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
由 Firecrawl API 提供支持的综合网页抓取、爬取和数据提取工具包。提供用于单页抓取（scrape.py）、网页搜索（search.py）、URL 发现（map.py）、多页爬取（crawl.py）、结构化数据提取（extract.py）和自主数据采集（agent.py）的脚本。当你需要：(1) 从网页提取内容、(2) 搜索并抓取网页、(3) 发现网站上的 URL、(4) 爬取多个页面、(5) 使用 JSON schema 提取结构化数据，或 (6) 从网络任何位置自主采集数据时使用。需要 FIRECRAWL_API_KEY 环境变量。
GoldRush Foundational API——覆盖 100 多条链的历史与近实时区块链数据的 REST API。当用户需要通过 REST 查询钱包代币余额、交易历史、NFT 持仓、代币价格、代币授权、跨链活动、区块数据、投资组合价值跟踪或任何链上数据时，都可使用此技能。这是区块链数据查询、投资组合仪表板、税务工具、合规检查、区块浏览器以及任何获取历史或当前链上数据的应用的默认技能。如果用户需要实时流式传输或 WebSocket 推送数据，请改用 goldrush-streaming-api。如果用户需要无需 API 密钥的按请求付费访问，请改用 goldrush-x402。
Яндекс Метрика：按来源与 UTM 标记细分流量，转化与搜索引擎报告，API 细分与计数器访问权限。采用 cache-first 方式以保持上下文窗口整洁。触发词：яндекс метрика、yandex metrika、metrika analytics、метрика трафик、метрика конверсии、метрика отчёт、создать сегмент、доступ к счётчику、выдать доступ рекламному кабинету。
从 PAI-FeatureStore 查询 FeatureDB 读写用量数据。用于分析消耗、用量趋势以及按官方定价估算成本。支持按日期范围查询并分项统计。触发词："FeatureDB read/write volume"、"PAI-FeatureStore usage"、"FeatureDB usage"、"FeatureDB statistics"、"Feature View usage"、"PAI-FeatureStore billing"
通过命令行对 Fabric Eventhouse 和 KQL Database 执行 KQL 管理命令（表管理、数据摄取、策略、函数、物化视图）。当用户想要：1. 创建或更改 KQL 表、列或函数 2. 将数据摄取到 Eventhouse（内联、从存储、流式）3. 配置保留、缓存或分区策略 4. 创建或管理物化视图和更新策略 5. 管理摄取管道的数据映射 6. 通过脚本部署 KQL 架构 触发词："create kql table"、"kql ingestion"、"ingest into eventhouse"、"kql function"、"materialized view"、"kql retention policy"、"eventhouse schema"、"kql authoring"、"create eventhouse table"、"kql mapping"
检查 RevOS BigQuery lakehouse：列出数据集和表，探查表结构与列类型，预览样本行，评估数据分层（bronze/silver/gold），并检查数据完整性和空值率。这是 create-dbt-transformations 和 create-cubes 的必需配套技能——在生成 dbt 模型或 cube 定义之前加载，以探查仓库的列和类型。适用于以下请求：探索 lakehouse、列出 BigQuery 表、检查表结构、预览数据、检查原始源表、评估数据质量、检查空值率、了解可用数据，或执行 BigQuery 结构探查。
通过**读取审计摘要** `scratch/audit/<stem>/audit.md`（由 `audit-ml-pipeline` 在 § 4 record-outcome 生成）来获取下一个 ML 实验提案。对于摘要中 `## Checks summary` 里 `severity` 为 `issue` 或 `tip` 的每一行，跟随该行的 `documentation_url` 起草一条 Backlog 行，其 `Item` 为文档推荐的缓解措施。`## Metrics summary` 为人类可读的摘要段落提供上下文，但其本身不驱动 Backlog 行。将充实后的 Backlog 行 + 一段摘要返回给 `iterate-ml-experiment`，由后者将这些行写入 `JOURNAL.md` 并重新展示取材菜单，以便用户提升某条 `B<N>` 行。停在“Backlog enriched, summary returned”；绝不写逐实验的设计说明，绝不挑选“获胜”的发现——用户通过 `B<N>` 挑选。触发条件：`iterate-ml-experiment` 正在挑选取材策略且用户从菜单中选择了 `skore`；用户说“mine the report”、“what does skore see?”