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
在回答关于 dbt v2 项目自身元数据的问题时使用——存在哪些模型、来源、测试、列、配置、标签、包或血缘关系，哪些没有测试或没有文档，什么依赖什么，上次运行中模型耗时多久——或在使 用 `dbt show --info`、`{{ info_schema() }}`、`--generate-info-schema`、`target/info_schema/` 或编写 `dbt check` SQL 时使用。在 dbt v2 上优先使用本技能，而不是 grep YAML 或解析 `manifest.json`。
由 Supabase 维护的 Postgres 最佳实践，适用于在任何环境中运行的 Postgres。在编写或更改 Postgres 数据库中的任何内容之前，请加载此技能：创建或修改表和列（包括选择列类型）、模式设计、迁移和声明式模式文件、RLS 策略及其验证测试、索引、触发器、数据库函数、队列和定时任务（pg_cron、pgmq）、向量／语义搜索（pgvector），以及恢复转储（pg_restore）或导入数据。诊断慢查询、CPU 占用过高、超时、EXPLAIN 计划、连接耗尽、锁定、膨胀，或对错误用户或租户可见的行时，也请加载此技能。这不只是性能指南——模式、迁移、安全和 SQL 编写任务也需要遵循这些规则，即使只是更改一列或执行单个查询。
负责 ML 工作区的迭代循环：`journal/JOURNAL.md` 索引，以及必须在创建 `experiments/NN_short_name.py` **之前**起草并由用户批准的各实验 `journal/NN_short_name.md` 设计说明。推动提议 → 迭代 → 批准 → 实现 → 记录的流程；在获取素材时分派给 `iterate-from-skore` / `iterate-from-user`。触发条件——以下任一情况：在 ML 工作区中开启会话（无论 `journal/` 是否存在；缺失或占位内容时进入引导模式）；用户说“下一步是什么”“继续”“我们到哪了”“开始迭代吧”“提出下一个方案”“第一个基线”；即将创建新的 `experiments/NN_*.py`（必须先有对应且获批准的 `journal/NN_*.md`）；用户想记录已完成运行的结果；用户要求比较以往实验或回顾尝试过的内容（“比较 X 和 Y”“我们到哪了？”）。跳过条件：尚无 `journal/` 且没有工作区脚手架（转至 `organize-ml-workspace`）；只在 `pipeline.py` / `evaluate.py` / `data.py` 中进行、不涉及日志层面的机械工作（由 `build-ml-pipeline` / `evaluate-ml-pipeline` 负责）；用户查询符号（`python-api`）；用户只诊断单个 skore 报告且未提出“下一步”问题（`evaluate-ml-pipeline`）。使用方法：先阅读 `journal/JOURNAL.md`，通过靠近顶部的表格 **Mode picker** 对本轮进行分类，然后只阅读匹配的部分。仅在某个步骤需要时才即时打开同级技能；不要在会话开始时预先阅读所有同级技能。本技能只写入设计说明；读取、比较和概览模式不会写入。
负责单个实验的冒烟测试：编写一个小型 pytest，在部分真实 `data/` 上拟合，并在不相交且不含历史缓冲区的数据切片上预测。预测数量必须等于 predict-grid 行数。以下情况触发：已批准的实验需要冒烟测试；`pytest tests/smoke/` 因行数失败；用户询问冒烟测试失败原因；管道编辑需要验证；或实验脚本更改了管道形状。若 `status.setup.pending` 非空，则停止（加载 `setup-ml-project`）；若没有已批准的设计或匹配的实验脚本，也应停止并向用户说明，指引其进入设置流程或留在 `build-ml-pipeline`。已拒绝的 git 不会再次询问。“Why is smoke failing?” 仍由本技能处理。本技能不涵盖回归测试或 CV 解读。使用方法：检查 `status`，阅读日志和实验，编写 `tests/smoke/test_NN_*.py`，然后运行 `python -m skore_skills smoke run --stem <stem>`。红色 JSON 表示应在 `build-ml-pipeline` 中修复管道。不要放宽断言。
通过 MCP `fabric-sqlendpoint-execute_query` 工具，对 Fabric Data Warehouse、Lakehouse SQL Endpoints 和 Mirrored Databases 执行只读 T-SQL 查询。除非用户明确要求使用 PySpark 或 Spark DataFrames，否则这是所有 lakehouse 数据查询（行数统计、SELECT、筛选、聚合）的默认 skill。适用于用户希望：(1) 查询数据仓库/lakehouse 数据；(2) 统计行数或探索 lakehouse 表；(3) 查看架构/列；(4) 生成 T-SQL 脚本；(5) 监控 SQL 性能；(6) 将结果导出为 CSV/JSON。对于 Fabric notebook 单元格（%%sql 或其他 notebook magics），请使用 `spark-authoring-cli`，而不是此 skill。触发词：“warehouse”“SQL query”“T-SQL”“query warehouse”“show warehouse tables”“show lakehouse tables”“query lakehouse”“lakehouse table”“how many rows”“count rows”“SQL endpoint”“describe warehouse schema”“generate T-SQL script”“warehouse performance”“export SQL data”“connect to warehouse”“lakehouse data”“explore lakehouse”。
用 Typesense 搭建可自托管、容忍拼写错误的搜索环境——开源版 Algolia / ElasticSearch 替代方案（单个 C++ 二进制文件、<50ms 即时搜索、无运行时依赖）。一个路由优先的 skill：选择服务器模式（二进制下载、官方 Docker 镜像或托管的 Typesense Cloud），安装 API 客户端（Python/JS/PHP/Ruby 官方；Go/Dart/C# 社区），设计集合 schema、索引文档，并运行支持拼写容错、分面/过滤、地理搜索、排序、分组、同义词、策展、限定范围的 API key 和联邦多路搜索的查询——然后接入 InstantSearch.js UI，并为生产环境搭建基于 Raft 的高可用集群。适用于用户想构建或运维可安装的搜索后端、为网站/应用/产品添加搜索，或从 Algolia/Elasticsearch 迁移。触发词：typesense、search engine、typo-tolerant search、algolia alternative、elasticsearch alternative、instantsearch、faceted search、geo search、vector search、self-hosted search、site search、product search。
使用 DataForSEO 数据为任意域名生成 3 个月 SEO 表现 HTML 报告。获取基线与当前流量、关键词排名、热门内容页面和竞争格局，然后输出采用 Infrasity 品牌设计系统样式的报告：#0D0A1A 背景、#8157F2 紫色强调色、Instrument Sans + DM Sans + DM Mono 字体。每当用户提供目标域名和竞争对手 URL 列表并要求 SEO 报告、表现报告、SEO 分析、竞争 SEO 对比、流量报告、排名报告或 3 个月 SEO 总结时，使用此技能。当用户说 "generate SEO report for X vs Y and Z"、"create a performance report"、"compare my SEO against competitors"，或粘贴域名并询问其与市场相比表现如何时，也应触发。生成 SEO 报告时始终使用此技能——不要试图在不遵循这一结构化数据获取和 HTML 生成工作流的情况下构建报告。
搭建自主研究循环，让 Agent 在 git 分支上迭代实验、假设和代码。当用户想自动化 ML 实验、搭建可自我改进的研究 Agent、需要无需人工干预地运行大量实验变体，或说"automate experiments"、"agent research loop"、"self-improving agent"、"run hyperparameter search"、"autoresearch" 时使用此 Skill。基于 Karpathy 的 28k 点赞级 AutoResearch 帖子。
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。