mrr-growth
Zoho Billing AI 的 MRR 增长技能，将月度经常性收入变动拆解为新增、扩展、重新激活、收缩和流失五个部分，并对比上一周期给出环比变化，用于分析 MRR 增长驱动因素。
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
17,418 个结果
nrr-check
nrr-check 是 Zoho Billing AI 的技能，用于计算净收入留存率（NRR），对照 SaaS 行业基准分级，并找出留存最弱的获客队列。适用于用户询问 NRR 或现有客户收入留存情况时。
scribe
Zoom AI Services Scribe 是 Zoom 提供的语音转写服务参考技能，用于将实时音频、上传文件或已存储媒体转成文本。它覆盖实时 WebSocket 转写、同步单文件转写和异步批量任务三条路径，并说明批量任务状态如何通过 webhook 或轮询更新。该技能还包含 Build-platform 凭证处理与 HS256 JWT 生成流程，帮助开发者在接入时选择合适模式并处理转写结果。它本身是参考与路由类技能，不替代官方文档；具体参数、配额与计费细节需以 Zoom 官方资料为准，资料未提供的部分暂未说明。
atmospheric-science-research-skill
一个面向大气与气候研究的文件式技能，强调用真实项目结构而非一次性回答处理 NetCDF、GRIB 等数据，规范计算与绘图分离、坐标归一化、配色与审图流程，仅依据资料整理。
trade-analyze
trade-analyze 是 AI Trading Analyst（Hermes）系统中的综合分析编排器，用于对指定股票代码执行多维度股票分析。它以「trade analyze <TICKER>」方式调用，先由主代理通过 web_search 收集当前价格与市场背景、公司概况、近期新闻与催化剂、关键财务指标快照，形成统一的 DISCOVERY_BRIEF；随后通过 Hermes 的 delegate_task 工具并行启动 5 个子代理，分别负责技术分析、基本面分析、情绪分析、风险评估和投资论点构建，每个子代理返回 0-100 分的分项评分。最后按技术 25%、基本面 25%、情绪 20%、风险 15%、论点 15% 的权重合成综合 Trade Score，映射为 A+ 至 F 的等级与 Strong Buy 至 Avoid 的信号，并生成 TRADE-ANALYSIS-<TICKER>.md 报告文件，包含评分面板、各维度概览、入场/出场策略、多空对比和催化剂日历，同时在终端打印摘要。该工具明确声明仅用于教育与研究目的，不构成投资建议。
trade-fundamental
trade-fundamental 是 AI 交易分析项目 ai-trading-hermes 中的基本面分析技能，用于对指定股票做估值、增长、盈利能力、财务健康、护城河与管理层质量分析，并打分输出研究报告，仅供教育研究，非投资建议。
trade-report-pdf
PDF Trade Report Generator 是一个用于把当前目录中的 TRADE-*.md 分析文件汇总为多页 PDF 投资研究报告的技能，可提取评分、信号与关键价位，并生成含免责声明的报告。仅供教育研究，不构成投资建议。
flarecrawl-extraction
Flarecrawl Extraction 是 Flarecrawl 中基于 Cloudflare Workers AI 的网页结构化数据提取工作流。它通过自然语言提示词（prompt）从网页中抽取结构化 JSON 数据，并可选配合 JSON Schema 约束输出格式。主要命令为 flarecrawl extract，支持单 URL、多 URL（逗号分隔，顺序执行）以及通过 urls.txt 的批量并行提取（--batch、--workers）。可通过 --schema 内联传入 JSON Schema，或用 --schema-file 指定 schema 文件。批量输出为 NDJSON，每行含 index、status 与 data/error。与 scrape --format json 相比，extract 支持自定义提示词与 JSON Schema，适合需要特定字段的场景；scrape 则用于通用内容提取。该能力也通过 flarecrawl MCP 服务器的 extract_data 复合工具暴露。
flarecrawl-ops
flarecrawl-ops 是一个基于 Cloudflare Browser Rendering 的网页抓取命令行工具的操作技能，兼容 Firecrawl 的用法，主打规模化下的低成本。它能够渲染 JavaScript、提取 Markdown 或 HTML、爬取站点、截图、生成 PDF，并通过 Workers AI 做结构化数据抽取。该工具还提供技术栈指纹识别、反爬对抗能力（如 TLS 模拟、本地 Chromium、P6 铸币回放）、以及用于持久化登录会话的 CDP 模式。面向智能体，它还附带一个 MCP 标准输入输出服务器，内部分为 Orientation、T1 Composite、T2 Curated、T3 Raw 四个层级共 36 个工具，方便代理直接调用而无需经由 shell。使用前建议先运行 flarecrawl guide 查看官方参考，并用 flarecrawl auth status 检查登录状态。免费额度为每天 10 分钟浏览器时间、3 个并发浏览器。
