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 `uip insights` 提供 UiPath Insights 历史监控：作业指标、故障分析和流程性能；队列总量、SLA 风险、时间线和故障深入分析；机器可用性、故障排名和运行时长；筛选器范围发现；警报定义、历史记录、发送和授权读取；Insights 用户、角色和组读取；Maestro 流程仪表板读取和写入；导出目标检查；Looker 仪表板列表和嵌入 URL。实时 Orchestrator 记录或作业启动/停止/日志→uipath-platform；根因分析→uipath-troubleshoot；工作流编写→uipath-rpa；组织身份→uipath-admin。
使用 pint 和 uncertainties 跟踪物理单位，并在科学计算中传播测量不确定度。适用于单位换算和量纲检查、GUM 不确定度预算、A 类和 B 类评估、覆盖因子和扩展不确定度、蒙特卡洛传播、有效数字及正负号报告、曲线拟合中的误差传播、CODATA 常数、审查 Python 代码中被剥离的单位或失效的不确定度传播，以及利用无量纲数（Reynolds、Peclet、Damkohler、Knudsen、Biot、Womersley）、扩散时间或 Debye 长度等特征尺度和观测量级范围进行数量级合理性检查。当用户询问“这个数值在物理上合理吗”“检查一下这些单位”“这种流动属于什么状态”，或结果看起来相差几个数量级时触发。
依据 Unsloth 官方文档（references/llms-txt.md），提供使用 Unsloth 微调大模型的指导。Unsloth 是一个利用 LoRA 和 QLoRA 实现更快、内存占用更低训练的库。适用于使用 Unsloth 设置 LLM 的 LoRA 或 QLoRA 微调、降低训练期间的 GPU 内存使用、查询 Unsloth 功能或 API、调试 Unsloth 训练代码，或了解 Unsloth 最佳实践。不适用于不使用 Unsloth、仅通过原生 Hugging Face Transformers 或 PEFT 进行的一般模型训练。
管理 Walrus blob 生命周期：epoch、生命周期、延长 blob、删除 blob、销毁 blob 对象、共享 blob、设置 blob 属性以及处理大文件上传。当用户需要延长 blob 生命周期、删除或销毁 blob、创建共享 blob、设置/获取/移除 blob 属性、规划大数据上传（>1 GiB）、估算存储成本、管理并发上传内存，或了解基于 epoch 的过期机制时使用。基础存储/读取请参见 `walrus-cli`。quilt 请参见 `walrus-quilts`。
此技能帮助用户通过 BrowserAct Web Search Scraper API 自动从任意网站提取完整的 Markdown 内容。当用户表达以下需求时，Agent 应主动应用此技能：从特定网站提取完整 markdown、抓取文章链接的内容、获取目标 url 的文本、将网页转换为 markdown 格式、获取博客文章的主体内容、从给定网页提取数据、将网站的 html 解析为 markdown、下载新闻文章的可读文本、获取教程页面的内容、从任意 http 或 https url 提取所有 markdown 文本、从网页链接抓取文档，或获取单个网页的文本。
一个技能中的两项服务：(1) 通过 Chainbase CLI 获取 Web3 链上数据——当用户询问区块链数据、代币持有者、钱包地址、代币价格、ENS 域名、交易、DeFi 组合或任何链上分析时使用。触发词：“top holders of”“who holds”“wallet address”“token price”“token transfers”“ENS domain”“on-chain data”“blockchain query”“SQL query on-chain”，覆盖 Ethereum、BSC、Polygon、Arbitrum、Optimism、Base、Avalanche、zkSync 及其他 EVM 链。(2) 通过 Tops（chainbase tops）获取加密社交情报——当用户询问热门加密叙事、社交提及、Twitter/X 加密讨论、叙事发现、话题热度或 KOL/社区信号时使用。触发词：“trending topics”“crypto narrative”“what's trending in crypto”“social mentions”“who is talking about”“crypto twitter”“KOL signals”“narrative search”“topic posts”。
使用 Weights & Biases（W&B、wandb）记录和跟踪机器学习实验：指标、超参数、检查点、参数搜索、带来源追踪的制品、模型注册表、自定义图表和可分享的报告。包含 PyTorch、HuggingFace Transformers、PyTorch Lightning 和 Keras/TensorFlow 集成。适用于记录训练运行并比较不同配置、运行自动超参数搜索、将数据集和模型作为制品进行版本管理、注册模型版本，或在团队工作区分享结果。也适用于为离线或连接不稳定的训练设置 wandb.init。不适用于 ML 运行之外的一般数据版本管理。
在开发 AI GO 自定义应用（ai-go.app）时使用：开发前端（React + TypeScript）或 Server-Side Action（Python）、部署与验证、从零规划新 App（需求盘点、Custom App／Hosted App 产品线判断）、规划用户授权架构（角色、app 角色白名单、批次邀请内外部人员）、规划数据架构（数据中心自建表 / Data Reference）、接 Webhook 或设置 App 排程、将现有系统或整套项目（前端＋后端＋DB；Supabase / Google Sheet / MySQL 等）搬入／迁入 AI GO。
