数据分析

social-graph-ranker 是一個加權圖譜排名層，用於在 X 和 LinkedIn 上進行暖身介紹發掘、橋接評分與網路缺口分析。當你需要一個可重複使用的排名引擎來支援 Lead Research，而不是完整的外聯或網路維護流程時，就該使用 social-graph-ranker 技能。

regex-vs-llm-structured-text 技能可協助你在結構化文字擷取時判斷該用 regex 還是 LLM。先從可預測的解析開始，再針對低信心的邊界情況加入 LLM 驗證，適合用更便宜、更可靠的流程處理文件、表單、發票與資料分析。

clickhouse-io 是一個以 ClickHouse 為核心的技能，涵蓋 schema 設計、分析型 SQL、資料匯入模式與效能調校。可用來引導 MergeTree 的選擇、分區、materialized views，以及依工作負載進行查詢最佳化。

data-analyst 是一個精簡的 GitHub skill，會引導代理以 SQL、pandas 與基礎統計分析來進行資料探索。適合希望透過單一 SKILL.md 提示層，就能完成具程式碼支撐的查詢、轉換與結果解讀的使用者。

retro 是專為工程團隊設計的專案回顧技能。它會分析 commit 歷史、工作模式與先前的學習，產出結構化、具延續性的每週 retro。可用於 sprint 檢視、what did we ship 問題，以及 Project Management 檢查會議。

startup-metrics-framework 可協助創辦人、分析師與營運團隊計算新創 KPI，例如 CAC、LTV、burn multiple、runway 與成長指標，適用於 SaaS、marketplace、consumer 與 B2B 新創。

使用 market-sizing-analysis 技能，以 top-down、bottom-up 與 value-theory 方法建立結構化的 TAM、SAM、SOM 估算。內容涵蓋安裝判斷情境、關鍵檔案、輸入需求、工作流程，以及用於新創市場規模評估與 Data Analysis 的實務用法。

startup-financial-modeling 可協助代理建立 3–5 年的新創財務模型，涵蓋 cohort 營收、成本結構、burn、runway，以及募資情境。特別適合需要安裝判斷依據、明確輸入項目與實務使用指引的創辦人與財務負責人，內容主要來自此技能的 SKILL.md。

risk-metrics-calculation 可協助計算投資組合風險指標，例如 VaR、CVaR、Sharpe、Sortino、beta、波動率與回撤。可用來把報酬序列整理成結構化風險報告、Python 實作範式，以及適用於金融工作流程的實務解讀。

backtesting-frameworks skill 可協助你設計與審查交易策略回測，在金融情境中更完整地控制前視偏誤、生存者偏誤、過度擬合、交易成本，以及 walk-forward validation 等關鍵風險。

spark-optimization 是一份實用指南，協助診斷執行緩慢的 Apache Spark 工作，重點涵蓋 partitioning、shuffle、skew、caching 與記憶體調校。你可以用它從 wshobson/agents 安裝此技能、閱讀 SKILL.md，並根據 Spark UI 徵兆、叢集設定與查詢模式，採取有憑有據的最佳化修正。

torchdrug 是一套以 PyTorch 為核心的分子與蛋白質機器學習工具箱。你可以透過 torchdrug 技能來選擇任務、資料集與模組化模型，涵蓋圖神經網路、蛋白質建模、知識圖譜推理、分子生成與逆合成。它最適合客製化模型開發與可重現的設定，而不只是現成示範。

適用於 PyTorch Geometric 圖神經網路的 torch-geometric 技能指南。可用來取得 torch-geometric 安裝協助、torch-geometric 使用方式、圖分類、節點分類、連結預測、異質圖、自訂 MessagePassing 層，以及為 Machine Learning 工作流程擴展 GNN。

使用 sympy 技能在 Python 中進行精確的符號數學運算，涵蓋代數、微積分、矩陣、物理公式、數論、幾何與程式碼生成。它能幫助你維持表達式的精確性、選對 SymPy 模組，並避免過度依賴浮點數造成的錯誤。最適合需要實用 sympy 指南來處理符號工作流程，以及在 Data Analysis 中使用 sympy 的使用者。

rdkit 技能可協助你精準處理化學資訊工作流程：解析 SMILES、SDF、MOL、PDB 與 InChI；計算描述子；產生指紋；執行子結構搜尋；處理反應；以及建立 2D/3D 座標。這份 rdkit 指南適合進階控制、自訂清理，以及用 rdkit 進行 Data Analysis 工作流程。

qiskit 是一個 IBM 量子運算技能，可用於建立電路、選擇 backend、為硬體進行 transpile，並在模擬器或 IBM Quantum 裝置上執行 jobs。它非常適合用於 chemistry、optimization 與 machine learning 相關的 qiskit 使用情境，尤其是當你需要的是可直接上手的安裝與執行指引，而不是只談理論的 qiskit 入門指南。

Open Notebook 是一個自架、開源的研究工作區，適合文件分析、筆記、與來源對話、搜尋，以及 Podcast 風格摘要。使用 open-notebook skill 來整理 notebook、匯入 PDF、網頁、音訊、影片與 Office 檔案，並支援以隱私為優先、API first 的 Data Analysis 工作流程。

hypogenic 是一項可在表格型資料或從文字衍生的資料集上，搭配 LLM 支援來產生與測試假設的技能。它能協助進行資料分析中的 hypogenic 工作，將經驗性問題轉化為結構化、可驗證的流程，適用於分類解讀、內容分析與欺瞞偵測。當你需要的是有證據支撐的假設，而不只是腦力激盪時，就很適合使用它。

hugging-science 技能可協助你從 Hugging Science 目錄與 `hugging-science` Hugging Face 組織中，找到並使用科學 AI 資源。當你需要能實際執行或引用的資料集、模型、Space 或部落格文章時，它很適合生物、化學、氣候、基因體學、材料、天文學等相關工作。若你的需求是 hugging-science 的使用方式與 hugging-science 指南流程，而不是泛用搜尋，這個技能會更對題。

histolab 是一個用於數位病理全切片影像（whole-slide image, WSI）前處理的 Python 技能。它支援組織偵測、切片擷取與 H&E 切片的染色標準化，適合用於資料集準備、快速的切片式分析，以及輕量級資料分析流程。搭配實用指引來安裝與使用 histolab，並掌握 masks、tilers 與 slide 管理。

diffdock 是一個 docking 技能，可根據 PDB 結構，或蛋白質序列搭配以 SMILES、SDF 或 MOL2 表示的配體，預測 protein-ligand 的結合姿勢。可用於結構導向藥物設計、虛擬篩選，以及帶有信心分數的 pose 分析。它不適用於結合親和力預測。

dhdna-profiler 可從文字或語音中萃取認知模式與思考指紋。可用來分析一個人如何推理、做決策、重視什麼，以及如何表達；比較不同的思考風格，或回答「我的思考風格是什麼？」這類問題。它特別適合結構化分析、重複比較，以及更深入理解一段內容背後的思維。

user-personas skill 會根據研究資料建立 3 個精煉的人物誌，包含 JTBD、痛點、獲得與意外洞察。當你手上有問卷、訪談或其他原始素材時，適合用來做 UX Research、分群、入職導覽策略與產品決策的 user-personas。

market-sizing 可運用自上而下與自下而上的方法，協助估算 TAM、SAM 與 SOM。當你需要有理有據的推導脈絡、可驗證的假設，以及實用的初步市場估算時，可用於市場研究工作流程、市場進入決策、投資人簡報與上市規劃。