seo-seranking
SE Ranking AI 可见度分析扩展,通过 SE Ranking REST API 追踪品牌在 ChatGPT、Gemini、Perplexity、AI Overviews 与 AI Mode 中的 AI 声量份额(Share-of-Voice),并提供 SERP、外链与竞品分析命令。
找到适合任务的 Agent Skill,阅读介绍并复制安装命令。
更新于 11-21 00:15
258,960 个结果
SE Ranking AI 可见度分析扩展,通过 SE Ranking REST API 追踪品牌在 ChatGPT、Gemini、Perplexity、AI Overviews 与 AI Mode 中的 AI 声量份额(Share-of-Voice),并提供 SERP、外链与竞品分析命令。
mitm-find-bizlogic 是一个安全测试技能,用于分析 mitmproxy 抓包文件 log.txt,发现支付绕过、竞态条件、工作流滥用等业务逻辑漏洞。需先抓包生成 log.txt,再按模式检索与验证。
Barry 英文沟通方法论常驻 Q&A 教练技能,学员可随时调用,用于回答英文表达、翻译、商务用法、方法论概念及训练困惑等问题,并可按需把词条写入词汇库。
面向职场学员的翻译技巧独立训练技能,提供教练模式与快速模式:教练模式按 Filtering、脱壳、逻辑显化、重新表达、文化适配五步逐步引导,快速模式直接给翻译结果并逐步解释调整理由,脱壳深度随学员水平自适应。
一个用于技能库(iqrow/skills)的拆解方法论工具:像从业者那样把一个主题拆成部件,生成可浏览的交互式 3D 爆炸视图,帮读者从成品出发逐层拆开、发现原本想不到的问题。它要求先做调研汇总(8 个以上来源、每个专业领域和主题的权威书单、多个渠道的实践者声音),再按根节点、部件、控制项、反馈回路与模式、可选项目录、装配顺序、可视化与出处等步骤构建,并用脚本构建、校验与核查引用,最后可用于问答(teardown-lookup)、对照自有项目(teardown-apply)和整体评估(teardown-audit)。
React Native Guidelines 是一套面向跨平台移动开发的规则集,包含性能、布局、动画、图片、状态、架构与平台 7 个部分的 16 条规则,用于在代码生成和审查时规避 React Native 桥接架构与原生渲染管线的常见陷阱。
Workflow Orchestration 是一个可视化 AI 流程构建框架,支持 MCP 插件、条件分支、并行执行与错误恢复,用于把多步 AI 操作、数据转换和外部服务调用编排成可靠可重复的自动化流水线。
Bun 是 JavaScript/TypeScript 的一体化工具包,集运行时、包管理器、打包器和测试运行器于一体,内置 HTTP 服务、WebSocket、SQLite、S3、Redis 等能力,可直接运行 TS/JSX 无需构建步骤。
面向 CSS 开发的专家级技能,用于编写、调试现代 CSS,涵盖 flexbox、grid、容器查询、自定义属性、@layer、动画、响应式与性能优化等,并强调通过 context7 查询 MDN 等文档核实语法与浏览器兼容性。
面向《魔兽世界》正式服(截至 12.0.0)的插件结构指南技能,讲解文件夹布局、.toc 元数据、加载顺序、SavedVariables 以及 C_AddOns 元数据与加载 API,适合规划或审查插件目录、编写与审计 .toc、排查持久化问题。
content-seo 是 jdevalk/skills 提供的内容级 SEO 审核技能,用于检查博客草稿或页面文案能否赢得排名,覆盖搜索意图匹配、焦点关键词位置、E-E-A-T 信号、有用性与原创性、时效性以及内链与站点契合度。
JeecgBoot 代码生成技能,可将自然语言需求转换为 JeecgBoot 全套 CRUD 代码(后端 Java、前端 Vue3 或 UniApp3、菜单权限 SQL),并支持对已生成模块做增量字段修改。
