以及信号发现到持续迭代的六步决策框架，并给出 Sharpe Ratio、最大回撤、胜率、Profit Factor、Edge%、交易频率等核心指标的参考值与警告值。框架还涵盖 Kelly 公式简化版仓位分配、分散原则（单策略仓位上限、单市场暴露上限、相关性约束），以及反模式清单和适用场景说明。适用于市场异常定价检测、高频统计套利策略设计、量化交易系统搭建与迭代，以及评估机会是否为真实 Alpha；不适合基本面长期投资或一次性宏观押注。
x-tweet-fetcher
X Tweet Fetcher 是一个用于抓取 X/Twitter 内容的工具，无需登录或 API 密钥即可获取推文、回复线程和用户时间线，同时支持微博、Bilibili、CSDN、微信公众号等中文平台。单条推文抓取零依赖，使用 FxTwitter 公开 API；回复、时间线和中文平台解析需本地运行 Camofox 反检测浏览器服务（localhost:9377），微信文章则直接抓取无需 Camofox。还提供 Google 搜索功能，使用 Camofox 直接检索结果，无需 API 密钥。基础要求 Python 3.7+，无需外部包。
ibkr
面向 Python 的 Interactive Brokers（IBKR）集成权威参考，基于 ib_async 库，覆盖股票、期权、期货、外汇、差价合约与加密货币等资产类别。核心原则是：IBKR 的行为取决于具体合约、账户实体与终端，而非全局常量，因此主张按“读能力列表→引用文档原句→在模拟 Gateway 上探测→记录结论与来源”的顺序求证。内容涵盖 TWS API 架构、合约构建与资格化、订单类型与属性、括号订单、订单执行与生命周期、错误码与判定、账户状态与盈亏、事件驱动数据、断线重连、Gateway 自动化与验证，并提供 ibkr_gateway.py 与 ibkr_probe.py 工具脚本，仅限模拟盘使用。
china-stock-analysis
基于价值投资理论的A股分析工具，使用akshare获取公开财务数据，提供股票筛选、个股深度分析、行业对比与估值计算，适合低频交易的普通投资者。
tushare-data
面向中文自然语言的 Tushare 金融数据研究技能，把“看看这只股票最近怎么样”“帮我查财报趋势”“最近哪个板块最强”等口语化请求，转成可执行的数据获取、清洗、对比、筛选、导出与简要分析流程，并输出结论加关键数据。
agnostai
用于接入 Agnost AI 分析的技能参考，涵盖数据摄取与仪表盘分析读取两方面：可通过 MCP SDK、Conversation SDK、OpenTelemetry、语音采集或直接 HTTP API 上报数据，也可调用 Dashboard API 查询指标、错误、工具统计和会话追踪。
goodverify
GoodVerify 是一个通过命令行验证邮箱、电话号码和邮寄地址的 CLI 客户端，由 goodverify.dev 提供 API 服务。该工具为单一静态二进制文件（约1MB），无依赖，支持安装、配置 API 密钥、单条验证、批量任务管理、查看用量和余额以及健康检查等子命令。所有命令通过 /goodverify [子命令] 方式分发，支持 pretty-print 和原始 JSON 输出。使用前需安装 CLI 并配置 API 密钥（sk_ 开头为读写密钥，pk_ 开头为只读密钥）。
creating-financial-models
该技能提供一套高级财务建模工具，涵盖现金流折现（DCF）分析、敏感性测试、蒙特卡洛模拟和情景规划，用于投资分析、估值与风险评估。它支持企业估值、项目融资、并购分析和杠杆收购等模型类型，可输出完整财务预测、敏感性表格、概率分布与置信区间、情景对比等结果，并附带 dcf_model.py 与 sensitivity_analysis.py 脚本。使用时需提供历史财务报表、增长与利润率假设、折现率参数、概率分布等输入。模型结果依赖假设，不构成专业财务建议。
kpi-dashboard-design
用于设计 KPI 仪表板的技能，涵盖指标选择、可视化最佳实践与实时监控模式，适合构建高管看板、部门指标视图并改进现有仪表板布局。
csv-pipeline
csv-pipeline 是一个用于处理、转换、分析和报告 CSV 与 JSON 数据的技能，基于标准命令行工具和 Python 3 实现，除 Python 3 标准库外无需外部依赖。它适用于用户提供 CSV、TSV、JSON 或 JSON Lines 文件并需要分析、转换或生成报告的场景，支持行过滤、数据集连接、聚合计算、格式转换、去重、排序、数据清洗以及生成 Markdown 摘要报告等操作。核心脚本为 csv_tool.py，提供 inspect、filter、sort、dedup、aggregate、join、convert、report、clean 等子命令，可完成从数据探查到 ETL 工作流的常见任务。
clinical-data-cleaner
用于清理、验证并标准化临床试验数据的技能，可按 CDISC SDTM 规范为 FDA/EMA 申报准备数据，支持缺失值处理、异常值检测和日期标准化，并生成审计追踪报告。
crossref-database
通过 CrossRef 检索学术成果元数据的技能，可用 DOI 解析书目信息，或按关键词搜索文献并获取引用计数、被引次数与资助方信息，基于 Python habanero 客户端调用 CrossRef REST API。