autoctx-hillclimb
autoctx-hillclimb 是 db-context-enrichment 中的一项技能，指导智能体基于评估结果对 ContextSet 执行爬山式迭代：先做差距分析，再应用结构化变更（变异），从而逐步改进上下文。
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
autoctx-init
用于 DB Data Agent 自动上下文生成的初始化技能：搭建 autoctx 工作区，创建 tools.yaml、state.md 和 experiments/ 目录，并配置或更新数据库连接。
auditing-data-models
该技能用于审计遗留数据模型，分析 Mongoose、Sequelize 等 ORM 模型，提取字段类型、校验规则、默认值、自定义方法与虚拟属性，并梳理实体之间的关系（一对多、多对多、内嵌文档）以及生命周期钩子（如 pre('save')、post('remove')）。最终产出 docs/legacy-audit/Data_Models.md 蓝图，用于将旧数据层反向工程为现代化、类型安全的数据访问层（例如 Zod + 原生 MongoDB），并识别数据完整性压力测试项，追加到 docs/verification/Verification_Plan.md。
generating-database-seeder
用于为 MongoDB 生成并执行数据库种子脚本的 AI 技能，基于 Zod schema 生成满足校验规则与关联完整性的示例数据，适用于需要全新数据进行隔离测试的场景；若沿用旧数据库则无需使用。
knowledge_catalog_governance
该技能让智能体充当数据治理专员，在推荐 BigQuery 表之前先通过 Knowledge Catalog 验证表的认证状态与数据分级，确保仅推荐符合治理要求的数据资产。
scaffolding-data-layer
依据 Google Cloud 示例库中的技能资料，该技能读取 Data_Models.md 审计产物，把遗留数据模型（如 Mongoose、Sequelize）转换为现代类型安全数据访问层，生成原生 MongoDB 客户端、Zod 校验模式与 TypeScript 类型，用于遗留系统现代化改造。
A5-count-up-reveal
A5-count-up-reveal 是一种动态图形场景原型，用于让大号数字从 0 滚动到目标值，可带前缀或后缀，属于典型的数据统计揭示节拍，由 count-up 效果组合而成。
sgds-components-footer
SGDS 页脚 Web 组件技能：用 sgds-footer 渲染新加坡政府标准站点页脚，包含 Contact、Feedback、Privacy、Terms of Use 等必备链接及可选站点栏目。
sgds-components-pagination
SGDS 分页组件（sgds-pagination）用于为长列表或数据表格提供分页导航控件，根据 dataLength、itemsPerPage、currentPage 自动计算页数并处理导航逻辑，支持多种外观变体与尺寸，需监听 sgds-page-change 事件更新数据。
sgds-components-table
SGDS 表格组件技能：用 <sgds-table> 展示结构化表格数据，支持行/列/双向表头、响应式横向滚动、表头背景与单元格边框等配置，数据以 JavaScript 属性数组传入。
bio-atac-seq-single-cell-atac
基于 Signac、ArchR、SnapATAC2 或 Cell Ranger ATAC 处理与分析单细胞 ATAC-seq 数据，覆盖 10X scATAC 与 10X Multiome（配对 RNA+ATAC）流程，含质控阈值、双细胞检测、降维聚类、peak calling 与细胞类型注释。
bio-causal-genomics-mendelian-randomization
基于 GWAS 汇总统计量，用遗传变异作为工具变量估计暴露对结局的因果效应，涵盖 IVW、MR-Egger、加权中位数、MR-PRESSO、CAUSE、MVMR、cis-MR 等方法及敏感性分析与偏倚校正。
bio-clinical-biostatistics-adaptive-designs
面向临床试验的自适应设计技能，覆盖成组序贯、样本量再估计、适应性富集与响应自适应随机化，提供 R 包（rpact、gsDesign、gsDesign2、adaptr、simtrial）用法与监管背景说明。
bio-clinical-biostatistics-bayesian-trials
面向贝叶斯临床试验设计的技能资料，覆盖I期剂量探索（BOIN、CRM、EWOC、mTPI-2）、MAP先验与稳健混合、EXNEX篮式试验、平台试验、安全性多重性层级模型及power prior外部对照借用，并附R包用法与监管要点。
bio-clinical-biostatistics-categorical-tests
用于临床分类变量关联检验的技能，涵盖卡方、Fisher精确、Boschloo、CMH、McNemar等检验，并给出按设计与样本量选择检验的决策树、效应量与置信区间建议。
bio-clinical-biostatistics-cdisc-data
用于读取、校验并准备 CDISC SDTM 与 ADaM 临床试验数据的技能，覆盖 SDTM 域（DM、AE、EX、VS、LB、DS 等）连接、ADaM 架构（ADSL、BDS、OCCDS、ADTTE）与 Define-XML 2.1 元数据要求，面向监管递交的数据处理与统计准备。
bio-clinical-biostatistics-effect-measures
该技能用于临床试验中的疗效效应量计算与解释，涵盖 OR、RR、RD、HR、NNT 等指标，并提供校准的置信区间方法（Wilson、Newcombe、Miettinen-Nurminen、MOVER 等），同时区分边际与条件估计量。
bio-clinical-biostatistics-multiplicity-graphical
面向确证性临床试验的多重性控制技能，基于闭合检验原理，覆盖Bretz-Maurer图形法、平行/串行/混合门控、Holm/Hochberg/Hommel及FDR方法，提供R gMCP、graphicalMCP、gatekeeping、multcomp与Python statsmodels的用法与场景决策。
bio-clinical-biostatistics-power-sample-size
面向临床试验的样本量与检验效能计算技能，覆盖连续、二分类与生存终点，以及优效、非劣效和等效设计，并区分δ与MCID、处理脱落、多重性与分层。
bio-clinical-biostatistics-subgroup-analysis
面向临床试验的亚组分析与异质性治疗效应（HTE）技能，涵盖Mantel-Haenszel合并、Breslow-Day、交互检验、STEPP、SIDES、因果森林、元学习器与贝叶斯收缩等方法，并强调确证性与探索性意图的区分及可信度评估。
bio-clinical-biostatistics-trial-reporting
面向临床试验统计报告的准备技能，依据 CONSORT 2025、SPIRIT 2025、ICH E9(R1) 估计目标框架与 FDA 2023 协变量调整指南，覆盖估计目标定义、MMRM、参考基准多重插补、缺失数据敏感性分析与基线表等。
bio-data-visualization-dimensionality-reduction-plots
面向高维组学数据的降维可视化技能，指导生成并解读 PCA、t-SNE、UMAP、PHATE 等投影图，强调各方法保留的信息不同，避免过度解读二维嵌入。
bio-data-visualization-distribution-plots
用于按组绘制连续数据分布图的技能，涵盖箱线图、小提琴图、蜂群图、拟随机抖动与雨云图，强调按每组样本量选择合适编码并标注 N，避免仅用均值柱状图掩盖分布形态。
bio-data-visualization-flow-and-transition-plots
用于构建桑基图、冲积图、河流图与 CONSORT 式流程图，可视化队列流转、细胞状态变化或流程过滤。涉及 ggalluvial、networkD3、plotly、consort、pySankey 等工具，并说明桑基图与冲积图的区别、适用场景及常见错误。