SuperAPI AI 工具集

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

huggingface-tokenizers

HuggingFace Tokenizers 是面向研究与生产环境的快速分词库,采用 Rust 核心实现并提供 Python/Node.js 绑定。官方资料显示其可在 20 秒内完成 1GB 文本的分词,比纯 Python 实现快 10–100 倍;支持 BPE、WordPiece、Unigram 三种分词算法,可用于加载预训练分词器、从零训练自定义分词器、批量编码与填充、对齐位置追踪,以及与 transformers 的 AutoTokenizer / PreTrainedTokenizerFast 集成。安装方式为 pip install tokenizers 或 pip install tokenizers transformers。

数据与分析1 次安装

tensorboard

TensorBoard 是 Google 提供的机器学习可视化工具包,用于可视化训练指标(如损失和准确率)、通过直方图与分布调试模型、对比多次实验、可视化模型计算图与架构、将嵌入投影到低维空间(t-SNE、PCA)、跟踪超参数实验、进行性能剖析定位瓶颈,以及在训练过程中可视化图像和文本。它支持 PyTorch 与 TensorFlow/Keras 集成,采用 Apache 2.0 许可。安装方式为 pip install tensorboard,启动命令为 tensorboard --logdir=runs,默认在 http://localhost:6006 访问。

数据与分析1 次安装

create-live-page

create-live-page 是一个用于生成 Kopai 实时页面的技能:该页面以 Claude 构件(artifact)形式存在,本身不保存数据,只保存查询;每位查看者打开页面时,页面会通过其自己账户上的 Kopai 连接器运行这些查询,从而展示 Kopai 遥测数据,并随着查看者停留而刷新。它覆盖连接器检查、指标发现、查询编写、真实响应校验、页面构建、错误状态提示和发布等流程,要求连接器名称必须精确为 Kopai,并区分实时页面与写入数值的静态证据页面。

数据与分析1 次安装

seo-performance-analysis

该技能用于把搜索可见性与自然落地页流量进行对比分析,基于外部提供的 Open Analytics 数据运行。使用前需定位已安装的 Open Analytics 运行时或项目检出目录;若不可用,应说明依赖缺失,而不是虚构工具调用。可通过 open-analytics discover 查看支持的数据集,并在明确客户端配置和全新私有输出目录的前提下运行 page-level-gsc-ga4-analysis 工作流,参数遵循 open-analytics run --help。解读前需查看 manifest.json 中的日期窗口、范围、筛选条件、时区和完整性,阅读 findings.json 的警告并将计算追溯至 normalized.json;不可用数据保持未知。来源标签或 UTM 本身不足以确立因果归因,应明确列出假设与所需后续证据,交付报告并说明局限性。当前运行时仅支持有限的首版工作流,缺失时不得暗示已计算收入、用户旅程或周环比对比;发布报告或更改跟踪需单独授权。

数据与分析1 次安装

seo-weekly-report

seo-weekly-report 是 Open Analytics 提供的 SEO 周报生成技能,用于基于 GSC(Google Search Console)、GA4 和可选的 Bing Webmaster Tools 数据,产出有证据链的 SEO 周报。它支持多种取数方式:GA4 可通过 Analytics MCP 读取,GSC 与 Bing 可通过浏览器登录态操作,也可使用 API 脚本或平台导出;不同来源可以混用,不要求客户目录存在 .env。Agent 按既定流程确认项目属性、页面范围与时区,逐项核对各来源的实际日期窗口、过滤条件与数据新鲜度,再依据报告模板生成 Markdown 周报,并附带 D0–D5 来源健康检查摘要。报告包含搜索点击、品牌/非品牌词拆分、GA4 渠道与落地页、Bing 数据、环比分析与下期动作建议。该技能明确不是实时看板、不是 Ads/社媒完整归因工具,也不是 GTM/GA4 安装教程;缺失维度或来源时按规则降级并标注,不编造数字。

数据与分析1 次安装

traffic-anomaly-investigation

这是一个用于调查 Open Analytics 中获客流量变化的技能,重点在于把观察到的数据变化与来源归因的假设区分开。它要求先定位本机安装的 Open Analytics 运行时或项目检出目录,缺失依赖时直说而不编造工具调用;随后用 open-analytics discover 查看支持的数据集,并以显式客户端配置和全新私有输出目录运行调查工作流。解读前需检查 manifest.json 中的日期窗口、范围、过滤条件、时区和完整性,读取 findings.json 的警告并追溯到 normalized.json 的计算过程。技能明确要求:不可用数据保持未知,单一来源标签或 UTM 不构成因果归因,需显式列出假设与所需后续证据,并在交付报告时说明局限性。运行时目前为有限的首版工作流,未计算的内容不得暗示已计算。

数据与分析1 次安装

uniprot-database

UniProt Database 是一个通过 REST API 直接访问 UniProt 的技能,用于蛋白质序列与功能信息的检索与分析。它支持按名称、基因、登录号或物种搜索蛋白质,以 FASTA 等格式获取序列,在 UniProt 与 Ensembl、RefSeq、PDB 等外部数据库之间进行 ID 映射,并访问 Swiss-Prot/TrEMBL 注释。该技能提供 Python 客户端脚本,封装搜索、单条获取、批量检索、ID 映射和流式下载等常用操作,适合生物信息学中的蛋白质查询与数据获取工作流。

数据与分析1 次安装

chroma

Chroma 是一个面向 AI 应用的开源嵌入(embedding)数据库,采用 Apache 2.0 许可,用于为 LLM 应用提供记忆能力。它支持存储嵌入向量与元数据,执行向量相似度搜索和全文搜索,并可按元数据过滤。提供 Python 与 JavaScript/TypeScript 客户端,默认使用 Sentence Transformers 生成嵌入,也可接入 OpenAI、HuggingFace 或自定义嵌入函数。支持内存模式与本地持久化,并可运行服务端模式供多用户使用。常用于构建 RAG(检索增强生成)应用、文档语义搜索和本地/自托管向量数据库场景。

数据与分析1 次安装

faiss

FAISS 是 Meta(Facebook)AI 研究团队开源的稠密向量相似度搜索与聚类库,使用 C++ 编写并提供 Python 绑定,可处理数十亿级向量。它支持多种索引类型(Flat 精确搜索、IVF 倒排文件、HNSW 图索引、PQ 乘积量化等),并提供 GPU 加速,适合对大规模向量数据集进行高吞吐、低延迟的纯向量相似度检索,以及嵌入向量的离线/批量处理。FAISS 本身不提供元数据过滤或完整数据库功能,若需要这些能力可考虑 Chroma、Pinecone、Weaviate 等替代方案。项目采用 MIT 许可证,GitHub 星标超过 31,700。

数据与分析1 次安装

instructor

Instructor 是一个用于从大语言模型(LLM)响应中提取结构化数据的 Python 库。它结合 Pydantic 模型定义输出结构,自动校验 LLM 返回结果,并在校验失败时把错误反馈给模型进行自动重试。它支持解析复杂 JSON、类型安全校验,以及流式返回部分结果,适合需要可靠结构化输出的数据提取、分类、多实体抽取和批量处理等任务。Instructor 提供 Anthropic、OpenAI 以及本地模型(如 Ollama)等多种提供商的统一 API,允许通过 Field、Enum、自定义验证器等方式约束输出内容。资料显示其在 GitHub 上拥有 15,000+ 星标,并被 100,000+ 开发者使用。安装通过 pip 完成,并可按提供商选择相应扩展。

数据与分析1 次安装