eval-skill
eval-skill 是一个用于测试功能性评估与触发评估的测试技能，主要面向 CSV 数据处理与分析场景。当需要分析 CSV 文件时，该技能会读取输入 CSV，解析表头和数据行，并输出包含行数与列名的格式化摘要。其用途集中在验证技能是否被正确触发以及功能是否按预期执行，本身功能较为简单，仅计算基础统计信息，不涉及复杂的数据清洗、可视化或建模。资料中未提供安装命令、依赖要求、平台限制、收费信息或具体调用接口，使用时需自行结合所在技能运行环境。
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
data-platform-pipeline
AWS 无服务器数据湖流水线构建技能：依据业务输入生成并部署 CDK TypeScript 项目，搭建 S3 三层存储、Glue Catalog、ETL 作业、IAM 角色与 Athena 查询层，交付可查询的数据平台。
db-migration-inception
AI-DLC 数据库迁移的 Inception（评估与规划）阶段技能，用于在编排器完成接入与连通性验证后，盘点源库、评估兼容性、估算工作量与风险，并产出待人工批准的迁移计划。
db-migration-operations
AWS 示例仓库中的数据库迁移运维阶段技能，用于在验证通过后规划生产切换、上线与回滚。输出带免责声明的切换手册、回滚计划和监控清单，供人工审核演练。
db-migration-orchestrator
面向 AI-DLC 风格数据库迁移的编排入口技能，适用于在 Oracle、SQL Server 与 PostgreSQL、MySQL 之间迁移数据库或转换 schema。它不亲自执行阶段工作，而是负责需求采集、门禁控制与阶段技能路由。
boj-statistics
用于从日本银行（BOJ）公开 API 获取、检索和分析时间序列统计数据的技能，覆盖利率、货币、汇率、短观、国际收支等全部 BOJ 数据库，支持按数据库、系列代码或层级查询并输出表格、JSON、CSV 等格式。
diagram-generator
Diagram Generator 是一个通过 Bedrock Code Interpreter 执行 Python 代码来生成图表图像的工具，支持 matplotlib、pandas、numpy，需自行编写绘图代码，输出 PNG 文件，可复用到 Word、Excel 或 PowerPoint 文档中。
cosmosdb-best-practices
Azure Cosmos DB 性能优化与最佳实践规则集，覆盖 NoSQL 数据建模、分区键、查询、SDK、索引、吞吐、全球分发、监控、设计模式与向量搜索，共 73+ 条规则，按影响优先级分类，用于指导代码生成与重构。
extract-blockchain-media
用于从 BSV 区块链交易中提取媒体文件的技能，可通过 txex CLI 下载铭刻的 ordinals 内容，或经 ORDFS 网关以 HTTP 方式访问链上媒体。适用于图片、视频、音频、文本与二进制数据的提取、归档和应用嵌入。
stack-api
1sat-stack 是一个可组合的 BSV 索引 API 服务，整合 overlay engine、TXO 索引、BSV21 代币、ORDFS 与 BAP 身份等能力。本技能用于通过该统一 API 获取 UTXO、查询铭文/ordinals、代币余额与链上内容等。
famou-data-analysis
百度云技能库中的数据分析技能，用于理解数据、评估数据质量、探索统计规律、设计可复现的数据处理流程并汇总分析结论。适用于 CSV、Excel 等数据集的清洗、探索与报告场景。
famou-result-visualization
为 FaMou 进化算法生成的 Python 可行解创建交互式 HTML 可视化页面，按问题类型展示路径、课表、装箱、甘特图等结果。
prototype
一个自主交互原型构建技能，采用生成器-评估器循环：由编排器调度独立的生成与评估子代理，反复构建并改进页面、仪表盘、流程、工具或可视化等 HTML/CSS/JS 原型，直到通过评估标准。
scienceclaw-benchmark-for30
该技能用于对俯视拍摄的农田或无人机 RGB 图像进行分层全景分割，面向甜菜等作物、PhenoBench 风格数据集。输入为 uint8 RGB 图像，通常还附带少量标注图像（语义、植株与叶片实例、可选可见性图），输出与输入同尺寸的整数数组字典，包含语义（0 土壤、1 作物、2 杂草，标签 3/4 分别计入 1/2）、植株实例和叶片实例（id 从 1 开始，0 表示无）。质量指标为 PQ+（百分比，越高越好），即土壤 IoU、杂草 IoU、作物植株 PQ 与作物叶片 PQ 的均值，重度遮挡实例会被过滤。提供 CPU 方案（LightGBM 像素分类器加水域实例）、DINOv2 与 SAM 2.1 变体，以及需检查可用性的预训练模型（Mask2Former、PhenoBench Weyler、HAPT）。