crypto-trading-advisor
加密货币交易分析顾问是一个面向交易决策场景的技能，当用户询问某个币种是否适合交易、合约能否操作、走势如何分析等问题时触发。它提供了一套高价值数据源清单和专业交易原则框架，覆盖市场情绪与宏观、合约与资金数据、链上数据、社交与情绪四大类数据来源，并给出分析顺序、信号优先级、反向思维检查点、流动性红线、仓位与风控、认知偏误自检以及输出原则等交易方法论。触发词包括“适不适合交易”“能不能做”“走势分析”“交易建议”“可以入场吗”“现在能做吗”等。
stock_data_api
股票数据 API Skill（stock_data_api）是一个面向 A 股市场的数据访问技能，适用于 OpenClaw、ClaudeClaw、KimiClaw 等支持 AgentSkills 规范的客户端。它提供统一的 A 股数据接口，覆盖股票列表与搜索、日 K 线与历史分时、财务指标（PE、PB、PS、市值等）、估值排行与百分位、集合竞价、收盘快照以及交易日历查询等功能，可作为量化分析、投资研究和策略回测的数据来源。使用前需在客户端 Skill 配置页面的 api_key 输入框中填入从 https://data.diemeng.chat/ 获取的 API Key，客户端会在运行时将其注入为环境变量 STOCK_API_KEY，代码统一从该环境变量读取密钥，不在日志和提示词中明文输出。
serenity-chokepoint-analysis
Serenity 供应链卡点分析框架是一个面向产业链逆向工程的方法论 Skill，包含六步实战流程、五维卡点 Checklist、证据分层体系与反论压力测试。它从下游终端向上游拆解供应链，识别供给受限、不可替代、低关注度、价值捕获高、催化剂可见的关键节点，并通过 AI 红蓝对抗进行自我质疑，最后给出仓位与风险管理规则。适用于 A股、港股、美股的产业链分析；加密货币场景资料指出风险极高、供应链逻辑往往不适用。
data-quality
该技能用于 Lakehouse 数据质量与模式漂移检测。它让智能体能够对数据做剖析，比较最早与最新快照的模式以发现新增列、删除列和类型变更，并借助 Soda Core 或 Great Expectations 等框架实现企业级数据质量检查，还可用移动平均或 Z-score 等统计方法检测行数骤降、空值增多、数据延迟等异常。
iceberg-advanced
该技能让智能体能够基于 Apache Iceberg 的分支（branch）能力，原生地建模、实现并编排 Write-Audit-Publish（WAP）模式。在数据湖仓的 ETL 场景中，直接写入生产表（main 分支）存在数据损坏风险，Iceberg 提供了类似 Git 的分支机制来规避这一问题。技能指导用户用 Iceberg 分支替代传统的 _stg 暂存表：先创建指向 main 当前状态的分支，再配置 Spark 将写入定向到该分支，随后在分支上执行行数、空值、约束等数据质量审计，审计通过后通过 fast_forward 将分支快速前滚发布到 main，最后清理分支。技能还涵盖 Iceberg 隐藏分区（Hidden Partitioning）的正确用法，提醒用户不要手动提取 year/month 列再分区，而应使用 PARTITIONED BY (years(ts)) 让 Iceberg 自动处理分区提取。输出格式为一份 Iceberg WAP 实施指南，包含分支创建、Spark 写入配置、审计查询与发布命令等步骤。
lakehouse-data-quality
该技能让智能体能够对湖仓（Lakehouse）中的数据进行剖析（profiling），检测随时间发生的模式演进与漂移（schema evolution/drift），并使用 Soda Core 或 Great Expectations 等企业级框架实现数据质量检查。它适用于 Delta Lake 和 Iceberg 等湖仓架构：通过比较最早与最新快照的 schema，识别新增列、删除列和类型变更；通过 YAML 定义或 Python 校验器编写行数、新鲜度、重复值、缺失值等质量断言；还可选地通过移动平均或 Z-score 等统计方法检测行数异常。该技能以结构化质量剖析报告的形式输出结果，标注每项检查的通过/失败状态。
lakehouse-iceberg-advanced
该技能用于在 Apache Iceberg 分支上原生建模、实现并编排 Write-Audit-Publish（WAP）模式，帮助智能体在企业数据湖仓场景中避免绕过暂存表直接写入生产表带来的数据污染风险。它指导用户用 Iceberg 的类 Git 分支能力替代传统 _stg 临时表：先创建指向 main 当前状态的分支，再配置 Spark 将写入指向该分支，随后在分支上做行数与空值等数据质量审计，审计通过后用 fast_forward 快速合并回 main，最后清理分支。技能同时说明 Iceberg 隐藏分区（Hidden Partitioning）的正确用法，避免手动提取年、月等分区列，并给出规范的 WAP 实施指南输出格式。
lakehouse-performance
