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
Huawei Cloud DDS（Document Database Service）与 DCS（Distributed Cache Service）统一管理技能。提供横跨五大能力域的 16 项操作：(1) 查询 — 列出/获取 DDS/DCS 实例、DCS 节点信息、DCS 自定义模板；(2) 分析 — 分析 DDS 部署架构与 DCS 安全态势；(3) DDS 管理 — 创建实例、添加只读/分片节点、创建备份、删除实例；(4) DCS 管理 — 创建实例、创建自定义模板、删除实例、重启实例；(5) 多模式执行，使用 hcloud CLI 执行可用操作，并以 huaweicloudsdk Python SDK 作为回退。通过 AK/SK 环境变量或 hcloud profile 进行认证。所有变更操作都需要用户明确确认。触发词包括："DDS"、"DCS"、"文档数据库"、"分布式缓存"、"数据库实例"、"缓存实例"、"MongoDB"、"Redis"、"Memcached"、"DDS实例"、"DCS实例"、"数据库运维"、"缓存运维"、"文档数据库查询"、"分布式缓存查询"、"DDS管理"、"DCS管理"、"缓存节点"、"自定义模板"、"document database"、"distributed cache"、"DDS instances"、"DCS instances"、"MongoDB cluster"、"Redis cache"、"dds-dcs"。
Node.js Redis 客户端 ioredis v5 参考 — 连接配置、RedisOptions、管道、事务、Pub/Sub、Lua 脚本、Cluster 和 Sentinel。适用场景：(1) 创建或配置 Redis 连接（单机、集群、哨兵），(2) 使用 ioredis 编写 Redis 命令（get/set、管道、multi/exec），(3) 设置 Pub/Sub 或 Streams，(4) 配置 retryStrategy、TLS 或自动管道，(5) 使用 Redis Cluster 选项（scaleReads、NAT 映射），或 (6) 调试 ioredis 连接问题。重要：在 NodeNext 下使用具名导入 `import { Redis } from 'ioredis'` 以获得正确的 TypeScript 类型。
Light 科研主线第 5 步·研究方案与实验设计：把 idea-critique 放行的 idea 与 data feasibility 拆成能真执行、能写进论文、能复现的 question/estimand、实验矩阵与预注册包。何时用：idea 已通过审查要落地 / 要设计实验·消融·对比·敏感性·泛化·鲁棒性 / 写研究方案 PROJECT_PLAN / 锁 primary outcome、排除/停止规则或 preregistration / 规划样本量、种子与统计功效 / 算实验算力预算 / 复现已有论文 / 担心 baseline 放水或假设推不翻。触发词：研究方案 / 实验设计 / 实验矩阵 / 假设 / 对照 baseline / 消融 ablation / 公平比较 / 可证伪 / 统计功效 power / 多少种子 / 复现 / reproducibility / research plan / experiment design / 可复现。核心纪律：对照不公平（baseline 放水）/不可证伪 = critical 一票否决（spec §4.2，STAGE_GATES[5]=[fair_baseline,falsifiable]）；消融不隔离/欠功效 = warn；功效是计划阶段反推非结果检验；lint 是启发式有边界，公平/可证伪终判仍需人/领域判断，绝不吹“证明了对照绝对公平”。
Light 科研主线第 7 步·结果分析：不描述好坏、解释「为什么」，把每条结论绑死到 claim + 证据强度，并防 p-hacking。何时用：实验跑完要解读结果 / 问「这些数说明什么」/ 要做显著性检验 + 效应量 + 置信区间 + 多重比较校正 / 担心 p-hacking（多重比较不校正、选择性报告、HARKing）/ 要给每条 claim 定证据强度供写作校准措辞 / 判结果支不支撑假设、可不可复现。触发词：结果分析 / 解读数据 / 这些结果说明什么 / 显著性 / p 值 / 效应量 effect size / Cohen's d / 置信区间 CI / 多重比较 / BH-FDR / Bonferroni / 校正 / p-hacking / 选择性报告 / garden of forking paths / HARKing / 证据强度 / claim 证据绑定 / SHAP / 消融分析 / 切片分析 / 配对检验 / result analysis。核心纪律：统计错误 / p-hacking = critical（spec §4.2，STAGE_GATES[7]=[stat_validity,evidence_strength]）；过度解读 / 效应量缺失 = warn；显著性看 q 不看 p、不显著只能报「未见显著差异」、措辞强度必须匹配证据强度；统计检查有边界，绝不吹「证明了方法有效 / 因果成立」。本技能是 7→5（不支撑假设）/ 7→6（不可复现）回炉发起方。
当用户要求调优超参数、运行扫描、优化搜索空间或使用 AutoML 时应使用此技能。主动触发场景：(1) Optuna、Ray Tune、FLAML、AutoGluon、Hyperopt、Nevergrad、KerasTuner、W&B sweeps，(2) 网格搜索、随机搜索、贝叶斯优化、TPE、高斯过程、进化搜索，(3) ASHA、Hyperband、逐次减半、多保真度优化、基于种群的训练，(4) 学习率查找器、批量大小搜索、早停、剪枝，(5) 可复现的扫描设计与实验分析。提供：预算感知的超参数搜索策略。
当用户要求训练、调试、扩展或改进机器学习模型时应使用此技能。主动触发场景：(1) PyTorch、TensorFlow/Keras、JAX、Flax、Hugging Face Trainer/Accelerate 训练循环，(2) 分布式训练、DDP/FSDP/DeepSpeed、TPU/GPU 环境搭建，(3) 混合精度 AMP/bf16、梯度累积、检查点、随机种子，(4) 过拟合、类别不平衡、损失函数、正则化、学习率调度、warmup，(5) 显存优化、梯度检查点、offloading、量化感知训练。提供：跨深度学习和经典 ML 的可复现训练最佳实践。
为星型模型构建可复用的维度表 / 查找表——国家/地区、时区、货币、日期、套餐/产品，以及其他描述性属性——在 PostHog 数据仓库视图（HogQL）或外部 dbt 项目上均可。当用户想要建模维度表、查找表、星型模型、一致维度，或想用国家、地区、时区、套餐或货币属性丰富事件/收入/使用数据而不重复 JOIN 时使用。涵盖维度数据的获取（上传、仓库数据源或从事件派生）、将其整理为带别名的每实体一行视图（由于维度很少变化，可选地按低频计划物化），并通过保存的 join 或 person join 将其挂接到事实表，使其列可当作原生字段读取。关键规则：货币请使用内置的 convertCurrency()，而不要自行编写汇率表。请先阅读 modeling-warehouse-foundations；此处的维度会被收入、转化、激活和产品使用建模技能复用。
使用 pbi-cli 管理 Power BI 表分区、命名表达式（M/Power Query 数据源）和日历表配置。当用户提到 "partitions"、"data sources"、"M expressions"、"Power Query"、"incremental refresh"、"named expressions"、"connection parameters"，或想要配置表的加载数据方式时调用此技能。对于更广泛的建模任务（度量值、关系、层次结构），请参阅 power-bi-modeling。
运行并推理自动 AI 健康检查，为网络分析团队建议路径清理规则。适用于被要求为某个团队或群体生成路径清理建议、运行建议检查、审查/应用 AI 建议的规则、检查 path_cleaning_suggestions 健康问题，或扩展建议流水线时。涵盖 suggest_path_cleaning_rules 管理命令、path_cleaning_suggestions 健康检查、群体门控（预计算团队），以及建议在存储前如何依据真实路径进行校验。若要手动编写或直接应用规则，请改用 managing-path-cleaning-rules。
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。