kaggle-automation
作者 ComposioHQkaggle-automation 可協助 agent 透過 Composio 的 Rube MCP 自動化 Kaggle 任務：先探索目前可用工具、檢查 Kaggle 連線狀態，並在執行前使用即時 schema。
評分：67/100。可收錄，但定位較適合作為有限用途的輔助 skill，而不是完整的 Kaggle 自動化作戰手冊。目錄使用者可以充分理解它能協助 agent 透過 Composio/Rube MCP 路由 Kaggle 請求，並進行連線檢查與動態工具探索；但應預期主要仍需依賴即時的 Rube 工具 schema，而非內建的詳細 Kaggle 工作流程。
- 有效的 frontmatter 宣告了 skill 名稱、描述與 Rube MCP 需求，讓預期觸發情境與相依項目清楚可見。
- 先決條件與設定步驟明確要求 agent 驗證 RUBE_SEARCH_TOOLS、透過 RUBE_MANAGE_CONNECTIONS 管理 Kaggle 連線，並在執行工作流程前確認狀態為 ACTIVE。
- 此 skill 反覆要求 agent 先呼叫 RUBE_SEARCH_TOOLS 取得最新工具 schema，可在 Kaggle 工具變動時減少對 schema 的猜測。
- 除了 SKILL.md 之外，沒有提供支援檔案、腳本、參考資料、README 或安裝指令，因此採用時仰賴使用者本來就了解如何安裝 skill 並設定 MCP。
- 這份指引多半是通用的 Rube MCP 工具探索／連線模式；從內容來看，除了搜尋工具與管理 Kaggle 連線外，幾乎沒有 Kaggle 專屬的操作細節或實用範例。
kaggle-automation skill 概覽
kaggle-automation 的用途
kaggle-automation 是一個 Claude skill，可透過 Composio 的 Kaggle toolkit，並使用 Rube MCP 來自動化 Kaggle 操作。它適合需要探索 Kaggle 工具、驗證身分驗證狀態，並執行 Kaggle 相關工作流程的 agent；重點是不必把可能過時的 API schema 硬寫在流程裡。
它的核心行為很簡單，但非常關鍵：在執行任何 Kaggle 動作之前，agent 都應該先呼叫 RUBE_SEARCH_TOOLS，查出目前可用的工具、schema、執行計畫與常見風險。
最適合的使用者與工作流程
如果你已經搭配 MCP 使用 Claude，並且想為 Kaggle 任務建立 agentic workflow，例如資料集探索、競賽相關操作、notebook 或資源管理，或其他由 Composio 的 Kaggle toolkit 暴露出的動作，kaggle-automation skill 會特別有用。
它適合那些不想只寫一次性 Kaggle API script，而是希望 AI agent 在檢查即時 schema 後，自行選擇正確 Rube 工具的使用者。這一點很重要，因為 MCP tool schema 可能會變動；這個 skill 的主要價值，就是強制 agent 先探索、再執行。
這個 skill 的不同之處
和一般「幫我使用 Kaggle」的提示不同，kaggle-automation 內建了一套明確的操作模式：
- 使用 Rube MCP 作為執行層。
- 在執行 workflow 前，先確認 Kaggle connection 已啟用。
- 先搜尋工具，而不是假設工具名稱或參數。
- 以回傳的 tool schema 與建議計畫作為唯一可信依據。
因此，當 Workflow Automation 的可靠性取決於最新工具中繼資料，而不是記憶中舊版 API 範例時，這個 skill 會更適合。
如何使用 kaggle-automation skill
kaggle-automation 安裝與設定脈絡
從 repository path 安裝這個 skill：
npx skills add ComposioHQ/awesome-claude-skills --skill kaggle-automation
接著在你的 client 中加入以下設定，以配置 Rube MCP：
https://rube.app/mcp
上游 skill 說明 MCP endpoint 本身不需要 API key，但你仍然需要透過 Rube 建立有效的 Kaggle connection。先確認 RUBE_SEARCH_TOOLS 可用，然後使用 RUBE_MANAGE_CONNECTIONS，並將 toolkit 設為 kaggle。如果 connection 不是 ACTIVE，請依照回傳的 auth link 完成授權，並在嘗試任何 Kaggle 動作前再次檢查。
skill 需要你提供的輸入
要可靠地使用 kaggle-automation，請提供 agent 一個明確的 Kaggle 目標、你想操作的物件，以及任何限制。像「do my Kaggle task」這類模糊提示，會迫使模型猜測使用情境，也可能導致不必要的工具探索循環。
較好的輸入範例：
Use kaggle-automation to find the current Rube MCP Kaggle tools for searching datasets about housing prices. Check that my Kaggle connection is active first. Return the available actions, required fields, and ask before downloading or modifying anything.
