SuperAPI AI 工具集
合作ENAI 行业资讯收藏

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 10-19 00:11

数据与分析

16,561 个结果

signals-scout-ai-observability

Signals scout for PostHog AI observability 是一个面向 PostHog AI 可观测性的巡检技能/智能体，用于监测大语言模型（LLM）使用中的成本、延迟、错误、用量、评估表现、评估与富化配置、聚类以及工具调用等方面的回归变化。它只在变化达到置信门槛时提交报告，空跑（无发现）被视为正常结果，重复报告已知问题被视为比不报告更差。该技能直接通过报告通道（scout-emit-report / scout-edit-report）撰写报告，而非发布弱信号交由下游聚类，因此门槛相应较高：仅为已定位、已验证、可独立作为收件箱条目被人工处理的回归提交报告。它按“定向读取 → 透镜探索（趋势 → 尖峰 → 定位 → 采样）→ 深入分析 → 随手记忆 → 决策 → 收尾”的流程循环运行，并通过 scratchpad 记忆键前缀（pattern:、noise:、addressed:、dedupe:、report:、reviewer:）沉淀团队基线与已知噪声，随时间构建对团队健康基线的完整画像。

数据与分析144 次安装

signals-scout-data-pipelines

Signals scout 是 PostHog 数据管道（CDP 目标与转换、批量导出、hog flows）的监控侦察技能。它持续检查数据交付是否真正兑现承诺：目标函数是否被平台降级或自动禁用、批量导出是否失败或调度停滞、hog flow 是否对触发人群报错。核心判据是「配置为交付」与「实际交付」之间的背离——已启用却被 watcher 停止、活跃却持续失败、已调度却停滞，才是信号；草稿、归档、暂停、主动禁用属于操作者选择，不算异常。该技能通过报告通道直接撰写报告，要求本地化、已验证的交付矛盾，并维护 watchlist、噪声、去重等记忆条目。

数据与分析144 次安装

build-ml-pipeline

build-ml-pipeline 是 probabl-ai/skills 中用于构建机器学习流水线的技能（Skill）。它要求把从数据源到预测器的整条流水线声明为 skrub DataOps 图：无状态步骤使用 .skb.apply_func，有状态步骤使用 .skb.apply。在图建立后，再附加已锁定的切分器（splitter）和非默认评分（score）。该技能不负责拟合、调参、持久化，也不调用 skore.evaluate，这些留给后续环节。当需要编写或编辑从数据源到预测器的任何环节（加载器、预处理、特征、组合、最终估计器），包括该路径上的纯 Python 函数、步骤新增或重排、以裸 sklearn.Pipeline 作为顶层，或收到构建流水线、分类器、回归器的请求时触发。使用方式：在写下第一行声明式代码之前，以及每次结构性改动时，先阅读停止条件（Stops）并输出 Pre-flight，然后用 python -m skore_skills api get 确认新增名称。

数据与分析144 次安装

data-analyst

Data Analyst 是面向数据分析与商业智能场景的技能，专注于 SQL 查询、数据可视化、仪表盘设计以及将原始数据转化为可执行的业务洞察。资料显示其核心能力覆盖商业智能、SQL 与数据提取、数据可视化以及业务洞察四个方面，可用于创建或优化 Tableau、Power BI、Looker、Superset 等工具中的仪表盘，编写含窗口函数、CTE 和高级连接的复杂 SQL 查询，定义和标准化企业 KPI（如流失率、ARR、月活、转化率），进行队列分析、漏斗分析、留存分析，以及自动化报表工作流。该技能还提供了仪表盘设计与实现、漏斗分析、嵌入式分析等具体工作流示例，并总结了饼图滥用、在 BI 工具中放置复杂逻辑、指标定义不一致等反模式，以及涵盖视觉设计、数据完整性、性能和可用性的质量检查清单。适用场景包括商业智能仪表盘搭建、KPI 体系设计、用户行为分析与报表自动化。价格、平台限制等信息暂未提供。

数据与分析143 次安装