Skills
收录 96,981 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
使用 aipa CLI 获取原始 OHLCV 价格数据。每当用户要求价格数据、K 线数据、OHLCV 数据、历史价格、股票行情、加密货币价格、移动平均线、成交量数据，或任何不经 AI 分析的原始市场数据时，都使用此技能。也适用于：表现最佳/最差、最佳股票、涨幅最大、跌幅最大、市场异动、按价格变化 / 成交量 / 成交额 / MA 分数 / 资金流对代码排名（`aipa performers`）；成交量分布、POC、控制点、价值区域、按成交量的支撑/阻力、按价格分布的成交量直方图（`aipa volume-profile`）。也适用于基本面数据：公司信息、财务比率、PE、PB、ROE、NPL、CAR、基本面排名与筛选（`aipa fundamentals info/ratios/rank/screen`）。当用户想查看有哪些可用数据、构建图表、自行计算，或为电子表格获取数字时也适用。即使用户没有提到 "aipa"，任何原始金融数据、基本面数据或市场排名请求都应触发此技能。
使用 aipa CLI 进行多 Agent 深度研究，以完成全面的市场分析。当用户要求深度研究、细致市场分析、行业整体调查、全面股票对比或详细财务报告时使用此技能。它会运行 supervisor → 并行 worker → aggregator → reviewer 流水线，耗时更长，但结果比简单的 analyze 更全面。触发请求如 "research banking sector"、"deep dive into real estate stocks" 或 "comprehensive market overview"。当用户在技术面研究之外还要求基本面背景时，也可通过 `aipa fundamentals` 纳入基本面分析（PE、ROE、NPL、CAR、财务比率）。
通过浏览器自动化在 Power BI Service 中安装并连接 Azure Cost Management App（由 Microsoft Corporation 提供）。当用户提到在 Power BI 中安装、部署、连接或配置 Azure Cost Management 模板应用，或希望将 Power BI 连接到其 EA（Enterprise Agreement）注册以获得成本可见性时，使用此技能。当用户在 Cost Management App 上说 "connect your data"、想要在 Power BI 中设置 EA 成本数据，或需要将注册编号关联到 Power BI 成本报告时也会触发。
负责 Compose 和 Compose Multiplatform 应用的 repository、数据源和映射：DTO 到 domain 再到 UiModel 的边界、Ktor 客户端和 bearer 身份验证、WebSocket 和 SSE、Room、DataStore、Paging 3、离线优先设计及数据层测试。编写或审查 repository、数据源、DTO、映射器、HttpClient、bearer token、WebSocket、SSE、Room DAO、迁移、DataStore、PagingSource、RemoteMediator、离线缓存或 MockEngine 测试时使用。不要用于 ViewModel 或 UI 接线（compose-feature）、composable（compose-ui）、MVI 契约或错误分级（compose-architecture）、Gradle 模块（compose-project），或 commonMain 与平台的拆分（compose-platform）。
排查 Electric 同步问题。涵盖由 CDN/代理缓存键配置错误导致的快速循环检测、陈旧缓存诊断（StaleCacheError）、CORS 配置错误导致的 MissingHeadersError、409 shape 过期处理、SSE 代理缓冲（nginx proxy_buffering off、Caddy flush_interval -1）、本地开发中的 HTTP/1.1 6 连接限制（Caddy HTTP/2 代理）、复制槽导致的 WAL 增长（max_slot_wal_keep_size）、Vercel CDN 缓存问题，以及 onError/退避行为。当 shape 未收到更新、同步缓慢或控制台出现错误时加载。
设置服务端代理以安全地转发 Electric shape 请求。涵盖 ELECTRIC_PROTOCOL_QUERY_PARAMS 转发、服务端 shape 定义（table、where、params）、content-encoding/content-length 响应头清理、针对 electric-offset/electric-handle/electric-schema/electric-cursor 响应头的 CORS 配置、认证令牌注入、Bun fetch 并发上限（BUN_CONFIG_MAX_HTTP_REQUESTS 默认 256）、ELECTRIC_SECRET/SOURCE_SECRET 仅限服务端、通过 WHERE 位置参数实现租户隔离、onError 401 令牌刷新，以及子集安全（AND 语义）。在创建代理路由、添加认证或为 Electric 配置 CORS 时加载。
探索 PostHog MCP 意图聚类 —— 按语义相似度分组的 Agent 目标，包含每个聚类的工具分布和错误率，以及以工具为中心的视角（每个意图的捕获率、相对于所宣传目录的发现率、描述匹配度、工具重叠）。当用户询问 "what are agents trying to do with the MCP?"、"group the intents"、"which goals fail most?"、"what does each cluster route to?"、"when agents have this intent do they find my tool?"、"which tools get mixed up?"，想要重新计算聚类，或粘贴 MCP 分析意图聚类 URL 时使用。