更完整的輸入可以包含：
- 目標類型：dataset、competition、notebook、file，或 account action。
- 期望結果：search、list、upload、download、submit、inspect，或 summarize。
- 安全限制：read-only、不提交、不下載超過指定大小的檔案。
- 輸出格式：table、plan、tool call summary，或 next-step checklist。
agent 的實務工作流程
一份好的 kaggle-automation 指南應該遵循以下順序：
- 呼叫
RUBE_SEARCH_TOOLS，並提供像"Kaggle dataset search"或"Kaggle competition submission"這類 use case。 - 在後續呼叫中重複使用回傳的 session ID。
- 針對 toolkit
kaggle呼叫RUBE_MANAGE_CONNECTIONS。 - 如果尚未啟用，停止流程並要求完成身分驗證。
- 使用回傳的精確 tool slug 與 input schema。
- 只有在確認破壞性或公開可見的動作後，才執行該操作。
這個 skill 對 schema drift 特別敏感。不要要求模型自行編造欄位。repository 明確指示 agent 必須先搜尋工具，因為 Rube 會回傳目前的 schema 與已知風險。
優先閱讀的 repository 檔案
這個 skill 很精簡：主要來源是 composio-skills/kaggle-automation/SKILL.md。在提供的 tree preview 中，沒有看到 helper scripts、references、rules 或 metadata files，因此安裝決策的主要價值，來自理解 SKILL.md 裡的 MCP 前置條件與 workflow pattern。
如果你需要以下項目的精確範例呼叫，請閱讀原始檔：
RUBE_SEARCH_TOOLSRUBE_MANAGE_CONNECTIONS- Session handling
- 執行前的 connection checks
kaggle-automation skill 常見問題
kaggle-automation 只適用於 Kaggle competitions 嗎？
不是。這個 skill 是圍繞 Composio 的 Kaggle toolkit 設計，而不只限於 competitions。可用動作取決於 RUBE_SEARCH_TOOLS 針對你的 use case 回傳的結果。它可能涵蓋 datasets、competitions、notebooks，或目前 toolkit 暴露出的其他 Kaggle 操作。
為什麼不直接叫 Claude 使用 Kaggle API？
一般提示可以解釋 Kaggle 概念，但不會自動探索目前的 Rube MCP tool schema。當 agent 必須透過 Composio/Rube 操作，且不應依賴記憶中的 API 名稱或參數時，kaggle-automation skill 就很有用。
這對初學者友善嗎？
如果使用者熟悉新增 MCP server，並能完成類 OAuth 的 connection flow，這個 skill 對初學者算是友善。若你只是想要一份本機 Python Kaggle API 教學，它就不太適合。主要前提是理解 Rube MCP 是執行層，而且 Kaggle 必須先完成連線，任務才能執行。
什麼時候不該使用這個 skill？
如果你需要的是獨立的 Kaggle CLI 替代品、離線 script，或自訂資料科學建模邏輯，就不應使用 kaggle-automation。當你的環境無法使用 MCP tools，或你需要不含互動式身分驗證步驟的 deterministic CI/CD 行為時，它也不是好的選擇。
如何改善 kaggle-automation skill
改善 kaggle-automation 的提示
最大的品質改善，來自於給 agent 一個範圍明確的工具探索 use case。不要這樣寫：
Search Kaggle.
改成：
Use kaggle-automation to discover current Kaggle tools for finding public datasets related to credit card fraud. Keep the workflow read-only, show required fields before calling any execution tool, and return the top candidate actions with risks.
這能幫助 skill 選擇正確的搜尋查詢、保留安全邊界，並避免不必要的 Kaggle 動作。
避免常見失敗模式
常見問題通常與設定有關：
RUBE_SEARCH_TOOLS無法使用，因為 Rube MCP 尚未連線。- Kaggle auth 尚未完成，或狀態不是
ACTIVE。 - Agent 跳過工具探索，直接猜測 schema。
- 提示沒有說明是否允許修改、上傳、下載或提交。
你可以要求 agent 在執行前回報 connection status 與已探索到的 tool schema，以降低失敗機率。
在第一次輸出後持續迭代
取得第一次工具探索結果後，請使用回傳的 tool names 與 fields 來細化工作流程。你可以要求 agent 將探索輸出轉換成簡短的執行計畫：
Based on the discovered Kaggle tools, list the exact tool calls needed, required inputs, optional inputs, and any irreversible actions. Do not execute until I approve.
這會把 kaggle-automation 從寬泛的自動化助手，變成可控的操作型 workflow。
加入本機專案 guardrails
若要在團隊中使用，請把這個 skill 和你們自己的 Kaggle 資料處理規範搭配起來：下載位置、dataset size limits、competition submission approval、credential handling，以及 logging。上游 skill 提供的是 Rube/Kaggle workflow pattern，但你的環境應該明確定義 connection 啟用後 agent 可以做哪些事。