Skills
收录 97,501 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
在 PostHog 中构建可复用数据模型的共享基础,可选择两种技术栈之一:PostHog 原生的数据仓库视图/物化视图(HogQL,通过 view-* MCP 工具),或外部 dbt 项目(sources.yml + staging/marts + schema 测试),针对你自己的仓库或 PostHog 托管仓库运行。在编写任何具体业务模型前阅读——涵盖 PostHog 与 dbt 的取舍、view-create → view-materialize → sync_frequency 工作流与 HogQL 列别名规则、dbt 项目骨架与坦诚的“没有原生 dbt 集成”现状、仓库 join 与星型模型维度、用 convertCurrency() 做货币换算,以及在数据目录中检查/注册模型以供复用。是领域技能 modeling-revenue-metrics、modeling-conversion-metrics、modeling-activation-metrics、modeling-product-usage-metrics 和 modeling-dimension-tables 的配套技能。当用户询问如何在 PostHog 中构建视图、物化视图或 dbt 模型,或该用两种技术栈中的哪一种时使用。
优化 ClickHouse 和 HogQL 查询的工作流。当 HogQL 查询、query runner、insight 或 report 太慢;当手写的 ClickHouse 查询(通过 `sync_execute` 或在 migration 中)太慢;当 ClickHouse 超时或触及内存上限;当调查一条缓慢的 `system.query_log` 记录;或当为性能审查提议的 HogQL printer 变更时使用。涵盖提取 ClickHouse SQL、常见坏味道(`FROM ... FINAL`、对 properties 使用 `JSONExtract`、缺失 skip index、自连接、CTE 膨胀)、在真实集群上测量,以及在正确的层(printer、query runner 或 migration)应用修复。不涵盖 Postgres / Django ORM / 应用数据库查询;那些请用 `profiling-slow-api-endpoints`。
通过 MCP `fabric-sqlendpoint-execute_query` 工具,在 Microsoft Fabric Data Warehouse 和 SQL 端点上执行编写类 T-SQL(DDL、DML、数据摄取、事务、架构更改)。用户需要:(1) 创建/更改/删除表;(2) 插入/更新/删除/合并数据;(3) 使用 COPY INTO 或 OPENROWSET 摄取数据;(4) 管理事务或存储过程;(5) 执行架构演进;(6) 使用时间旅行或快照;(7) 生成 ETL/ELT 工作流;(8) 在 Lakehouse SQLEP 上创建视图/函数/过程时使用。触发词:“在仓库中创建表”、“通过 T-SQL 插入数据”、“从 ADLS 加载”、“COPY INTO”、“使用 T-SQL 运行 ETL”、“更改仓库表”、“使用 T-SQL 执行 upsert”、“合并到仓库”、“创建 T-SQL 过程”、“仓库时间旅行”、“恢复已删除的仓库数据”、“创建仓库架构”、“部署仓库”、“事务冲突”、“快照隔离错误”。
Quick BI-SmartQ 技能具备多种数据分析能力:1. **文件问答**:通过 Quick BI API 上传 Excel/CSV 文件进行智能分析;2. **数据集问答**:使用自然语言查询 Quick BI 平台数据集,并自动智能选择和匹配表格;3. **文档解析**:解析 PDF/Word/Excel/CSV/图像,提取文本,并支持提取关键字段以生成结构化 Excel;4. **仪表板技能生成**:自动将 QuickBI 仪表板转换为数据查询技能;5. **数据洞察**:对 Quick BI 数据集进行深度数据洞察分析;6. **数据报告**:根据分析结果自动生成专业数据报告。用户提及数据分析、智能问答、数据查询、文件分析、文档解析、仪表板技能、数据洞察或数据报告时使用。
此技能用于为 OpenClaw 安装和配置 **Tablestore Mem0** 插件。Tablestore Mem0 使用 Alibaba Cloud Tablestore 作为 mem0 的向量存储后端,为 AI Agent 提供持久化的长期记忆。用户希望 OpenClaw 使用 Alibaba Cloud Tablestore 作为后端来持久化或管理长期记忆时使用此技能。触发语:“设置 tablestore memory”“安装 tablestore mem0 插件”“使用 tablestore 配置长期记忆”“记住这个”。
Excel 数据分析多步编排器。覆盖:(1) 读取多 Sheet Excel 文件并统计行数,(2) 大文件检测(≥10k 行自动 Parquet 优化),(3) 数据清洗(缺失值、文本标准化、无效字符),(4) 条件筛选与分类提取,(5) 跨 Sheet 统计聚合,(6) 导出 Excel/CSV 并提供下载链接。覆盖从数据读取到报告生成全流程,按步骤编排 capability 子 skill。**遇到以下任一情况就主动使用本 skill,不要自行写几行 pandas 就回答**:①用户出现触发词:Excel 分析 / 表格分析 / 数据分析 / 数据清洗 / 数据统计 / 数据筛选 / 数据可视化 / 数据导出 / 汇总统计 / 透视表 / 分组统计 / 交叉分析 / 趋势分析 / 对比分析 / 异常值检测 / 去重 / 缺失值处理 / Excel 报告 / 生成报表 / analyze Excel / data analysis / data cleaning / pivot table;②用户上传或指定了 .xlsx / .xls / .csv 文件并要求分析、清洗、统计或可视化;③任务涉及多 Sheet 读取、条件筛选、分类汇总、图表生成中的任意一项;④用户要求导出带格式的 Excel 报告或下载链接。仅不用于:不涉及表格数据的纯文本处理、图片分析(使用 sn-da-image-caption)、单个公式计算的简单问答。
