数据分析

social-graph-ranker 是用于暖介绍发现、桥梁评分，以及跨 X 和 LinkedIn 的网络缺口分析的加权图排序层。当你需要一个可复用的 Lead Research 排序引擎，而不是完整的外联或网络维护流程时，使用 social-graph-ranker 技能。

regex-vs-llm-structured-text 技能用于在结构化文本抽取中选择 regex 还是 LLM。先用确定性解析打底，再用 LLM 对低置信度边界情况做校验，并为文档、表单、发票和数据分析构建更便宜、更可靠的流水线。

clickhouse-io 是一款面向 ClickHouse 的技能，覆盖 schema 设计、分析型 SQL、数据摄取模式和性能调优。可用于指导 MergeTree 选型、分区设计、materialized views 以及面向具体工作负载的查询优化。

data-analyst 是一个轻量级 GitHub skill，用于引导代理通过 SQL、pandas 和基础统计分析来完成数据探索。它尤其适合希望仅通过一层 `SKILL.md` 提示，就获得有代码支撑的查询、数据转换与结果解读的用户。

retro 是面向工程团队的项目复盘 skill。它会分析 commit 历史、工作模式和过往经验，生成结构清晰、前后衔接的每周 retro。适合用于 sprint review、“我们交付了什么”这类问题，以及 Project Management 周期性检查。

xlsx 是一项面向 Claude 的电子表格技能，可用于创建、编辑、分析、格式化并重新计算 .xlsx、.xlsm、.csv 和 .tsv 文件。它重点关注零公式错误、保留现有工作簿模板、符合财务模型的格式规范，并通过基于 LibreOffice 的 recalc.py 执行重新计算。

textrazor-automation 是一个 Claude skill，用于通过 Composio Rube MCP 自动化 Textrazor 任务，支持工具发现、连接检查以及基于 schema 的执行。

rosette-text-analytics-automation 可帮助 agent 通过 Composio Rube MCP 运行 Rosette Text Analytics：检查连接、使用 RUBE_SEARCH_TOOLS 发现实时工具 schema，并执行文本分析 workflow。

microsoft_clarity-automation 帮助 agent 通过 Composio Rube MCP 使用 Microsoft Clarity，处理会话录制、热图和行为分析等场景。它强调先使用 RUBE_SEARCH_TOOLS、配置有效的 Clarity 连接，并按 schema 感知的方式调用工具。

googlebigquery-automation 可帮助 agent 使用 Rube MCP 和 Metabase 访问 BigQuery 数据、验证连接、查看元数据，并运行原生 SQL 或 MBQL 分析，无需猜测 schema。

eodhd-apis-automation 可帮助 agents 通过 Composio Rube MCP 自动化 EODHD API 工作流，强调先进行工具发现、连接检查，并按 schema 执行操作。

college-football-data-automation 可帮助 agent 通过 Rube MCP 和 Composio 自动化 College Football Data 相关任务。本文介绍安装配置要求、如何使用 RUBE_SEARCH_TOOLS 发现工具、连接检查，以及实用的使用模式。

startup-metrics-framework 可帮助创始人、分析师和运营人员计算创业公司常用 KPI，包括 CAC、LTV、burn multiple、runway 以及增长指标，适用于 SaaS、marketplace、consumer 和 B2B 类型的初创公司。

使用 market-sizing-analysis skill，基于 top-down、bottom-up 和 value-theory 方法，构建结构化的 TAM、SAM、SOM 估算。内容涵盖安装判断所需的使用场景、关键文件、输入项、工作流，以及面向 startup 市场规模测算和 Data Analysis 的实际用法。

startup-financial-modeling 可帮助智能体搭建 3–5 年的初创公司财务模型，涵盖 cohort 收入、成本结构、burn、runway 以及融资情景。适合创始人和财务负责人在安装前了解适用场景、所需输入项，以及基于该技能 `SKILL.md` 的实际使用方式。

risk-metrics-calculation 可用于计算投资组合风险指标，如 VaR、CVaR、Sharpe、Sortino、beta、volatility 和 drawdown。它能帮助你把收益率序列转化为结构化的风险报告、Python 实现模式，以及适用于金融工作流的实用解读。

backtesting-frameworks 技能可帮助你在金融场景中设计和审查交易策略回测，并更严格地控制前视偏差、幸存者偏差、过拟合、交易成本以及 walk-forward validation 等关键问题。

spark-optimization 是一份实用指南，帮助诊断运行缓慢的 Apache Spark 作业，重点覆盖 partitioning、shuffle、skew、caching 和 memory tuning。你可以用它从 wshobson/agents 安装该 skill，阅读 SKILL.md，并结合 Spark UI 症状、集群配置与查询模式，采用有依据的优化方案。

product-analytics 可帮助 agent 在 Product Management 工作流中定义 KPI，选择 AARRR、North Star 或 HEART 等框架，设计 dashboard，并分析 retention、cohort、funnel 与 feature adoption。

experiment-designer 可帮助 Product Management 团队设计 A/B 实验和功能实验，形成可检验的假设、指标体系、样本量规划、ICE 优先级排序、停止规则和结果解读。

senior-data-scientist 是一个面向 Machine Learning 的 Claude skill，适用于 A/B test 设计、因果推理、特征工程和表格型 ML 评估。它可用于辅助样本量估算、指标选择、数据泄漏检查、SHAP 审阅以及类似 MLflow 的跟踪；其中的脚本是脚手架模板，并不是完整引擎。

channel-economics 帮助 RevOps 和商业负责人从完整 cost-to-serve、ROI 视角及受约束的 channel-mix 建议出发，对比直销、合作伙伴、marketplace、reseller 或 OEM 等渠道。包含 Python 脚本、数据模板，以及 channel-economics 使用指南。

torchdrug 是一个原生 PyTorch 的分子与蛋白质机器学习工具包。使用 torchdrug 技能来选择任务、数据集和模块化模型，覆盖图神经网络、蛋白质建模、知识图谱推理、分子生成和逆合成。它更适合自定义模型开发和可复现配置，而不只是现成演示。

面向 PyTorch Geometric 图神经网络的 torch-geometric 技能指南。适用于 torch-geometric 安装帮助、torch-geometric 使用、图分类、节点分类、链接预测、异构图、自定义 MessagePassing 层，以及面向 Machine Learning 工作流的 GNN 扩展与性能优化。