Skills
收录 100,344 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。
全部
交互式测验，将你的 AI/ML 知识映射到 523 节课、20 个阶段的 AI Engineering from Scratch 课程起点。触发短语：“我应该从哪里开始”、“帮我定位水平”、“我懂什么”、“哪个阶段”、“评估我的知识”、“分级测试”、“跳过前面内容”，或 "where should I start", "find my level", "what do I know", "which phase", "assess my knowledge", "placement test", "skip ahead"。
诊断代码库的前端设计成熟度，并按正确的顺序编排前端设计技能。当用户提出宽泛或模糊的设计请求时使用——'让这个看起来更好'、'润色 UI'、'这感觉像个 MVP'、'我们的前端一团糟'、'设计该从哪里开始'、'让它显得专业'、'规划一个设计系统'——或者当请求横跨多个设计关注点且不清楚适用哪一个单一技能时。通过检查实际代码（Tailwind 配置、CSS 变量、组件结构、hex 代码漂移）评估成熟度，选择五条实现路径之一，并产出设计路线图：一份有证据支撑的成熟度诊断，加上有序的技能序列及每一步传递给下一步的产物。如果请求明确对应单一关注点（仅间距、仅颜色、仅字体），跳过此技能并直接调用该技能。
传统 Python 计量经济栈中的经典端到端实证分析工作流——pandas + numpy + scipy + statsmodels + linearmodels + pyfixest + rdrobust + econml + causalml + matplotlib/seaborn。**默认采用经济学实证论文风格**（AER / QJE / AEJ）——每次运行都产出一套可直接发表的输出，以多列回归表（M1→M6 渐进控制/固定效应）为核心，另有表 1（描述性统计）、机制/异质性/稳健性表，以及事件研究 + 系数 + 趋势图。涵盖应用经济学家或定量社会科学研究者每篇论文都会执行的全套 8 步流程——(1) 数据清洗，(2) 变量构建与变换，(3) 描述性统计与表 1，(4) 统计诊断检验，(5) 基线实证建模，(6) 稳健性检验组，(7) 进一步分析（机制、异质性、中介、调节），(8) 可发表的表与图。**还涵盖共享同一 8 步框架的两种并行领域模式**——**模式 A ——流行病学/公共卫生**（通过 `zepid`/手工 `pandas` 进行目标试验模拟，通过 `zepid`/`econml`/`lifelines` 实现 IPTW + g-formula + TMLE 双重稳健三件套，通过 `pymr`/`mrtool`（或 `rpy2` → `MendelianRandomization`/`TwoSampleMR`）进行孟德尔随机化，通过 `lifelines` 进行 KM/AFT/Cox 生存分析，E 值敏感性分析，主分层——STROBE/TRIPOD 报告），以及**模式 B ——机器学习因果推断**（通过 `econml.dml`/`doubleml` 实现 DML，通过 `econml.metalearners`/`causalml` 实现 S/T/X/R/DR 元学习器，通过 `econml.grf`/`causalml` 实现因果森林，通过 `causalml` 实现 Dragonnet/TARNet/CEVAE 神经因果，通过 `pymc-bart`/`bcf-py` 实现 BCF，矩阵补全，通过 `econml.policy`/`policytree-py` 实现 CATE 分布 + 策略树，离策略评估，通过 `mapie` 实现保形因果，通过 `fairlearn` 实现公平性审计，通过 `causal-learn`/`cdt`/LLM 辅助进行 DAG 学习）。规定每一步该选用哪个库，展示规范代码，并链接到更深入的 `references/` 文件以了解变体特定模式。在用户要求在 Python 中进行**完整实证分析**、想从零复现一篇应用经济学论文、需要一个不对任何单一垂直包持有偏见的可复现工作流（与 StatsPAI 对比）、希望对每个估计量和诊断拥有明确控制，或询问 "how do I write a full empirical pipeline in Python?" 时使用。当用户单独提到某个经典步骤时也会触发——"winsorize at 1/99%"、"run Breusch-Pagan"、"build a Table 1 balance table"、"do a placebo test"、"event study plot"、"mediation analysis"——并希望将其接入更广泛的工作流。模式 A 在 "target trial emulation"、"IPTW"、"TMLE"、"Mendelian randomization"、"STROBE"、"公共健康"、"流行病学" 时触发。模式 B 在 "DML"、"double machine learning"、"causal forest"、"meta-learner"、"Dragonnet"、"BCF"、"policy tree"、"conformal causal"、"fairness audit"、"因果机器学习" 时触发。
[Hyper] 当用户想要调用 Google Gemini CLI（`gemini`）进行推理、研究或 AI 辅助时使用。触发短语："use gemini"、"ask gemini"、"run gemini"、"call gemini"、"gemini cli"、"Google AI"、"Gemini reasoning"，或用户请求 Google 的 Gemini 模型、结合网络搜索的研究、plan-mode 审查，或想恢复之前的 Gemini 会话时。不适用于无需 Gemini CLI 的通用写作、runbook 清理或本地编辑。
Google Analytics 4 实施与分析参考。在查询实时 GA4 报表数据、设置 GA4 媒体资源或数据流、安装 gtag.js、设计事件或电商跟踪、注册自定义维度或受众、通过 Measurement Protocol 发送服务端事件、将 GA4 关联到 BigQuery 并理解导出架构、使用 DebugView 调试，或配置 Consent Mode 和数据保留时使用。不要用于常规 GTM 容器工作，例如触发器、变量、自定义模板或服务端容器——请使用 google-tagmanager；Google Ads 脚本或广告报表——请使用 google-ads-scripts；针对 GA4 导出表编写或运行 SQL——请使用 bigquery 技能；Universal Analytics 或非 Google 的分析工具。
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。