本技能介绍如何为开发者设计并搭建交互式演练场(Playground)与演示环境,让开发者在正式采用产品前就能直接体验。内容涵盖演练场的设计原则(即时反馈、渐进复杂度、真实 API、零摩擦)、预置示例的选取策略、分享与嵌入方式、是否设置注册门槛及渐进式门槛策略、从演练场到注册的转化漏斗设计、客户端与服务端两种架构、安全隔离注意事项,以及编辑器、输出面板等 UX 组件和常用工具选型。适合希望降低开发者采用门槛、提升产品试用转化的团队参考。
用于审查并生成 GitHub Copilot 云智能体环境的 .github/workflows/copilot-setup-steps.yml 工作流,帮助目标仓库准备好供 Copilot 云智能体构建与验证改动。
Hypera 多集群 GitOps 基础设施的外部 URL 与端点速查技能,按环境整理应用地址、集群 API、Git 与 Helm 仓库、域名、证书、SMTP 等信息,并附健康检查命令与常见排错要点。
该技能用于在需求、plan 或实现代码明确后,把已落地的业务行为沉淀为 docs/spec/ 规范文档,帮助后续维护者理解最终行为、代码支撑、影响契约与当前边界。适用于总结模块、更新规格、整理实现口径、记录影响范围或 TODO 等场景。
AnnData 是一个用于处理带注释数据矩阵的 Python 包,将实验测量值(X)与观测元数据(obs)、变量元数据(var)以及多维注释(obsm、varm、obsp、varp、uns)一同存储。它最初为单细胞基因组学设计,通过 Scanpy 使用,现已成为通用的注释数据框架,适用于需要高效存储、操作和分析的各类注释数据。适用于创建、读写 AnnData 对象,处理 h5ad、zarr 等基因组数据格式,进行单细胞 RNA-seq 分析,管理稀疏矩阵或 backed 模式的大型数据集,拼接多个数据集或实验批次,以及对注释数据进行子集、过滤或转换,并与 scanpy、scvi-tools 等 scverse 生态工具集成。
BIDS(Brain Imaging Data Structure,脑影像数据结构)是一套面向神经科学与生物医学研究数据集的社区标准,用于统一组织、描述和共享数据。它规定了文件命名约定、目录层级和元数据模式,使数据集能够被人和软件工具直接理解。BIDS 最初面向 MRI,现已扩展到 11 种模态,涵盖影像(MRI、PET、显微镜)、电生理(EEG、MEG、iEEG、EMG)以及 NIRS、动作捕捉、行为数据、MR 波谱等。该标准由 BIDS 规范(当前 v1.11.x)维护,并被 OpenNeuro、DANDI 等数据仓库、NeuroImage 等期刊以及 NIH、ERC 等资助机构要求或强烈推荐。Python 生态以 PyBIDS 用于查询与索引,bids-validator 用于合规检查,HeuDiConv、dcm2bids、BIDScoin 用于 DICOM 转换。本技能适用于将原始神经科学数据整理为 BIDS 结构、按受试者/会话/任务/模态查询数据集、共享或提交前验证、DICOM 转 BIDS、编写 JSON sidecar 元数据、创建符合 BIDS 的衍生产物、配置 dataset_description.json、处理 BIDS 实体、配置 .bidsignore 以及为上传 OpenNeuro、DANDI 等仓库准备数据。
该技能用于准备和验证仅限研究用途的临床决策支持相关工件,包括评估、证据档案、队列、生存分析、生物标志物/模型、隐私与治理文档。它设有严格的安全边界:不得用于诊断或分类个人、推荐或调整治疗、计算患者剂量、分诊或警报、做出患者级临床决策,也不得用于床旁或实时临床操作。所有输出均为草稿,须经合格人员审核批准。技能提供无依赖的本地脚本,用于验证工件、检查 GRADE 证据档案、评估聚合模型/生物标志物、生成聚合队列表、验证生存分析计划、追踪决策逻辑及审查去标识化流程。数据门要求输入为合成或聚合数据,拒绝患者行级记录、标识符、自由文本、图像、波形或基因组序列,并保持源文件本地。
