backend database expert
专注于数据库设计、SQL 优化和迁移策略的智能体技能，提供慢查询分析、索引策略、N+1 问题修复以及安全可控的 Schema 变更能力，推荐配合数据库顾问角色与 PostgreSQL/MySQL MCP 使用。
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
alembic
Alembic 是 SQLAlchemy 项目的数据库迁移工具，为数据库结构提供版本控制。支持自动生成迁移、升级与回滚、分支合并、数据迁移及 SQLite 批处理模式，可通过命令行或 Python API 调用。
using-jq
该技能用于编写、解释和调试 jq 程序，对 JSON 进行过滤、重塑、聚合、合并与格式转换。适用于用户要求解析、筛选、转换、查询 JSON 的场景。核心做法是在命令行管道中优先使用 jq 而非临时脚本，并重点规避那些会静默产生错误输出的常见陷阱。内容包括：使用新版本内置函数前先运行 jq --version 检查版本，并为 1.7/1.8 新增内置函数（如 pick、abs、trim、add(f)、skip 等）给出兼容旧版本的替代写法，说明 leaf_paths 在 1.7 被移除、应改用 paths(scalars)，以及 gh --jq 使用的是内置实现而非已安装的 jq。还给出多项注意事项：用 --arg 或 --argjson 传 shell 值而非拼接；// 默认值会替换 false；flatten(1) 与 [.[][]] 的区别；@csv/@tsv 只接受标量数组需先 tojson 并配合 -r；-r、-c、-e 的用途；用 -s 会把全部输入载入内存，大输入应改用 -n 与 inputs；超过 2^53 的整数会丢失精度，ID 应保留为字符串。另给出安全原地编辑文件的步骤：先写临时文件，再用 jq -se 校验其恰好包含一个预期类型的 JSON 值，通过后才替换原文件，失败则删除临时文件。
performance-db-setup
performance-db-setup 是一个用于为学生搭建 Meta 广告投放效果数据库的安装类技能，依赖 my-second-brain 创建的 vault 环境，通过复制 Lark Base 模板、填写自身经济数据、接入 Meta 令牌并配置每日同步来完成部署。
brightdata-cli
Bright Data CLI（brightdata / bdata）是 Bright Data 网页数据平台的命令行工具，可在终端完成网页抓取、搜索引擎查询、40+ 平台结构化数据提取、代理区域与预算管理，并自动处理反爬、验证码与 JavaScript 渲染。
binary-classification
面向表格数据二分类的 XGBoost 生产级建模技能，覆盖类别不平衡处理、阈值调优、概率校准与 SHAP 解释，并配合 ibis 取数与 MLflow 记录实验。
data-provider
data-provider 是 Parallax 生态中的数据供给技能：把关于现实世界的问题整理成 Parallax 可接受的表格，并在写入时把每个字段标注为 observed（观测）或 simulated（模拟）。它负责记录证据、校验哈希、生成 parallax propose 调用，搜索本身由使用者完成。
augur-graham
基于 brucelanlan/augur 的本杰明·格雷厄姆投资分析 Agent，强调深度价值、安全边际与烟蒂股策略。按 PE<15、PB<1.5、流动比>2 等量化条件核查，估算内在价值并计算安全边际，适用于低估、破净及周期底部标的分析。
aer-replication
面向 AEA 期刊（AER、AER:Insights、AEJ）投稿的复现包制作技能，帮助作者按 AEA 数据与代码可用性政策组装 deposit、撰写 README 并自审复现性检查。
aer-tables-figures
该技能用于在结果估计完成后、投稿AER或回复R&R时构建或修订回归表、描述统计表与图，强制遵循AER排版规范和“每个展示只呈现一个主张”的纪律，覆盖表格布局、显著性星号、标准误写法、图形规范与投稿前检查清单。
astrophysics-data-guide