图片理解与数据提取 skill。当图片文件(.png/.jpg/.jpeg/.gif/.webp/.bmp)是主要输入且用户需要理解、提取数据或分析图片内容时使用。提供预配置的 caption 脚本(scripts/caption.py),通过 vision 模型将图片转为文本描述,无需额外配置 API Key。覆盖:(1)通过 scripts/caption.py 对图表/表格/截图/流程图进行 caption;(2)将 caption 文本解析为结构化 DataFrame;(3)基于提取数据重新生成可视化图表;(4)导出为 Excel/CSV。遇到以下任一情况就主动使用本 skill,不要自行猜测图片内容:①用户出现触发词:图片分析 / 图表提取 / 表格识别 / OCR / 图片描述 / 截图分析 / 图表数据 / 提取图片中的数据 / 图片转表格 / 识别图片 / image caption / extract data from image / chart analysis / table OCR;②用户上传或指定了图片文件(.png / .jpg / .jpeg / .gif / .webp / .bmp)并要求理解、提取数据或分析内容;③任务需要从图表截图、表格截图、UI 截图、流程图中提取结构化信息;④用户要求将图片中的数据转为 Excel/CSV 或重新生成可视化图表。仅不用于:图片编辑(裁剪、滤镜、缩放)、图片生成、不含数据的风景/人物照片描述。
审查你金额最大的已成交赢单,找出经过验证的理想客户画像,然后找到更多类似客户。适用于任何想要分析赢单、审查最佳客户、查看哪些公司带来最多收入、找出真正的 ICP、构建相似目标客户名单、按实际付费情况细分客户,或了解哪个获客渠道带来最佳收入的人。触发词:'audit my biggest deals'、'which customers made us the most money'、'analyze my closed-won'、'what's my proven ICP'、'find more customers like my best ones'、'look-alike accounts'、'HubSpot deal analysis'、'revenue by account'、'which channel generated my best deals'、'acquisition source analysis'。面向进行 ICP 优化、基于客户的定向或 pipeline/QBR 复盘的 RevOps、销售/市场负责人、创始人和增长负责人。通过 HubSpot 的 MCP 或 CSV 导出读取数据,然后将画像交给 sales-nav-search-builder 生成拓客搜索。由 La Growth Machine 维护。
行业数据查询与分析工具。接入多种合规公开数据源,支持精确匹配、模糊搜索、聚合统计、分组排序等查询方式。当前已覆盖工商企业基本信息、产业链节点区域指标、产业链企业信息、A 股相关信息以及其他等大部分场景。完整的可用数据源清单及其字段结构需通过 describe_datasource 接口动态获取。 当用户提出任何涉及企业、公司、行业或产业链的数据查询意图时,都应触发此 Skill。典型场景包括但不限于: - 查询某家公司的工商注册信息(名称、法人、注册资本、成立日期、经营范围、股东、融资历史等) - 查询 A 股上市公司基本面、证券信息、F10 数据、IPO 信息、分红派息、高管信息 - 查询某条产业链的结构,包括节点企业、区域分布、各类标签企业统计(龙头、高新、专精特新、独角兽、小巨人等) - 查询产业链区域指标(营收、资产、利润率、ROE、知识产权、招投标数据等) - 按地域、行业、企业标签等维度做聚合统计或分组分析 - 用户提到“查一下某某公司”“帮我看看这家企业”“xx 产业有哪些龙头”等任何公开数据查询意图 即使无法确定所需数据是否已覆盖,也应先调用数据源列表接口探查,不可直接拒绝或猜测。数据来自合规公开渠道,结果仅供参考,不构成决策依据。
Apache Doris 的全面 SQL 语句检查(基于 Doris 3.1.4 Nereids ANTLR4 grammar),支持两种检查模式:1. 语法检查——关键字验证、语句结构验证、子句完整性、Doris 特定语法兼容性(DISTRIBUTED BY、PARTITION BY、ENGINE、DUPLICATE/AGGREGATE/UNIQUE KEY、INSERT OVERWRITE、LOAD、EXPORT、MTMV、BACKUP/RESTORE 等);2. 规范检查——依据 Apache Doris 开发最佳实践检查对象设计标准、数据操作标准和命名约定。内置自定义 Doris SQL tokenizer(来自 DorisLexer.g4 的 504 个关键字)和递归下降解析器,支持 100 多种 Doris 语句类型。适用于需要对 Apache Doris SQL(版本 2.1.x / 3.0.x / 3.1.x / 4.x)进行 SQL 质量审查、语法验证或规范合规性检查的场景。触发词:“Doris SQL检查”“Doris SQL规范”“Doris SQL审计”“Doris SQL语法”“检查Doris SQL”“Doris SQL review”。
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。