lakehouse-performance 是一个企业级湖仓性能优化技能，用于在数据湖仓中检测性能瓶颈并给出可执行的优化建议。它能识别小文件问题、分区不合理、查询优化机会缺失等常见问题，并围绕 Spark、Trino 和 Databricks 提供针对性调优方案，例如 Liquid Clustering、Bloom Filter 索引以及 CBO 统计信息等。使用者可通过它在平均文件大小低于 50 MB 时触发小文件告警，并建议在表属性中设置目标文件大小；针对频繁更新或查询模式多变的表，评估并推荐从 Z-Ordering 迁移到 Liquid Clustering；对 Iceberg 场景建议使用原生分区转换替代手工日期字符串提取；对高基数字符串过滤慢查询，建议启用 Bloom Filter 索引；对慢 Spark SQL 查询，检查 SortMergeJoin 与 BroadcastHashJoin 并建议使用广播提示和 ANALYZE TABLE 统计。该技能以性能报告形式输出，包含健康评分、检测到的问题和推荐操作清单。
lakehouse-table-inspection
该技能为智能体提供发现数据湖资产、连接企业级元数据目录（Unity Catalog、AWS Glue、Polaris）以及检查 Delta Lake、Apache Iceberg、Apache Hudi 表的方法论。它强调在不进行重型计算的前提下获取深度元数据，通过轻量级 Python 库连接已配置的元数据目录，检索表结构（Schema）、分区布局与快照历史。技能涵盖目录连接（Iceberg 通过 REST/Polaris、Delta 通过 Unity Catalog 与 Databricks SDK）、时间旅行与表恢复（查询指定快照/版本、恢复表），以及输出结构化 Markdown 的 RAG 就绪元数据摘要。适用于需要快速了解数据湖表元数据、排查数据损坏或误删表、以及为其他智能体或人员提供可读元数据档案的场景。
performance-optimization
该技能为智能体提供数据湖仓（Lakehouse）性能瓶颈检测与优化建议能力，覆盖 Spark、Trino 和 Databricks 环境。它能识别小文件问题、分区不合理、查询优化机会缺失等常见性能退化场景，并给出可执行的调优建议，例如设置目标文件大小、使用 Liquid Clustering、Iceberg 隐藏分区、Bloom Filter 索引以及基于代价的优化器（CBO）统计信息收集等。技能以结构化性能报告形式输出，包含健康评分、检测到的问题和推荐操作清单。
table-inspection
该技能为智能体提供发现数据湖资产、连接企业级元数据目录（Unity Catalog、AWS Glue、Polaris）以及检查 Delta Lake、Apache Iceberg、Apache Hudi 表的方法论。它强调在不进行大量计算的前提下获取深度元数据，通过轻量级 Python 库连接已配置的元数据目录，检索表结构（schema）、分区布局和快照历史。技能涵盖目录连接（Iceberg 通过 REST/Polaris、Delta 通过 Unity Catalog 与 Databricks SDK）、时间旅行与表恢复（查询指定快照/版本、恢复表），以及输出结构化 Markdown 格式的元数据摘要，便于其他智能体或人工阅读。
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。该技能强调避免使用饼图、柱状图 Y 轴从 0 开始、限制颜色数量、使用洞察式标题等设计原则，并给出折线图、水平柱状图、KPI 卡片、热力图、深色模式图表等代码配方，以及常见错误清单。
average-order-value-trends
这是一个只读的 Shopify 管理技能，用于按可配置的时间桶（日、周、月）计算平均订单价值（AOV），并按新客户与回头客进行分组。它可以追踪 AOV 趋势，用于衡量追加销售计划、捆绑优惠或免运费门槛调整等举措带来的影响。技能只执行查询操作，不会修改任何数据。
customer-cohort-analysis
customer-cohort-analysis 是一款只读的 Shopify 客户群组分析技能，用于按顾客首次购买的月份分组，追踪每个群组在后续月份的回购率、订单量与收入表现。它依赖已认证的 Shopify CLI 会话，使用 read_customers 与 read_orders 两个权限范围，可指定分析的群组月数（默认 6 个月）与每个群组的追踪月数（默认 3 个月），并支持 human 或 json 两种输出格式。执行流程先查询群组窗口内获取的客户，再查询订单以构建每位客户的购买时间线，最后按首次订单月份归组，计算群组在 M+1、M+2、M+3 等月份的回购率与总收入，并输出 CSV 文件。该技能全程只读、不执行任何变更，适合用于衡量商家留存率、订阅或忠诚度计划的健康状况，并可结合客单价分层工具，将高回购群组的客户作为升级高等级会员的候选。
duplicate-sku-barcode-detector
这是一个只读的 Shopify 店铺数据检查工具，用于扫描所有商品变体并找出重复的 SKU 或条形码。重复的 SKU 会导致库存同步失败、订单分配错误和账目不符等问题。该技能不会对店铺数据做任何修改，可以随时安全运行。使用前需要已通过认证的 Shopify CLI 会话，并具备 read_products 读取权限。它支持按需选择检查 SKU、检查条形码或标记空白 SKU，并可输出人类可读报告或 JSON 格式。扫描结果还会生成 CSV 文件，方便后续在 Shopify 后台修正数据。