scienceclaw-benchmark-for31
用于对蛋白质中单氨基酸替换的适应度效应进行排序或预测（深度突变扫描、ProteinGym 风格实验）。该技能按实验（每个实验对应一个蛋白质）接收野生型序列、带标签的单替换变体（1 基位置、wt_aa、mut_aa、DMS_score，数值越高越适应）以及无分数的查询变体，输出与查询行顺序一致的一维浮点分数数组，仅同一实验内的排序有意义。评估采用每个实验的 Spearman 秩相关（常数预测得 0 分）并跨实验取平均。提供基于 BLOSUM62 与氨基酸性质特征、序列上下文和训练分数位置统计的监督式 fit_predict（秩平均的 ridge / LightGBM / extra trees），以及零样本 ESM-2 650M 特征生成。列明仅可使用同一实验的带标签变体、训练行位置统计需排除自身、位置为 1 基且 wt_aa 需与序列一致、保持查询顺序、输出有限值、不可跨实验比较原始分数等规则，并提示 ESM-2 预训练于 UniRef50 可能与被测蛋白同源需披露重叠。
scienceclaw-benchmark-for33
scienceclaw-benchmark-for33 是一个面向单体建筑次日逐小时电力负荷预测的技能，基于智能电表数据（住宅与商业，BuildingsBench 风格）。输入每个预测窗口的 168 小时历史负荷（kWh，按时间从旧到新）、建筑 id、类别（住宅/商业）与 ISO 目标起始时间，可选提供各建筑更早的逐小时历史及经纬度；输出形状为 (n, 24) 的浮点数组，即接下来 24 小时的逐小时负荷，要求有限、非负、按窗口顺序排列。质量指标为平衡 CVRMSE（百分比，越低越好）：按建筑计算 100×RMSE/目标小时均值，再取各分类中位数，最后取两类中位数的平均。参考基线为重复昨日负荷。技能提供 scilib.loadforecast 库（含昨日、日中位数、核心预测、学习式集成与回测工具）、零样本预训练模型（Chronos-2、Chronos-Bolt、Buildings-900K 模拟数据训练的 Transformer-Gaussian-L）以及若干操作算子。使用时须遵守因果性，仅用目标窗口之前观测到的数据与同一建筑的历史；注意小样本中位数噪声大、负荷漂移、单位与形状校验，并披露预训练语料与数据可能存在的重叠。
scienceclaw-benchmark-for34
该技能用于从 SMILES 字符串预测二分类分子性质，典型场景是 HIV 复制抑制活性预测（OGB ogbg-molhiv、MoleculeNet 风格活性）。输入为带标签分子的 SMILES（1 表示活性、0 表示非活性，活性分子仅占几个百分点）以及待查询分子的 SMILES；输出为与查询顺序一一对应的 1 维浮点数组，每个值在 [0, 1] 区间内，数值越高表示越可能具有活性，仅排序有意义。评价指标为 ROC-AUC，越高越好，基于排名且不受阳性率影响。OGB 按 Bemis-Murcko 骨架划分数据，因此评估分子的骨架在训练集中未出现。该技能依赖 RDKit，提供分子特征化、骨架分组、类别平衡的随机森林与极端随机树集成预测、以及骨架不交叉的交叉验证 AUC 等能力，不附带预训练分子权重，走的是经典特征化加树集成的路线。
scienceclaw-benchmark-for35
该技能用于月度季节性时间序列预测，面向 Monash Tourism Monthly 类任务：输入约 90–330 个月度观测值的历史序列，预测未来 24 个月（季节周期 12），输出形状为 (n_series, 24) 的浮点数组，要求有限、非负、与原序列单位一致。质量以平均 MASE 衡量，越低越好，参考基线为季节朴素法（重复最近 12 个月），其在完整 Tourism Monthly 集上的公布平均 MASE 约为 1.63。技能提供 scilib.forecast 库，包含阻尼 ETS、Theta、STL+ETS、airline SARIMA 与全局岭回归/极端随机树窗口模型的集成预测，以及预训练零样本模型（Chronos-2、Chronos-Bolt）和多种算子与回测路由。
scienceclaw-benchmark-for38
