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
通过蒙特卡洛模拟或泊松二项近似，计算一对一分类型对决中 P(我们在 N 个类别中至少赢得 K 个)。领域中立 —— 适用于任何采用 H2H Categories 计分的梦幻体育项目（MLB、NBA、NHL）或任何按类别一决胜负的零和竞争。适用于你需要 matchup_win_probability、per_cat_win_probability、expected_cats_won 或 variance_estimate 时；或用户提到 "matchup win probability"、"head to head simulation"、"Monte Carlo matchup"、"Poisson binomial matchup"、"P win 6 of 10"、"category matchup simulation" 或 "weekly win probability" 时。
mdtraj 分子动力学轨迹分析（Python）。读取 DCD/XTC/TRR/NetCDF/H5/PDB 拓扑和轨迹；计算 RMSD 随时间变化、回转半径、逐残基 RMSF、残基间接触频率图、用于 Ramachandran 图的 phi/psi 二面角（通用 + Gly/Pro），以及 8 态 DSSP 二级结构。模块：轨迹 I/O、几何（距离/角度/二面角）、结构分析（RMSD/Rg/RMSF/SASA）、接触、氢键、二级结构（DSSP）、NMR 观测量。更广泛的原子选择语法请使用 mdanalysis-trajectory；运行 MD 模拟请使用 OpenMM/GROMACS。
引导式工作流，将任意机器学习代码库——包括完全没有实验跟踪的代码库，或满是 MLflow 2 时代惯用写法的代码库——迁移到生产级开源 MLflow 3 环境，包含 dev/staging/prod 环境、基于 registry 的晋级以及已部署的模型。与可能毫无 MLflow 3 经验的开发者一起走完七个阶段——评估代码库（脚本化只读审计）、为 registry 领域建模（按环境的模型名、别名、门槛）、为每个环境搭建 tracking、将训练代码重构为 MLflow 3 惯用写法、接上带评估门槛的晋级、部署并冒烟测试，然后运行持续的 MLOps 循环。在被要求搭建 MLflow、迁移到 MLflow 3、将模型训练与服务生产化，或设计 dev/staging/prod 的 MLOps 周期时使用。与同系列的 mlflow-3 规则包配合，用于每一个 API 决策。
根据自然语言生成只读 MongoDB 查询（find）或聚合管道，并结合集合架构上下文和示例文档。用户要求编写、创建或生成 MongoDB 查询，想在 MongoDB 中筛选、查询或聚合数据，询问“如何查询……”，需要查询语法帮助，或讨论查找、筛选、分组 MongoDB 文档时，均可使用此技能。也可用于将类 SQL 请求转换为 MongoDB 语法。不处理 Atlas Search（$search 运算符）、向量/语义搜索（$vectorSearch 运算符）、模糊匹配、自动补全索引或相关性评分——这些请使用 search-and-ai。不分析或优化现有查询——此类任务请使用 mongodb-query-optimizer。不处理涉及写操作的聚合管道。需要 MongoDB MCP 服务。
当用户想要优化网络流、求解最小费用流问题，或设计流量网络时使用。当用户提到 "min cost flow"、"maximum flow"、"network flow problem"、"transportation problem"、"transshipment problem"、"multi-commodity flow"、"supply chain flow optimization" 或 "network capacity planning" 时也可使用。设施选址见 facility-location-problem。配送网络见 distribution-center-network。
在终端或脚本中使用 ul cloud 命令行（ul cloud RESOURCE OPERATION key=value，PyPI 包 ultralytics-platform）操作 Ultralytics Platform 时使用——列出、创建、更新、克隆或移动项目、数据集和模型；查看数据集图像、统计信息、元数据、重复项和相似图像；启动并监控云端训练运行；逐图模型验证分析；下载权重；导出、部署、上传、回收站与恢复、存储集成，以及账户用量、存储和计费；以及构建 Agent（YOLO、LLM、门控和告警工作流）。关于 Platform Web 界面或本地 yolo 命令，参见 yolo；关于选择训练什么以及如何改进，参见 yolo-training 和 yolo-tuning。
查询本地 Chrome 浏览历史——搜索、主题聚类(Chrome 自带的 Journeys)、时间/效率报告、会话时间线、下载记录,以及行为画像——全部只读且在本机进行。触发短语:`what have I been browsing`、`search my chrome history`、`what was that page I saw`、`my browsing journeys / topics`、`what did I download in chrome`、`what sites do I visit most`、`my browsing time report`、`my browsing profile`、`what was I researching last week`、`use chrome-history`、`run chrome-history-pp-cli`。
在开源 Ray（锁定 2.57）上运行 LLM 工作负载——用 ray.serve.llm（基于 vLLM 的 LLMConfig + build_openai_app）做 OpenAI 兼容的服务，用 ray.data.llm（build_processor）做批量推理。纠正模型产出的过时默认写法——已归档的 ray-llm 仓库及其 YAML 配置、在普通 Serve deployment 里手写 vLLM 引擎、已被移除的 build_llm_processor 名称、已废弃的布尔 stage 标志、顶层 LLMServer/LLMRouter 导入、自由形式的加速器字符串、每个 LoRA 适配器一个 deployment 的设计——改用 2.57 的惯用写法（stage 配置、用 placement_group_config 替代手写 PG、deployment_config 自动扩缩容、动态 LoRA 多路复用、prefix-cache-affinity 路由、完整的 OpenAI 端点面）。在编写、评审或在 Ray 上生产化 LLM 服务或批量推理时使用。经典机器学习的 Ray（Train/Tune/Data/Serve/集群）见同系列的 ray skill。
当用户想要将强化学习应用于供应链问题、学习最优策略，或在不确定性下求解序贯决策问题时使用。当用户提到 "reinforcement learning"、"Q-learning"、"deep Q-networks"、"policy gradient"、"actor-critic"、"RL for inventory"、"dynamic pricing with RL"、"warehouse robot control" 或 "sequential optimization" 时也可使用。预测见 neural-networks-forecasting。静态优化见 optimization-modeling。
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。