该技能面向天文数据处理，基于 Astropy、FITS 文件与巡天档案，覆盖坐标变换、测光、光谱分析与星表交叉匹配。
codebook
根据数据集自动生成 Markdown 变量码本（codebook）的技能，支持 CSV、DTA、Excel、Parquet，输出变量类型与描述性统计，适合在记录和说明变量时使用。
econ-visualization
为经济学论文生成出版级图表的技能，提供统一学术风格、清晰坐标轴与图例，并支持高分辨率PDF或PNG导出。
econometrics-r
一个面向学术研究的 R 计量经济分析技能，围绕 data.table、fixest、modelsummary 等包提供面板数据、双重差分、工具变量、空间计量及因果机器学习等分析流程与出表绘图方法。
geopandas
GeoPandas 是 Python 地理空间数据处理库，在 pandas 基础上扩展 GeoDataFrame 与几何运算，支持空间连接、CRS 投影、地图可视化、空间自相关与 PySAL 生态，适用于地理数据读写、制图与空间统计。
hypothesis-generation
用于从实验观察或数据出发，系统化提出可检验科学假设的技能。支持文献检索、竞争性假设生成、质量评估、实验设计与可检验预测，并强制要求用科学示意图技能生成至少1-2张配图。
linearmodels
用于 Python 计量经济学的技能资料，聚焦 linearmodels 库的面板数据、工具变量/广义矩估计与系统回归建模。涵盖 PanelOLS（固定/随机效应）、BetweenOLS、FirstDifferenceOLS、Fama-MacBeth、IV2SLS/IVLIML/IVGMM、SUR、3SLS 及 Driscoll-Kraay 等标准误选择。
obsidian-bases
用于创建和编辑 Obsidian Bases（.base 文件）的技能，支持配置视图、过滤器、公式与汇总，把笔记组织成类似数据库的表格、卡片、列表或地图视图。
panel-data-analyst
该技能面向面板数据回归分析，覆盖固定效应与随机效应模型、动态面板模型（Arellano-Bond/Blundell-Bond GMM），以及模型选择与稳健性诊断测试。内容提供Stata与R两种实现口径下的系统化决策框架，涵盖面板结构声明、平衡性检查、Hausman检验、GMM诊断清单、标准误选择与出版物级结果表输出，帮助研究者处理不可观测异质性与内生性等问题。
plotly
Plotly 是 Python 交互式可视化库技能，涵盖 Plotly Express 与 Graph Objects，用于散点、折线、柱状、直方图、箱线、热力图、3D 与地理图表，支持子图、分面、样式定制及 HTML/图像导出。需要悬浮、缩放、平移等交互或网页图表时优先使用；空间分析与 GIS 制图建议用 geopandas。
polars
Polars 是一个面向 Python（及 Rust）的高性能 DataFrame 库技能文档，涵盖惰性/即时执行、表达式 API、CSV/Parquet/JSON/数据库 I/O、聚合、连接、字符串与日期时间操作、pandas/NumPy 互操作及性能优化，适合数据处理、从 pandas 迁移和优化数据管道。
regression-table
将回归估计输出整理为学术论文级回归表，含显著性星号、标准误与拟合统计量，适用于在 Notebook 中制作结果表。
stata-data-cleaning
该技能用于在 Stata 中清洗、转换和准备经济学研究数据集，强调可复现性、文档记录以及处理常见数据质量问题。它提供分步指导：先了解数据来源、观测单位和关键变量，再生成包含环境设置、原始数据检查、变量清洗、缺失值处理、派生变量创建、数据校验、变量标签和最终保存的 Stata do-file 模板。适用于清洗原始调查或行政数据、合并多数据源、处理缺失值、重复值和异常值、创建可供分析的面板数据集，以及为复现研究记录数据转换过程。要求 Stata 15+，并推荐安装 unique、mdesc、labutil 等用户命令。
chi-artifact-evaluation
针对 ACM CHI 论文的配套材料（产物）打包与评估技能：帮助把原型、研究工具、编码本、数据集、分析代码和视频等产物整理成可供匿名评审快速核查、并在录用后长期可复用的归档。