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。

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。

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。

使用 sympy 技能在 Python 中进行精确的符号数学运算，涵盖代数、微积分、矩阵、物理公式、数论、几何和代码生成。它能帮助你保持表达式精确，选择合适的 SymPy 模块，并避免大量浮点数带来的错误。适合需要一份实用 sympy 指南来处理符号工作流，以及用于 Data Analysis 的 sympy 的用户。

rdkit 技能适用于需要精细控制的化学信息学工作流：解析 SMILES、SDF、MOL、PDB 和 InChI；计算描述符；生成指纹；执行子结构检索；处理反应；以及构建 2D/3D 坐标。将这份 rdkit 指南用于高级控制、自定义 sanitize，以及面向数据分析的 rdkit 工作流。

qiskit 是面向 IBM 量子计算的技能，可用于构建量子电路、选择后端、针对硬件进行 transpile，以及在模拟器或 IBM Quantum 设备上运行任务。它非常适合用于化学、优化和机器学习中的 qiskit 场景，尤其适合你需要可直接安装并运行的实用指导，而不是只讲理论的 qiskit 说明时。

Open Notebook 是一个自托管、开源的研究工作区，适用于文档分析、笔记、带来源的聊天、搜索以及播客式摘要。使用 open-notebook 技能来整理 notebook、导入 PDF、网页、音频、视频和 Office 文件，并支持面向私有场景、以 API 为先的数据分析工作流。

hypogenic 是一项用于在 LLM 支持下，对表格数据或文本衍生数据集生成并测试假设的技能。它通过将经验性问题转化为结构化、可检验的工作流，帮助你进行数据分析中的假设生成，适用于分类解释、内容分析和欺骗检测。适合需要有证据支撑的假设，而不只是头脑风暴的场景。

hugging-science 技能可帮助你从 Hugging Science 目录和 `hugging-science` 这个 Hugging Face 组织中查找并使用科学 AI 资源。它适用于生物学、化学、气候、基因组学、材料、天文学以及类似场景，尤其是在你需要一个可以真正运行或引用的数据集、模型、Space 或博客文章时。请在 hugging-science 的使用与 hugging-science 指南工作流中使用它，而不是只靠通用搜索。

histolab 是一个用于数字病理全切片图像（WSI）预处理的 Python 技能。它支持组织检测、切片提取和 H&E 切片的染色归一化，适合数据集准备、基于切片的快速分析以及轻量级数据分析工作流。结合掩膜、tiler 和切片管理的实用指导，即可安装并使用 histolab。

diffdock 是一项对接技能，可基于 PDB 结构，或蛋白序列加上以 SMILES、SDF、MOL2 表示的配体，预测蛋白-配体结合构象。适用于基于结构的药物设计、虚拟筛选以及带置信度评分的构象分析。它不用于结合亲和力预测。

dhdna-profiler 可从文本或语音中提取认知模式和思维指纹。可用于分析某人的推理方式、决策方式、价值取向和表达方式，对比不同思维风格，或回答“我的思维风格是什么？”这个问题。它尤其适合结构化分析、反复对比，以及深入理解一段内容背后的思维者。

user-personas 这项技能可基于研究数据生成 3 个精炼画像，包含 JTBD、痛点、收益和意外洞察。适用于你手头已有问卷、访谈或其他原始材料时，用于 UX Research 的 user-personas、用户分群、onboarding 策略和产品决策。

market-sizing 帮你用自上而下和自下而上的方法估算 TAM、SAM 和 SOM。适用于市场研究流程、市场进入决策、投资人路演和上市规划，尤其是在你需要一条站得住脚的推导链、可验证的假设，以及一版实用的市场初估时。