Skills
收录 97,222 个为 Agent 打包的专项能力与操作指引，复制一行命令即可安装。
数据与数据库
流水线前置聚合器，扫描 AI Agent 缓存目录（.claude、.cursor、.antigravity、.openclaw）或用户指定的任意目录，查找实验日志，提取洞察与数值结果，并格式化为 PaperOrchestra 可用的输入（idea.md + experimental_log.md）。触发条件：用户说 "aggregate my agent logs for paper writing"、"extract experiments from my coding agent history"、"prepare PaperOrchestra inputs from my cache"、"turn my agent logs into a paper"，或提到想作为论文基础的文件夹或目录，或想运行 PaperOrchestra 但只有零散的 Agent 实验记录而非结构化输入。请在 paper-orchestra 之前运行本技能。当 workspace/inputs/idea.md 或 workspace/inputs/experimental_log.md 缺失时，paper-orchestra 也会自动调用它。
将结果报告透明度作为纪律关卡强制执行，其基础是铁律"NO RESULTS CLAIM WITHOUT REPORTING EVERY ANALYSIS RUN"——一个编号的 Gate Function（IDENTIFY 声明，LIST 实际运行过的每一项检验，包括那些没有 "work" 的，CHECK 是否报告了假设，CHECK 是否给出了 95% CI 的效应量，CHECK 是否披露了预注册偏差，ONLY THEN 写出这句话），外加一张 Excuse-vs-Reality 表和一份针对选择性报告、挑拣数据和裸 p 值的 Red-Flags-STOP 清单。适用于撰写 Results、从一个子集分析中宣称发现、报告没有效应量或置信区间的 p 值、事后剔除离群值，或省略未成功的分析时。协调 alterlab-statistical-analysis（检验、效应量）、alterlab-preregistration-discipline（冻结的方案）和 alterlab-open-science（TOP、披露）；它本身不运行检验。AlterLab Academic Skills 套件的一部分。
使用 salmon 2.x（Rust 重写版；选择性比对或 --sketch）和 kallisto（v0.52.0，kb-python 工作流）定量 bulk RNA-seq 转录本丰度，构建 decoy-aware gentrome 索引，以 --gcBias -l A 运行 quant，然后通过 tximport/tximeta 结合 tx2gene 映射导入估计值，并将差异表达交给 alterlab-pydeseq2。提示：salmon 2.0 无法读取 C++/pufferfish 索引（每个索引都需重建）、--validateMappings 现在被接受但会被忽略、'salmon alevin' 已被移除（单细胞现在使用 piscem + alevin-fry）。适用于定量 RNA-seq 转录本丰度、运行 salmon 或 kallisto、构建 decoy-aware 索引，或将 tximport 接入 DESeq2；差异表达请使用 alterlab-pydeseq2，FASTQ 到 VCF 的变异检测请使用 alterlab-nf-core-sarek。AlterLab Academic Skills 套件的一部分。
在编写或审查本仓库中调用 Deepgram 音频分析叠加功能（位于 `/v1/listen`）的 JavaScript/TypeScript 时使用——summarize、topics、intents、sentiment、diarize、redact、detect_language 和实体检测。与普通 STT 使用相同的端点，但参数不同。涵盖通过 `client.listen.v1.media.transcribeUrl` / `transcribeFile` 的 REST，以及 `client.listen.v1.createConnection()` / `connect()` 上 WebSocket 支持的子集。普通转写请使用 `deepgram-js-speech-to-text`，已转写文本的分析请使用 `deepgram-js-text-intelligence`。触发词包括 "audio intelligence"、"summarize audio"、"diarize"、"sentiment from audio"、"redact PII" 和 "detect language audio"。
StreamSets Data Collector 引擎与 StreamSets 环境的参考——StreamSets 环境配置、StreamSets 引擎部署（Docker/Podman）、StreamSets 作业执行、StreamSets 引擎通信方式（tunneling/direct）、StreamSets 高可用与故障转移、StreamSets 监控与资源管理。仅当用户明确提到 StreamSets、Data Collector 或 StreamSets 特定问题时使用。
使用本技能进行智能文档处理与内容提取，基于 LandingAI 的 Agentic Document Extraction (ADE)。当用户需要以下操作时触发：(1) 在理解版面的前提下将文档（PDF、图像、电子表格、演示文稿）解析为结构化 Markdown；(2) 使用 schema 从文档中提取特定的结构化数据（发票字段、表单数据、表格数据等）；(3) 按类型对多文档批次进行分类与分离（发票与收据、对账单与表单等）；(4) 异步处理大型文档（最高 1GB/1000 页）；(5) 为提取的内容获取视觉定位（边界框、页码）——当用户提到边界框、单词位置、定位、高亮提取内容，或展示数据在文档中出现的位置时使用。当任务涉及理解一批文档的内容时使用本技能。本技能尤其可以帮助你编写可在一批文档上运行的代码。由于可以用单个脚本提取所需信息，这将提高速度，并降低将文档加载到 Agent 上下文窗口的成本。
