Skills
收录 96,770 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
资深 SaaS CFO / 财务分析师（15 年以上经验），专精于白手起家和 VC 支持的 SaaS 公司的财务建模、预测与退出策略。在用户需要以下内容时启用：(1) 收入预测（1-5 年），(2) 退出估值与倍数，(3) 单位经济分析（CAC、LTV、回本周期），(4) 情景建模（保守/基准/乐观），(5) 带财务支撑的融资叙事，(6) M&A 尽职调查财务，(7) SaaS 指标基准对比，(8) 群组分析与流失建模。触发词："proyecciones"、"projections"、"exit"、"valuation"、"ARR"、"MRR"、"multiples"、"revenue forecast"、"financial model"、"exit strategy"、"CAC"、"LTV"、"unit economics"、"churn"、"fundraising"、"M&A"、"acquisition"、"5 year plan"。
查询、读取、创建、更新和描述 Salesforce 记录——Accounts、Contacts、Opportunities、Leads、Cases 以及自定义对象。当用户想要查找 Salesforce 记录、运行 SOQL 查询、更新 Opportunity、查看对象的字段，或问"Salesforce 里有什么"时使用——即便他们没有说"API"。也适用于任何 *.salesforce.com / *.lightning.force.com 下的 URL，或提到 Salesforce 记录 ID 或 SOQL 的情况。与该服务交互时始终从这个 skill 开始——它自带的脚本和配方是最快的路径。
当用户有一份杂乱的表格数据转储（CSV/TSV/parquet/Excel/JSON），并希望将其迭代清理至推断出的数据契约时使用——该契约是一份确定性通过/失败检查清单，而非质量评分。单个 Agent 会对表进行剖析，综合出每列的契约并编译为二元检查（类型、空值、重复、不一致类别、格式/范围违规、离群值），然后一次应用一个有针对性的转换，仅当其减少目标检查的违规数且无回归、无护栏突破时才保留。当所有检查通过、所有剩余检查均为无法修复的残留，或达到预算时确定性地停止；输出可重放的管道和可审计的账本。不适用于对已清洁数据集的开放式分析、诊断某个已知异常，或依据来源验证某主张——那些是分析循环；此技能是将数据重写至契约。
在 NGC PyTorch 容器内的本地 NVIDIA GPU 上微调任意 HuggingFace CV / VLM / LLM 模型。当用户希望微调 HuggingFace 模型（全量或 LoRA）、端到端训练视觉 / VLM / LLM 模型、生成可复现的 HF 训练流水线、在扩规模前于本地冒烟测试 HuggingFace 模型、将微调后的模型连同模型卡推送到 HF Hub，或为现有 HuggingFace 微调输出可独立重跑的技能时使用。支持图像分类、目标检测、语义 / 实例 / 全景分割、深度估计、图像-文本到文本的 VLM（SFT / LoRA）以及 LLM 的 SFT / DPO / GRPO。六步工作流：检查与资格判定、硬件与 NGC 镜像、调研、生成与冒烟、训练 + 评估 + 推理、推送并输出重跑技能。
多步骤视频标注流程，通过 VLM/LLM 蒸馏将原始视频转化为思维链训练数据，包括多层级字幕、结构化描述，以及带有推理轨迹的问答对（MCQ、二元题、开放式题）。当用户想要“创建视频训练数据”“生成视频 QA 数据集”“从视频构建 CoT 推理轨迹”“自动标注视频”或运行 video_reasoning_annotation 流程时使用。触发词包括“video annotation”“video CoT”“video QA”“chain-of-thought”“video captioning pipeline”“video distillation”。
将 HuggingFace 计算机视觉模型集成到 NVIDIA TAO Toolkit 生态系统中（tao-core 配置、tao-pytorch 训练器、tao-deploy TensorRT 流程）。适用于用户要求“将 HuggingFace 模型集成到 TAO”“向 TAO Toolkit 添加 HF 模型”“将 HuggingFace ViT/DETR/ SegFormer 接入 tao-pytorch”“为 HF CV 模型构建 TAO 训练器和部署流程”，或粘贴 HuggingFace 模型 URL/ID 并希望将其转换为 TAO 模型的情况。涵盖完整的 7 个阶段：前置条件检查、HuggingFace 检查与验证、代码库探索、tao-core 配置和原生训练器实现、ONNX 导出及 TensorRT 部署集成、打包和 L0 测试、基于容器的端到端验证，以及（有条件的）准确率／延迟调优。支持分类、目标检测、语义／实例／全景分割、零样本检测和深度估计。
运行规范的 NVIDIA AOI 三阶段训练流水线——阶段 1 AutoML 基线（HPO），阶段 2 DEFT 循环（RCA → SDG → 挖掘 → plain-train 重训），阶段 3 在 DEFT 增强数据集上进行 AutoML 精调。这是任何“运行 AOI 工作流”“端到端微调我的 PCB AOI 模型”“改进我的 AOI ChangeNet 模型”或“带 AutoML 的 AOI 工作流”请求的默认入口——除非用户明确要求仅使用 DEFT 循环（例如“只运行 DEFT 循环”“跳过 AutoML，只做 DEFT”），否则应路由到此处而非直接使用 tao-run-deft-aoi。也处理非 AOI DEFT 应用的相同三阶段模式——AutoML 基线，然后从 AutoML 获胜超参热启动 DEFT 循环，再在迭代增强数据集上进行 DEFT 后 AutoML 精调。触发短语包括“运行 AOI 工作流”“AOI 端到端”“AutoML + DEFT”“先 AutoML 再 DEFT”“先调超参再 DEFT”“两端都是 AutoML 的 DEFT”“热启动 DEFT”“改进我的 AOI 模型”。
为 NVIDIA TAO VisualChangeNet / ChangeNet PCB 检测模型运行完整的 DEFT AOI 改进循环：基线评估、RCA、导入客户提供的预生成 AnomalyGen 图像、k-NN 挖掘、重新训练，以及部署门控，直到满足 FAR / recall KPI 目标。EA 变体——不内联运行 AnomalyGen；客户在带外预生成合成 NG/OK 对，由该循环导入。适用于诸如“run the DEFT loop”、“fine-tune until FAR below 0.1% at recall=100%”或“improve my AOI ChangeNet model with RCA and pre-generated synthetic defects”之类的提示词；不适用于独立的 TAO 训练、一次性推理、通用异常生成或仅 RCA 分析。
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。