为一个 MCP 工具构建起点分类体系——用户在使用该工具之前试图完成什么——并将其发布为 PostHog notebook。从每次会话的开场工具调用重建其目标，然后将这些目标聚类为具名类别，并给出规模、占比和维度构成。适用于用户提问“人们为什么使用这个工具？”、“用户实际上想做什么？”、“是什么问题让人们来到这里？”、“这些会话从哪里开始？”、“按目标细分 <tool> 的使用情况”，或想要 Clio 风格的 MCP 使用分类体系时。与 exploring-mcp-intent-clusters 互补，后者按每次调用对 Agent 做了什么进行分组，而不是会话为何开始。运行此技能的 Agent 自行撰写目标标签，逐会话阅读语料查询输出——随附的脚本涵盖机械性维度，但会明显损失目标的高度，因此不要把该字段交给它们。
引导 Agent 拉取 Replay Vision 扫描器的观察结果、阅读发现并据此行动——跨会话总结模式、深入到单个录制、把真实且经证实的问ея题转化为 PostHog 任务、洞察，或移交 investigating-replay。\n触发条件：用户想拉取/阅读/分诊 Replay Vision 观察结果，询问 "what has my scanner found"，想对扫描器发现采取行动或总结，把观察结果转化为任务/工作，或指向 /replay-vision/<scanner-id> URL。\n不触发：创建或设定扫描器规模（使用 creating-replay-vision-scanners）、运行一次性扫描后并不进行分析，或编写 signals scout。
现代 tidyverse + 计量经济学 R 生态中的经典端到端实证分析工作流——dplyr + tidyr + haven + fixest + sandwich + lmtest + clubSandwich + AER + ivreg + did + bacondecomp + HonestDiD + eventstudyr + rdrobust + rddensity + Synth + gsynth + synthdid + MatchIt + WeightIt + cobalt + ebal + grf + DoubleML + mediation + marginaleffects + modelsummary + kableExtra + gt + ggplot2 + ggpubr + cowplot + binsreg。**默认采用经济学实证论文风格**（AER / QJE / AEJ）——每次运行都会产出一套可直接发表的结果，核心是多列回归表（M1→M6 逐步加入控制变量/固定效应），另有表 1（描述性统计）、机制/异质性/稳健性表格，以及事件研究 + 系数 + 趋势图。涵盖应用经济学家每篇论文都会执行完整的 8 步 R 流程——（1）数据导入与清洗（read_dta/read_csv、naniar、janitor、validate-merges），（2）变量构建（mutate/across/winsorize/group_by + 用 dplyr 做 lag/lead），（3）描述性统计与表 1（gtsummary、modelsummary::datasummary、tableone），（4）经典诊断检验（shapiro/jarque.bera.test/bptest/dwtest/bgtest/vif/adf.test/kpss.test/Hausman），（5）基准建模（fixest::feols、ivreg、did::att_gt、eventstudyr、sun_ab、did_imputation、synthdid、rdrobust、MatchIt、WeightIt、grf::causal_forest、DoubleML、mediation），（6）稳健性组合（modelsummary stack、clubSandwich CRSE、fwildclusterboot、ri2、robomit Oster、bacondecomp、HonestDiD），（7）进一步分析（交互项 + marginaleffects、mediation::mediate、通过 lavaan 的 gsem、剂量反应样条、grf CATE），（8）可直接发表的表格与图形（modelsummary、kableExtra、gt、stargazer、texreg、flextable 输出到 LaTeX/Word/HTML；图形用 ggplot2 + ggpubr + cowplot + binsreg + iplot）。**还涵盖两种共享同一 8 步骨架的并行领域模式**——**模式 A——流行病学/公共卫生**（通过 `WeightIt` / `gfoRmula` / `tmle` / `ltmle` 实现目标试验模拟、IPTW + g-formula + TMLE 双重稳健三件套，通过 `MendelianRandomization` / `TwoSampleMR` / `MRPRESSO` 做孟德尔随机化，通过 `survival` / `survminer` / `flexsurv` 做 KM / Cox / AFT / RMST 生存分析，通过 `EValue` 做 E-value 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 `DoubleML` 的 DML，通过 `causalweight` / `grf` 的 S/T/X/R/DR 元学习器，通过 `grf::causal_forest` 的因果森林，通过 `bartCause` / `bcf` 的 BART/BCF，通过 `MCPanel` 的矩阵补全，通过 `policytree` 的 CATE 分布 + 策略树，离线策略评估，通过 `conformalInference` / `cfcausal` 的共形因果，通过 `fairmodels` 的公平性审计，通过 `pcalg` / `bnlearn` / LLM 辅助的 DAG 学习）。