使用 Aurora DSQL 构建——管理 schema、执行查询、处理迁移、诊断查询计划、诊断集群性能、加载数据，并基于无服务器分布式 SQL 数据库开发应用。涵盖 IAM 认证、多租户模式、MySQL 到 DSQL 和 PostgreSQL 到 DSQL 的 schema 转换、外键约束、OCC 重试模式、ORM 迁移（Django/EF Core/Hibernate/Rails/SQLAlchemy）、DDL 操作、查询计划可解释性、通过 CloudWatch AAS 进行系统诊断、SQL 兼容性校验以及批量数据加载。在回答 DSQL 限制或错误码问题前先加载；它包含官方文档未提及的限制。触发短语如：DSQL、Aurora DSQL、distributed SQL database、serverless PostgreSQL-compatible database、migrate to DSQL、DSQL query plan、DSQL EXPLAIN ANALYZE、DSQL ENUM、DSQL foreign key、DSQL OCC retry、DSQL multi-region、DSQL JSONB、DSQL GIN index、load into DSQL、load CSV into DSQL、bulk load DSQL、aurora-dsql-loader、DSQL slow、DSQL performance、DSQL wait events、DSQL AAS。
在当次会话中执行一个有界的研究实验分支，带有 ponytail-for-experiments 的品味。在明确要求时使用，或用于一批配置已知的连贯运行（一种方法 × 一个数据集 × 一个预算，或战役中的一个消融分支）。先检查该分支是否已被剪枝或已有结论，只追问未解决的配置决策，预先检查环境与资源，按项目惯例运行，并把指标以最终图表可直接使用的形式落入共享表格。当想法仍模糊、需要讨论时优先用 exp-discuss；当工作需要在分支间分阶段剪枝时优先用 exp-campaign；一次性抽查优先用 exp-probe。
为研究者的想法、假设或优化方向设计一个分阶段、可剪枝的研究实验战役，带有 ponytail-for-experiments 的品味。在明确要求时使用，或当研究者提出的方向需要大量实验、消融分支或跨因子扫描时使用。观察已有结果，追问研究者以达成共识，穷举最大实验空间，然后用廉价的探针实验对其剪枝，由探针结果决定哪些单元永不运行；交付带观察门控的决策树方案以及最终指标/图设计，并按阶段把执行交给 exp-batch。对于单个有界实验分支，使用 exp-batch；对于一次性的抽查，使用 exp-probe。
传统 Python 计量经济栈中的经典端到端实证分析工作流——pandas + numpy + scipy + statsmodels + linearmodels + pyfixest + rdrobust + econml + causalml + matplotlib/seaborn。**默认采用经济学实证论文风格**（AER / QJE / AEJ）——每次运行都产出一套可直接发表的输出，以多列回归表（M1→M6 渐进控制/固定效应）为核心，另有表 1（描述性统计）、机制/异质性/稳健性表，以及事件研究 + 系数 + 趋势图。涵盖应用经济学家或定量社会科学研究者每篇论文都会执行的全套 8 步流程——(1) 数据清洗，(2) 变量构建与变换，(3) 描述性统计与表 1，(4) 统计诊断检验，(5) 基线实证建模，(6) 稳健性检验组，(7) 进一步分析（机制、异质性、中介、调节），(8) 可发表的表与图。**还涵盖共享同一 8 步框架的两种并行领域模式**——**模式 A ——流行病学/公共卫生**（通过 `zepid`/手工 `pandas` 进行目标试验模拟，通过 `zepid`/`econml`/`lifelines` 实现 IPTW + g-formula + TMLE 双重稳健三件套，通过 `pymr`/`mrtool`（或 `rpy2` → `MendelianRandomization`/`TwoSampleMR`）进行孟德尔随机化，通过 `lifelines` 进行 KM/AFT/Cox 生存分析，E 值敏感性分析，主分层——STROBE/TRIPOD 报告），以及**模式 B ——机器学习因果推断**（通过 `econml.dml`/`doubleml` 实现 DML，通过 `econml.metalearners`/`causalml` 实现 S/T/X/R/DR 元学习器，通过 `econml.grf`/`causalml` 实现因果森林，通过 `causalml` 实现 Dragonnet/TARNet/CEVAE 神经因果，通过 `pymc-bart`/`bcf-py` 实现 BCF，矩阵补全，通过 `econml.policy`/`policytree-py` 实现 CATE 分布 + 策略树，离策略评估，通过 `mapie` 实现保形因果，通过 `fairlearn` 实现公平性审计，通过 `causal-learn`/`cdt`/LLM 辅助进行 DAG 学习）。规定每一步该选用哪个库，展示规范代码，并链接到更深入的 `references/` 文件以了解变体特定模式。在用户要求在 Python 中进行**完整实证分析**、想从零复现一篇应用经济学论文、需要一个不对任何单一垂直包持有偏见的可复现工作流（与 StatsPAI 对比）、希望对每个估计量和诊断拥有明确控制，或询问 "how do I write a full empirical pipeline in Python?" 时使用。当用户单独提到某个经典步骤时也会触发——"winsorize at 1/99%"、"run Breusch-Pagan"、"build a Table 1 balance table"、"do a placebo test"、"event study plot"、"mediation analysis"——并希望将其接入更广泛的工作流。模式 A 在 "target trial emulation"、"IPTW"、"TMLE"、"Mendelian randomization"、"STROBE"、"公共健康"、"流行病学" 时触发。模式 B 在 "DML"、"double machine learning"、"causal forest"、"meta-learner"、"Dragonnet"、"BCF"、"policy tree"、"conformal causal"、"fairness audit"、"因果机器学习" 时触发。
一个开放协议，规定了 AI 应用如何以统一方式连接外部工具与数据源。客户端负责与模型对话，MCP 服务负责提供工具、资源和提示模板，两者通过标准消息通信，同一个服务可以被不同客户端复用。