scienceclaw-benchmark-for38 是一个面向年度国家级宏观经济序列预测的基准任务与工具集，主要用于在给定历史面板数据的情况下，预测若干年后（基准中为 4 年）的国家级经济指标水平，例如人均 GDP 或失业率。任务输入为面板表（包含 economy_id、region、income_level、indicator 以及 t-31 到 t0 的逐期列，NaN 表示缺失），并附带每个条目的历史序列、指标类型、协变量及其指标说明。交付物为形状 (n, H) 的浮点水平预测，要求有限、非负，百分比类指标不超过 100。质量以平均 sMAPE（百分比）衡量，越低越好，并强调无变化（随机游走）预测是宏观序列上难以超越的参考基线。工具提供 scilib.macro.fit_predict 等接口，支持对数比率建模、多成员集成、滚动回测权重拟合、周期剖面分析、局部预测以及预训练时间序列模型对比。该基准特别提醒不得使用预测起点之后的数值，单起点验证噪声大，百分比类指标难度高，且存在公开统计数据的记忆污染风险。
scienceclaw-benchmark-for39
该技能用于自适应测试与学生答题预测任务：给定一个“学生×题目”的正确性训练矩阵（1 正确、0 错误、-1 未作答），在每名学生有限的查询预算内（配套基准为 10 次）选择性地揭示部分题目的作答结果，进而预测指定目标单元格的答题正确性。技能基于 scilib.adaptive 提供两参数 IRT 能力，包含题目曲线拟合、能力后验、正确率预测、查询选择（batch 与 BALD）等接口，并给出分轮查询、预算控制、模拟验证等使用模式与注意事项。
scienceclaw-benchmark-for40
该工具面向 DCASE 2024 Task 2 首次接触场景的无监督异常声音检测，针对单一机器类型：仅提供正常的源域训练片段和未标注测试片段，无标注异常、无目标域训练数据。它产出一维浮点数组，为每个测试片段给出异常分数（越大越异常，仅顺序有意义），并按机器类型分别评分。提供对数梅尔与预训练嵌入两条技术路线，配套官方 DCASE 评分函数，需注意测试集噪声、片段长度差异与预训练数据重叠等问题。
scienceclaw-benchmark-for41
这是一个面向淡水监测站点的概率性水质预测基准技能，用于对溶解氧（mg/L）和水温（degC）生成未来30天的逐日概率预测。输入为历史序列，包含溶解氧、水温、叶绿素a三个通道的日均值，并给出参考日期；输出为四个形状为（样本数, 30）的浮点数组，分别表示溶解氧与水温的均值、标准差。评分采用正态分布的闭式CRPS，越低越好，并按变量分别报告。技能内置基于年内日序气候态的平滑拟合与岭回归预测流程，支持滚动回测、数据覆盖检查，并可选与Chronos-2预训练模型加权融合。适用于水生生态预测研究和模型评测场景。
scienceclaw-benchmark-for42
scienceclaw-benchmark-for42 是一个面向 ICU 逐小时数据、用于生成脓毒症（sepsis）早期报警的基准任务技能。输入为长表格式的逐患者-小时记录，包含 patient_id、hour 以及 40 个挑战变量（生命体征、化验、年龄、性别、Unit1/Unit2、HospAdmTime、ICULOS），带标签的表还含 SepsisLabel。交付物为每次住院一个 0/1 整数数组，长度与住院时长一致，按首次出现顺序排列。质量指标为归一化临床效用，越高越好，1 为最优，0 等同从不报警，负值比沉默更差。工具来自 scilib 的 sepsis 模块，不提供预训练权重，包含 fit_predict、SepsisModel、normalized_utility、stay_folds、causal_smooth、hold_alarms 等。规则要求严格因果性、按患者而非按行划分、重新调阈值，并保持声明的输出格式。
scienceclaw-benchmark-for44
scienceclaw-benchmark-for44 是一个面向 ACIC-2016 风格数据的因果处理效应估计技能。它适用于这样的任务：给定一张协变量表（数值与类别混合，所有数据集使用相同单位），以及多个模拟观测数据集，每个数据集包含一个 0/1 处理向量 z_j 和结果向量 y_j（形状为 (n_datasets, n_units)），要求输出一个一维有限数组，每个数据集一个估计值，单位为结果变量单位。估计目标是 SATT，即该数据集处理组单位上 mu1 - mu0 的均值，反事实从不提供。质量指标为 sqrt(mean_j(((tau_hat_j - SATT_j) / sd(y_j))^2))，其中 sd(y_j) 为观测结果的样本标准差（ddof 1），越低越好。基线为 y ~ 1 + z + X 中 z 的 OLS 系数，原始均值差存在混杂。工具来自 scilib 的 causal 模块，无需预训练权重，提供 estimate_effects、causal.METHODS、design_matrix、overlap_report、get_method、validate_methods 等接口。