当用户询问 "market research"、"market analysis"、"PESTEL analysis"、"competitive landscape"、"trend report"、"industry analysis"、"market sizing"、"data interpretation"、"competitive analysis"、"act as a market researcher"、"market research mode"、"market trends"、"SWOT analysis"、"market opportunity"，或需要分析市场、解读数据并产出战略性市场情报报告的专业知识时，应使用此技能。属于 AlterLab FC Skills 集合（公关与广告部门）。
当用户询问 "infographic"、"data visualization"、"information design"、"data viz"、"chart design"、"visual storytelling with data"、"information graphics"、"statistical graphics"、"diagram design"、"act as an infographic designer"、"infographic mode"、"data-ink ratio"、"chart selection"、"dashboard design"、"visual data"、"Tufte"、"ISOTYPE"、"icon array"、"pie chart"、"bar chart"、"flow diagram"、"process visualization"、"data story"，或需要通过信息设计将复杂数据转化为清晰、有说服力的视觉叙事的专业知识时，应使用此技能。属于 AlterLab FC Skills 集合（VCD 部门）。
依据 ICH Q2(R2)/Q14、ICH M10、USP 1220/1225/1226、CLSI EP 或 ISO/IEC 17025，使用 Python 脚本（plan_validation、check_response、check_accuracy_precision、check_detection_limits、check_bioanalytical_run、compare_methods）规划和评估分析方法的验证、确认及转移。涵盖方案、线性、准确度与精密度、DL/QL、M10 运行检查、TOST 等效性、Deming 和 Passing-Bablok。适用于设计预先规定验收标准的验证方案、评估线性度、精密度或检测限数据、检查 ICH M10 生物分析运行或 ISR，以及比较或转移实验室间的方法。不会判定某方法是否已验证；不提供 USP、CLSI、ISO 的标准文本。
介绍如何通过 HuggingFace Transformers 和 LAVIS 使用 Salesforce BLIP-2（Q-Former 连接冻结的图像编码器与 OPT 或 FlanT5 等 LLM），用于图像描述生成、视觉问答、图文匹配和特征提取。适用于生成图像描述、构建 VQA 系统、无需特定任务训练进行零样本图文理解、根据文本匹配或检索图像，或通过 INT8/INT4 量化将 BLIP-2 模型适配到有限的 GPU 内存中。指令跟随式多模态聊天优先选择 LLaVA 或 InstructBLIP，纯图文相似度则选择 CLIP。
当用户有结果草稿或一组有数据支撑的论断，并希望在发布前对每一条进行对抗式验证时使用——即对研究结论进行发布前红队审查。它从草稿中提取可独立核查的论断，针对数据复现每条论断的数字，用最可能推翻它的威胁进行压力测试（离群值、混杂因素、辛普森反转、极小分组、替代设定），并标注为已验证、脆弱或被推翻；脆弱和被推翻的论断会被修改——加限定、缩小范围或撤回——直到每条论断都得到验证或恰当限定。结果是每一条存留的论断都已复现并通过压力测试的草稿。不适用于在数据集上开放式发现新结论（那是数据分析任务），也不适用于诊断单个已知异常或流水线故障——这是对已有草稿的关卡。
针对 Confluent Cloud 或 Confluent Platform，按优先目标（延迟、吞吐量、可用性或持久性）提供仅供参考的 Kafka 调优建议。用户要求为计划中的 topic 估算规格，或为现有集群、topic、producer 或 consumer 调优以达到可量化目标（例如降低 p99 延迟或确保已确认写入不丢失）时使用。以只读方式检查配置，并建议更改、权衡和验证方法；由管理员应用更改。不要用于：WarpStream 或仅运行 Apache Kafka OSS 的集群；Flink SQL 或 UDF 的编写、调优或调试（使用 confluent-cloud-flink-sql 或 flink-udf）；Kafka Connect 调优；新的 Java/Python 客户端实现（使用 developing-kafka-java-client 或 developing-kafka-python-client）；Kafka Streams/KStream/KTable 开发（使用 kafka-streams-programming）；或 CDC、Tableflow、Iceberg 流水线（使用 confluent-cloud-cdc-tableflow）。
在构建从外部来源（如 Azure DevOps、内部 API、JSON 文件）摄取实体的目录后端模块时使用。涵盖常规 EntityProvider 以及适用于大数据量来源的 IncrementalEntityProvider，并包含通过 catalogProcessingExtensionPoint 或 incrementalIngestionProvidersExtensionPoint 进行模块装配。触发短语如 "catalog provider"、"ingest entities from X"、"import entities from <source>" 或 "incremental ingestion"。
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。