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
当用户提到 Google Analytics / GA4 但请求含糊（"take a look at our GA"、"how's our data?"、"GA 좀 봐줘"、"우리 데이터 어때?"）、刚开始使用（"where do I start?"、"뭐부터 해야 해?"、刚安装完）、询问这些技能能做什么，或提出跨越连接、事件分类体系和分析的多步骤请求（例如 "parse our taxonomy sheet and analyze last month"、"정의서 올리고 지난달 분석해줘"）时使用。诊断 .ga4/ 旅程状态，并按正确顺序路由到 ga-auth、ga-taxonomy 或 ga-use 技能。目标明确的单一用途请求（特定分析、解析分类文件、登录）由那些技能直接处理——不要使用本技能。
使用 GeoPandas、Rasterio、GDAL、Xarray、Shapely、Laspy、PDAL、Google Earth Engine 和 STAC/Planetary Computer 提供地理空间与地球观测工作流，涵盖 Sentinel、Landsat、MODIS、SAR 和高光谱影像、光谱指数、地形与网络分析、点云、COG、CRS 处理及空间 ML，并支持 Python、R、Julia、JavaScript、C++、Java、Go 和 Rust 代码。可用于从卫星影像计算 NDVI 或其他指数，对 Shapefile、GeoJSON 或 GeoPackage 数据执行矢量叠加、重投影或空间统计，搜索 STAC 目录并读取云优化 GeoTIFF，对地球观测数据进行土地覆盖分类或训练 ML 模型，以及开展地形、水文或点云分析。不适用于一般的非空间数据分析或表格 ML。
接收竞品的公开 GitHub 仓库 URL，通过 GitHub REST API 拉取其 open issue，在本地过滤噪声，将 issue 聚类为 6 个需求类别，计算每个 issue 和每个类别的需求得分，并输出带 GTM 信息简报的排序需求缺口报告。适用于被要求扫描竞品 GitHub issue、发现其用户迫切想要什么、把 GitHub 抱怨转化为产品定位、识别竞品功能缺口，或基于真实用户需求生成信息的场景。当用户说“扫描竞品 issue”、“用户在 X 仓库上要求什么”、“发现 Y 中的需求缺口”、“把 GitHub issue 转化为信息”或“基于竞品抱怨我该构建什么”时触发。
使用 Grafana 实例——搜索和读取仪表盘、运行数据源查询（Prometheus、Loki、PostgreSQL 等）、检查告警规则和静默、发布注释，以及管理文件夹。当用户提到 Grafana 仪表盘、面板或告警，粘贴 Grafana URL，询问“这个仪表盘显示什么”、“在 Grafana 中查询这个指标”、“这个告警是否正在触发”、“静默这个告警”，或想要创建/导出仪表盘时都可以使用——即使用户没有提到“API”。与此服务交互时始终从这个技能开始——它自带的脚本和配方是最快的路径。
通过 InfraNodus MCP server 进行文本网络分析与知识图谱：分析文本结构、发现内容缺口、生成研究问题与想法、比较文本、为 SEO/GEO 优化内容、分析 Google 搜索结果、GraphRAG 检索、结构化记忆。接受文本、URL（含 YouTube 转写）以及已保存的图谱。还可构建代码仓库与 Obsidian vault 的知识图谱：在项目文件夹中调用（"graph this repo"、"analyze this vault"、"/infranodus"），它会挖掘文档、PDF 文本、docstring、WHY/NOTE 注释以及 commit/PR/issue 历史，生成带报告的已保存图谱，并通过就地替换已变更文件的陈述来保持其最新。当项目根目录存在 infranodus/manifest.json 时，先查询已有的图谱来回答关于主题、决策、理由或缺口的问题，再读取文件。对于由来源（wiki 页面、精选本体）构建、由 LLM 编写的知识库，优先使用 llm-wiki skill。
