managing-database-sharding
该技能用于协助管理数据库分片策略，在需要将数据水平拆分到多个数据库实例、突破单机容量或分散写入负载时启用。它会分析应用的数据模型与访问模式，给出分片键与分片策略（如范围分片、哈希分片）建议，并生成包含库表结构调整、数据迁移和跨分片查询协调的实施规划。
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
modeling-nosql-data
该技能让 Claude 具备设计 NoSQL 数据模型的能力，适用于 NoSQL 数据库设计、表结构创建、反范式化策略与查询优化等场景，覆盖文档型和键值型数据库。它会先识别目标数据库类型（如 MongoDB、DynamoDB），分析数据实体、属性与关系，再结合内嵌与引用、访问模式等因素设计数据模型，并给出 Schema 或表结构建议。还可用于优化现有模型、把关系型模型迁移到 NoSQL、选择分片键，以及生成 MongoDB 或 DynamoDB 的 Schema 定义。
optimizing-database-connection-pooling
该技能用于帮助 Claude 生成和配置数据库连接池，以提升应用性能与资源利用率。它会根据用户请求识别目标数据库、编程语言和性能目标，生成连接池配置（如最小与最大池大小、连接超时等），并协助设置连接使用率、等待时间、错误率等关键指标的监控。适用于实现数据库连接池、优化现有连接池配置、排查连接相关性能问题，例如在 Python 中为 PostgreSQL 实现连接池，或用 HikariCP 优化 Java 应用的连接等待时间。技能还会给出连接超时、池大小调整、连接有效性校验等实践建议，并可与其他数据库管理、代码生成和性能监控插件配合使用。具体支持的数据库与语言范围、安装方式及配置细节暂未提供。
optimizing-deep-learning-models
该技能用于优化深度学习模型，当用户提出提升模型性能（如准确率、训练时间、资源消耗、学习率等）的需求时触发。它会分析模型的架构、训练数据与性能指标，识别可用的优化策略（如调整学习率、应用正则化、修改优化器），生成实现这些策略的优化代码，并评估优化后的准确率、训练时间和资源消耗等指标。技能还可与其他提供模型构建和数据预处理能力的插件集成，并可与监控工具配合跟踪优化后模型的表现。
optimizing-sql-queries
该技能用于分析并优化 SQL 查询，以提升数据库性能。它会根据用户提供的 SQL 查询识别潜在瓶颈，给出索引创建建议和查询改写建议，并可借助 sql-query-optimizer 插件输出可执行的优化方案。适用于慢查询优化、索引缺失或未使用排查，以及数据库应用性能改进。使用时建议提供完整 SQL；如果附上 EXPLAIN 输出，分析会更准确；所有建议应先在预发布环境验证，再应用到生产环境。
performing-regression-analysis
该技能让 Claude 借助 regression-analysis-tool 插件对数据集执行回归分析与建模。它会分析数据结构、识别变量之间的关系，生成合适的回归模型（如线性、多项式），对模型进行验证，并报告 R-squared、RMSE 等性能指标。适用于预测、趋势分析和模型效果评估等场景。使用前需保证数据整洁并完成预处理。具体安装方式与运行命令暂未提供。
preprocessing-data-with-automated-pipelines
这是一个让 Claude 自动构建并执行数据预处理流水线的技能，用于清洗、转换和校验数据，为机器学习任务准备高质量数据。它会先分析用户的数据预处理需求，再生成用于自动化预处理的 Python 代码，执行代码后提供质量报告与性能指标。适用于原始数据建模准备、清洗与转换自动化、ETL 流水线搭建等场景。
running-clustering-algorithms
该技能让 Claude 在用户数据集上执行聚类算法，用于识别数据中的分组与结构。它根据用户请求确定数据集、聚类算法和具体要求，生成使用 scikit-learn 等机器学习库的 Python 代码，完成数据加载、预处理、算法执行与结果可视化，并输出聚类分配、轮廓系数、Davies-Bouldin 指数等性能指标以及散点图等图表。适用于客户分群、数据探索性聚类分析、K-means、DBSCAN 与层次聚类等场景。资料建议在聚类前进行缩放或归一化等预处理，根据数据结构选择合适的算法，并调优簇数、epsilon、min_samples 等参数。
setting-up-experiment-tracking
该技能用于自动化搭建机器学习实验追踪环境，支持 MLflow 或 Weights & Biases（W&B）。它会分析项目上下文，以确定合适的实验追踪工具；安装必要的 Python 包并配置环境变量；初始化所选工具（例如启动本地 MLflow 服务或连接 W&B 项目）；并提供记录参数、指标和产物的示例代码。适用于在新项目或已有机器学习项目中快速接入实验追踪、统一记录实验数据，也可与生成或修改机器学习代码的其他技能配合使用。资料未提供具体平台限制、价格和更多实现细节。
splitting-datasets
该技能让 Claude 将数据集按指定比例切分为训练集、验证集和测试集，便于机器学习建模前的数据准备与模型评估。它会分析用户请求，生成使用标准机器学习库的 Python 代码，并执行切分，输出对应的数据文件，例如按 70/15/15 或 80/20 比例划分 CSV 数据集。适合在建模前准备数据、划分评估集，以及为交叉验证或性能评估准备数据；资料也提示要关注数据完整性、类别分层和随机化等实践要点。具体支持的库版本、异常处理与参数细节暂未提供。
training-machine-learning-models
该技能为 Claude 提供自动化机器学习模型训练能力：分析给定数据集、识别目标变量并判断任务类型（分类、回归等），选择合适模型并以交叉验证方式训练，输出准确率、精确率、召回率、MSE、R² 等性能指标，最后保存训练好的模型工件供后续使用。适用于客户流失预测、房价预测等场景。使用前需保证数据清洁规范，可结合特征工程与超参数调优提升效果，并可与数据分析工具和模型部署工具配合。
tuning-hyperparameters