适用于用户要求完整的 R 实证分析、想要 tidyverse 风格可复现的 R 脚本 / Quarto 工作流、偏好 fixest 而非 reghdfe、需要 StatsPAI / 00.1 / 00.2 的 R 对应实现，或单独提及某个特定 R 步骤（“feols with cluster”、“MatchIt nearest neighbor”、“bacondecomp in R”、“gtsummary table 1”、“modelsummary to Word”）时。模式 A 在“target trial emulation R”、“tmle ltmle”、“MendelianRandomization”、“TwoSampleMR”、“MRPRESSO”、“survival cox AFT”、“STROBE R”、“EValue R”、“公共健康 R”、“流行病学 R”时触发。模式 B 在“DoubleML R”、“grf causal forest”、“policytree”、“bartCause bcf”、“conformal causal R”、“fairmodels”、“pcalg NOTEARS”、“因果机器学习 R”时触发。
使用 Gemini embeddings API（gemini-embedding-001）构建 RAG 系统、语义搜索和文档聚类。生成 768-3072 维嵌入用于向量搜索，与 Cloudflare Vectorize 集成，并使用 8 种任务类型（RETRIEVAL_QUERY、RETRIEVAL_DOCUMENT、SEMANTIC_SIMILARITY）优化检索。适用于：使用 Google 嵌入实现向量搜索、构建检索增强生成系统、创建语义搜索功能、按含义对文档聚类、将嵌入与 Cloudflare Vectorize 集成、优化维度大小（128-3072），或排查维度不匹配错误、任务类型选择不当、速率限制问题（免费层 100 RPM）、向量归一化错误或文本截断错误（2,048 token 上限）。
通过 kibana-cli 命令行在 Kibana 中搜索、读取和统计 Elasticsearch 应用日志：按服务、级别、trace id、文本或时间范围内的字段值筛选日志；查看完整日志文档；按服务或级别统计错误；统计随时间变化的数量；以及查看 Kibana 的数据视图、索引字段、仪表板和已保存的搜索。用户询问 Kibana 或 ELK 中的日志、服务错误或异常、trace id 或 request id、某事件发生频率，或现有索引和字段时使用。不能用于修改 Kibana 或 Elasticsearch 中的任何内容（仅支持读取），也不能用于指标或 APM 仪表板，以及本地磁盘上的日志文件。
通过 streamlit-apps MCP 工具在 PostHog 中创建、部署和运维 Streamlit 应用——创建应用、设置其源码、读取和修补其代码、启动和停止其沙箱、轮询状态、列出版本、删除，并通过其 PostHog URL 与人类共享应用。当被要求“create a streamlit app”“deploy a data app”“ship a dashboard app”“restart/stop my app”“why is my app not running”或“give me a link to the app”时使用。
端到端的 Metabase BI 开发：以代码方式（将仪表板保存为 YAML + SQL 文件，支持 pull/diff/push）设计、构建并管理仪表板、问题（卡片）、代码片段和集合，提供图表与仪表板的图片和 PDF 以便检查构建结果，支持警报与邮件/Slack 订阅、变更历史和回滚，以及浏览器登录。只要用户提到 metabase、仪表板创建、BI 仪表板、分析仪表板、metabase question、metabase card、MBQL 查询、原生 SQL 问题、metabase snippet、metabase collection、可视化设置、仪表板筛选器、参数映射、仪表板截图/PDF、仪表板订阅、metabase 警报，或想要创建/编辑/管理任何 Metabase 内容时，就使用此技能。用户想要构建由 SQL 数据库支持的报表仪表板、KPI 记分卡或数据探索工具时同样适用。涵盖图表格式、数字格式、条件格式、仪表板布局，以及完整生命周期：需求 → 设计 → SQL → 构建 → 视觉检查 → 测试 → 分享。可与多个 Metabase 实例配合使用。任何与 Metabase 相关的任务都始终使用此技能。
当用户要求将 ML 系统投入生产、追踪、版本化、治理、监控或自动化时，应使用本技能。以下情况请主动激活：(1) MLflow、Weights & Biases、Neptune、Comet、ClearML 实验追踪，(2) 模型注册表、模型版本化、产物血缘、可复现性，(3) Kubeflow、SageMaker Pipelines、Vertex AI Pipelines、Azure ML pipelines、Databricks workflows，(4) CI/CD、持续训练/评估、A/B 测试、金丝雀/影子部署，(5) 漂移检测、模型监控、数据验证、负责任的 AI 治理。提供：端到端 MLOps 架构与运维保障。
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。