Light 科研主线第 9 步·图表：让图服务于论点（每张图支撑哪条 claim、删掉后会缺少什么）；制定出版级规格（栏宽、字号、色盲安全、误差棒、n 值、显著性）；确保视觉诚实（不偷偷截断 y 轴、不用双 y 轴制造伪相关、不用 jet-rainbow）；渲染后进行多模态“认真看一眼”；论文数据图必须程序化生成，绝不使用 AI 生图。适用场景：结果分析完成后绘制论文图表；规划一组图（图表清单、预算、避免冗余）；选择图表类型；制作出版级图表（栏宽、字号、dpi、色盲安全配色）；担心“图表误导或将不显著结果作为主图”；渲染后检查标签重叠、图例遮挡数据；制作框架图或示意图（程序化生成，非 AI 生图）。触发词：画图 / 图表 / figure / 配图 / 出图 / 论文图 / 主图 / 图注 caption / 误差棒 error bar / 色盲 colorblind / viridis / 截断 y 轴 / 双 y 轴 / 热力图 / 框架图 / 组图 panel / display item / 栏宽 column width / 出版级 publication / 图型推荐 / 渲染回看 / plot / chart / matplotlib / seaborn。核心纪律：**视觉不诚实（截断 y 轴 / 双 y 轴伪相关）= critical 门**（spec §4.2，STAGE_GATES[9]=[visual_honesty]）；缺少误差棒 / jet-rainbow / 集合超预算 / 冗余 = warn；**将不显著结果作为主图 / 图文不一致 = critical → 发起 9→7 回炉**；**论文数据图必须程序化生成（matplotlib/seaborn/R），绝不使用 AI 生图**（永久底线）；静态 lint 只能识别形态可疑之处，是否真正造成误导，最终需结合图注和人工 / 审稿人判断。本技能是 **9→7（将不显著结果作为主图 / 图文不一致 → result-analysis）回炉发起方**。
在 MATLAB 中端到端分类表格数据：加载数据集、准备并清理数据、选择有前景的分类器、训练并通过交叉验证、留出法或超参数优化结合统计检验比较准确率。触发条件：用户要求分类表格数据、为数据集选择分类器、比较分类器准确率、进行交叉验证或留出评估，或在考虑统计不确定性的情况下寻找最佳模型。不触发条件：用户输入非表格数据（图像、序列、时间序列）、需要回归模型、正在训练特定神经网络架构（使用 matlab-train-network），或需要代价敏感学习或任意类别先验向量（此技能仅支持用于不平衡数据的内置均匀先验切换）。
通过 Database Toolbox 使用 JDBC 驱动将 MATLAB 连接到 Databricks。适用于创建到 Databricks 集群或 SQL Warehouse 的 JDBC 连接、配置 Databricks 认证（PAT、OauthU2M、OauthM2M）、在 Simba 与 OSS JDBC 驱动之间选择、使用 databricks.JDBCConnection、StandaloneJDBCConnection、databricks.SQLWarehouse.connect()，或优化 Databricks 写入性能。
在从日志文件（MDF/MF4/DAT、BLF、ASC/TXT）导入或导出车辆数据、通过 DBC、ARXML 或 LDF 数据库将 CAN/CAN FD/LIN 消息解码为信号、将 timetable 数据写入 MDF 或 BLF 文件，或调用 blfread、blfinfo、blfwrite、mdfRead、mdfWrite、mdfCreate、mdfInfo、canSignalImport、canMessageImport、canMessageTimetable、canFDMessageTimetable、canSignalTimetable 或 linMessageTimetable 时使用。
计算 Yahoo H2H Categories 对局中全部 10 个计分项（R、HR、RBI、SB、OBP、K、ERA、WHIP、QS、SV）的每周类别状态。从 Yahoo 拉取当前累计值，结合阵容与赛程生成本周剩余的各计分项预测，然后将对局/各计分项胜率计算 DELEGATES 给 `matchup-win-probability-sim`。消费该模拟的 `per_cat_win_probability` 与 `matchup_win_probability`，推导出 cat_position、cat_pressure、cat_reachability 和 cat_punt_score，并输出一份 "push 6, punt N" 计划，用于指导 waiver、streaming 和 lineup 决策。当用户询问 "category state"、"where am I winning"、"should I punt"、"matchup score"、"cat pressure"、每周类别规划，或该推进还是放弃哪些计分项时使用。