COBRApy 是一个用于代谢模型约束重建与分析(COBRA)的 Python 库,面向系统生物学研究。它支持加载、构建和导出基因组尺度代谢模型(SBML、JSON、YAML、MATLAB 格式),并提供通量平衡分析(FBA)、简约 FBA(pFBA)、几何 FBA、通量变异性分析(FVA)、通量采样、基因与反应敲除筛选、生产包络分析、生长培养基优化、缺口填补以及从零构建模型等能力。安装方式为 uv pip install "cobra==0.31.1",MATLAB 模型读写需额外安装 cobra[array]。求解器通过 optlang 管理,GLPK 随 swiglpk 自动安装,cobra 0.29+ 提供 hybrid 求解器。示例以 cobra 0.31.1 为目标版本,官方文档见 cobrapy.readthedocs.io,代码仓库为 opencobra/cobrapy。
ESM(Evolutionary Scale Modeling)是 EvolutionaryScale/Biohub 提供的蛋白质语言模型 Python SDK,用于理解、生成和设计蛋白质。该技能覆盖当前工作流:ESM3 用于生成式蛋白质设计(序列、结构、功能轨道及思维链生成),ESMC 用于表示学习与嵌入提取,Forge/Biohub 托管推理,以及 ESMFold2 全原子结构预测。支持本地开放权重与云端 API 两种使用方式,需 Python >=3.12,<3.13,可通过 PyPI 安装 esm==3.2.3。适用于蛋白质工程、药物发现与科学研究等场景。
Gtars 是一个面向基因组区间与参考序列处理的工具包,提供原生 Rust 实现、Python 绑定以及可选的 gtars 命令行二进制。它主要用于 BED RegionSet 的集合运算(如 reduce、setdiff、intersect、closest、cluster 等)、重叠计数与覆盖度计算、tokenizer 与 refget 参考序列存储等任务。该技能强调在调用上游代码前先明确数据契约、来源、资源边界与副作用,并附带本地校验与规划脚本。
该技能用于端到端分析 Neuropixels 高密度细胞外神经记录,基于 SpikeInterface 实现。覆盖从原始数据到可发表级单元(unit)的完整流程:加载 SpikeGLX、Open Ephys、NWB 数据,预处理(高通滤波、坏通道检测、相位校正、共参考),漂移/运动检测与校正,运行尖峰分选(Kilosort4、SpykingCircus2、Mountainsort5、Tridesclous2),计算质量指标(SNR、ISI 违规、存在比、幅度截断),以及基于阈值、模型(UnitRefine)或 AI 辅助的单元筛选,并支持导出到 Phy 或 NWB。技能附带可运行脚本与可编辑模板,直接构建在 SpikeInterface 之上,无需额外安装独立包。
Nextflow 是一种用于构建可复现、可移植、可扩展数据流水线的工作流语言与运行时,在生物信息学领域应用广泛,也适用于任何数据密集型计算。nf-core 是建立在 Nextflow 之上的社区项目,提供生产级流水线、可复用模块及配套工具。该技能覆盖运行与开发两类工作:既能运行 nf-core 或自定义 Nextflow 流水线、调试失败或续跑任务,也能编写和修改 .nf 脚本、nextflow.config、profiles、nextflow_schema.json,开发与测试 nf-core 风格的模块和子工作流,并配置执行器、容器与资源,扩展到 HPC 或云端。核心概念包括数据流编程(process 通过 channel 连接,执行顺序与并行度由数据依赖自动推断)、一次编写随处运行(通过配置与 profile 切换本地、HPC、云)、可复现性(每任务容器、-resume 缓存、固定流水线版本)以及 DSL2 语法。使用前需 Bash 与 Java 17 或更新版本,可通过官方脚本或 conda/bioconda 安装 Nextflow,并用 uv pip 或 conda 安装 nf-core 工具。