该技能让 Claude 使用网格搜索、随机搜索或贝叶斯优化来调优机器学习模型的超参数，并自动生成和执行 Python 代码，以搜索最优超参数组合。
validating-database-integrity
该技能借助 data-validation-engine 插件为数据库与应用提供数据完整性校验，可自动校验数据类型、范围、格式与引用约束，并在数据库模式或应用逻辑中生成并施加相应规则，最后验证规则是否生效。适用于新建数据库模式的数据校验、为现有表补充完整性约束、以及在应用输入端拦截非法数据。示例包括把 users.age 限定为整数、用正则校验 customers.email 的邮箱格式。使用时由 Claude 分析校验需求，再调用插件实施并确认结果；资料未提供具体安装命令、支持范围与限制细节。
sql-correctness
Databricks SQL 正确性评估标准（技能），用于审查智能体轨迹中的 execute_sql 调用或响应内 SQL，覆盖 Unity Catalog 命名、现代 DDL、工具选择、Databricks SQL 特性、语法有效性与安全性。
pii-management
pii-management 是 databricks-solutions/genie-code-skills-demo 中的一个技能，用于在 SDP（Spark Declarative Pipelines）管道表中识别、标注并分层保护个人身份信息（PII）。它提供列名检测规则、表级属性与注释标注要求、SQL 内联注释写法，以及 bronze/silver/gold 三层的数据处理原则，并引导查阅 masking-templates.md 获取各层 SQL 与 Unity Catalog 脱敏函数示例。
sdp-basics
sdp-basics 是一份面向 Spark Declarative Pipelines（SDP）的建表规范技能，要求在创建或修改表时遵循表命名、注释、表属性等基础最佳实践。它规定 SDP 管道应始终使用 SQL 构建而非 Python；所有表名必须采用小写蛇形命名并带层级前缀（bronze_、silver_、gold_）；需根据数据来源选择 STREAMING TABLE 或 MATERIALIZED VIEW，并避免使用已弃用的 CREATE OR REFRESH LIVE TABLE 与 LIVE. 虚拟模式。每张表必须带 COMMENT 说明用途，并在 TBLPROPERTIES 中至少设置 quality（已知领域时附 domain），且不得设置 owner 键。表需在 SELECT 末尾包含两个审计列，Silver 表需包含 data_quality_flag 列；Bronze 仅用 WHERE 过滤，Silver 用 CONSTRAINT 约束并区分关键字段失败更新、非关键字段丢弃行，Gold 一般不设约束。此外还涵盖 SQL 关键字大写、列组织顺序、STREAMING TABLE 加 CLUSTER BY AUTO、显式 JOIN 和使用 STREAM 读取流式源等格式与编码要求。
sentiment-analysis
该技能用于在 Databricks SDP（Spark Declarative Pipelines）中构建情感分析数据集，借助内置 AI 函数把自由文本转换为结构化列。通过 ai_analyze_sentiment 生成 positive、negative、neutral、mixed 四类情感标签，配合 ai_classify 做主题分类、ai_extract 抽取实体、ai_summarize 生成摘要，必要时用 ai_translate 做多语言归一。技能规定了分层规则：Bronze 仅落地原始文本与标识，Silver 使用 MATERIALIZED VIEW 调用 AI 函数并按数据质量打标，Gold 只保留聚合结果。同时给出成本护栏（预过滤、物化、开发期抽样）、约束条款与 PII 处理要求。
table-governance
这是一个用于统一数据表与字段文档规范的数据治理技能，适用于 Databricks 环境下的建表与改表流程。它强制为每张表添加 COMMENT 说明、TBLPROPERTIES 属性、关键字段描述，以及针对含个人信息（PII）表的标记与标签，并给出 Bronze、Silver、Gold 分层表的注释模板和治理检查清单，帮助团队在创建或修改表时保持一致的数据资产文档与可发现性。
databricks-aibi-dashboards
用于创建 Databricks AI/BI（原 Lakeview）仪表板的技能，强调部署前必须通过 execute_sql 测试所有 SQL 查询，并提供数据集、组件、布局、筛选器与版本等严格规范。
databricks-asset-bundles
用于创建和配置 Databricks Asset Bundles（DABs）的技能，支持 dev/staging/prod 多环境部署，涵盖 databricks.yml 主配置、资源定义与常用 CLI 命令。
databricks-config
用于管理 Databricks 工作区连接的技能：查看当前连接的工作区、列出可用工作区、切换工作区或登录认证新工作区，统一通过 manage_workspace MCP 工具完成。
databricks-dbsql
Databricks SQL（DBSQL）高级特性技能，覆盖 SQL 脚本、存储过程、物化视图、Pipe 语法、AI 函数、地理空间与排序规则等，提供快速参考、常见模式与详细参考文件，用于在 Databricks 上编写和调优 SQL 仓库查询。
databricks-genie
Databricks Genie 技能用于创建和查询 Databricks Genie Spaces，通过自然语言对 Unity Catalog 中的结构化数据做 SQL 探索。适合搭建对话式数据探索空间，或用 Conversation API 以编程方式提问。
databricks-iceberg
Databricks 上的 Apache Iceberg 使用指南，涵盖托管 Iceberg 表、UniForm 外部读取、兼容模式、Iceberg REST Catalog 与 Iceberg v3，并给出建表、启用 UniForm 及外部引擎互操作要点。