部署并使用 Multimodal Embedding Serving 微服务——用 setup.sh + docker compose 启动它（从仓库克隆，或在没有克隆时从 GitHub 获取相同文件），使用预构建的 intel/multimodal-embedding-serving 镜像，通过端口 9777 上的 REST 嵌入文本/图像/视频，在 19 个模型（CLIP/SigLIP/MobileCLIP/CN-CLIP/Blip2/QwenText）中选择，或通过 Python SDK wheel 进行进程内集成。当应用需要用于相似度搜索或检索的嵌入时使用。不适用于修改该服务的源码——那是 multimodal-embedding-serving-dev。
一次性探索网站，找到稳定的数据路径，并将其部署为可复用、参数化的 Notte Function（一个可调用、可调度并大规模运行的 HTTP 端点）。当用户想为某个网站打造、构建、生成或“烘焙”可复用的爬虫或浏览器自动化，将可用的抓取转成 API/端点/任务，或说出“我稍后要跑 N 个关键词”、“让这个可复用”、“拉取所有列表”、“每天自动化这个网站”或“构建一个从 Y 中提取 X 的函数”之类的话时使用。与 notte-functions-doctor 搭配，后者在网站变化时修复已打造的 Function。
使用 opendataloader-pdf（ODL）从 PDF 中正确提取结构化数据的流程：阅读已安装工具自带的帮助以了解其当前选项，为用户目标构建最小命令，验证提取确实成功，并诊断工具未报告的静默失败。当用户正在使用、评估或考虑使用 opendataloader-pdf/ODL 提取、解析或将 PDF 内容转换为文本、markdown、JSON 或 HTML 时使用——包括扫描版 PDF 的 OCR、表格、边界框，或基于 PDF 的 RAG 管道。请勿用于 PDF 合并/拆分/旋转、Office 格式转换、表单填写或 PDF/UA 无障碍合规标记。
构建并实现运筹学优化模型——LP、MIP/QP、约束规划、网络流、指派、VRP、排程、资源分配、库存/生产计划；启发式与元启发式；敏感性与不可行性诊断；求解器集成（OR-Tools、Gurobi、CPLEX、HiGHS、PuLP、Pyomo）；生产级 OR API（超时、热启动）。适用于运筹学、OR 工程师、优化模型、线性规划、混合整数规划、MIP、VRP、车辆路径、排程优化、OR-Tools、Gurobi、约束规划、资源分配优化、不可行模型、元启发式——不适用于机器学习预测（data-scientist）、不含优化数学的 SCM 战略（supply-chain-manager）、WMS 功能（wms-developer）、仿真平台（simulation-software-engineer）、通用后端（senior-software-engineer）、dbt/数仓（analytics-data-engineer）。
PostgreSQL 运维、优化与管理。适用场景：schema 设计、索引选择、使用 EXPLAIN ANALYZE 进行查询调优、postgresql.conf 配置、备份与恢复（pg_dump、pg_basebackup、WAL、PITR）、vacuum 与 autovacuum 调优、连接池（pgBouncer、pgPool）、复制（流式、逻辑）、分区、监控（pg_stat_statements、pg_stat_activity）、JSONB 操作、全文检索（tsvector、tsquery）、行级安全（RLS）、扩展（PostGIS、pg_trgm、timescaledb）、GiST/GIN/BRIN 索引、物化视图、外部数据包装器、LISTEN/NOTIFY。
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。