、“fill the backlog from the diagnostic”；上一个实验已完成且用户希望把报告转化为可执行的 backlog 条目。跳过条件：上一个实验尚未运行（磁盘上没有审计摘要）；用户已有具体的建模想法（使用 `iterate-from-user`）；任务是运行/打开报告的*机制*——转交 `evaluate-ml-pipeline`；用户想要对报告中某一特定小节做叙述性阅读（转交 `evaluate-ml-pipeline`）。使用方法：将现有的 `scratch/audit/<stem>/audit.md` 摘要作为文本读取——不要重新打开 skore Project，不要调用 `report.*` 访问器。对 `## Checks summary` 小节中 severity 为 `issue` 或 `tip` 的每一行，跟随 `documentation_url`（通过 WebFetch）并起草一条 Backlog 行，引用 `audit:<stem>:checks.<code>`。按来源引用对 `JOURNAL.md` Backlog 中已有的行去重。返回候选行 + 一段人类可读摘要。父技能将这些行写入 `JOURNAL.md` 并重新展示取材菜单。
通过 `AskUserQuestion` 选定的三种入口之一从用户处获取下一个 ML 实验提案：(a) Agent 必须阅读并综合的科学文章 URL，(b) 资源链接或路径（GitHub issue / 规范文件 / 参考仓库），或 (c) 用户直接输入的纯文本。在每个分支中，Agent 阅读来源、综合其对要实现内容的理解，并在返回 Proposal 块*之前*与用户确认。将确认后的 Proposal 交回 `iterate-ml-experiment`，由后者写入 `journal/NN_short_name.md` 并寻求用户的设计说明批准。停在“Proposal returned, user-confirmed”；绝不写设计说明，绝不撰写验收标准。触发条件：`iterate-ml-experiment` 正在挑选取材策略且用户从菜单中选择了 `user`；用户主动提出具体想法（“I want to try X”）；用户粘贴或链接一篇科学文章、GitHub issue、规范文件或参考仓库并要求我们阅读。跳过条件：用户想挖掘上一份报告（使用 `iterate-from-skore`）；用户要求符号查找或流水线机制（使用 `python-api` 技能）；工作是对单份报告的评估机制（转交 `evaluate-ml-pipeline`）。使用方法：以一次 `AskUserQuestion` 开场询问入口——article-link / resource-link / free-text。在每个分支中：用合适的工具（`WebFetch`、`gh issue view`、`Read`）收集来源材料，把你的理解综合成三个塑形问题，并在返回 Proposal 之前**通过纯文本与用户确认**（一两句话：“you'd like to implement X by changing src/<pkg>/<file>.py — right?”）。不要写任何设计说明。不要撰写验收标准。
面向双边市场的 OpenSearch/Elasticsearch 搜索相关性与排序——候选召回(混合 BM25 + kNN、RRF、双塔 EBR)、基础相关性(BM25F、multi_match、LambdaMART)、质量信号(Wilson 下界、贝叶斯平均、rank_feature 饱和/sigmoid)、个性化(房源/用户/会话 embedding)、时空衰减(gauss/exp)、市场平衡(转化加权排序、供给公平、Pareto 多目标)、偏差校正(IPS、点击模型、Thompson 采样)、实证评估(判断集、NDCG、消融、A/B 样本量、CUPED、回归套件)与多样性(MMR、DPP、max-per-host)。在出现 function_score、rank_feature、script_score、kNN、hybrid query、learning-to-rank、双边排序、曝光公平、NDCG、A/B 测试、判断集构建、排序消融,或"为什么我的 OpenSearch 排序很差"时触发。同样适用于 Elasticsearch——API 相同。
使用此 skill 从表格数据（CSV 或 DataFrame）生成可独立使用、适合发表的 PNG 图形和可复现的 matplotlib 脚本。它把数值数据渲染成正式的科研可视化——包括散点图、折线图、柱状图、饼图、环形图、气泡图、龙卷风图、KDE、小提琴图、箱线图、热力图、直方图和面积图，以及将上述类型组合在同一张图中的多面板复合图——用于学术稿件。仅当最终交付物是单个图像文件时触发。不要用于交互式仪表板或 HTML 渲染输出（Plotly、Streamlit、Quarto、Jupyter notebook），也不要在请求涉及构建包含图表的容器文档或演示时使用（幻灯片、会议海报）。不适用于流程图、算法示意图或过程图等非数据的示意图。此 skill 专注于把数据高保真地渲染成最终图像文件，而非演示设计、文档排版，或从现有截图逆向还原代码。
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。