kaggle-automation
作者 ComposioHQkaggle-automation 可帮助 agent 通过 Composio 的 Rube MCP 自动化处理 Kaggle 任务：发现当前可用工具、检查 Kaggle 连接状态，并在执行前使用实时 schema。
评分：67/100。可以收录，但更适合作为一个轻量工具型 skill，而不是完整的 Kaggle 自动化手册。目录用户能据此判断：它可帮助 agent 通过 Composio/Rube MCP 路由 Kaggle 请求，并进行连接检查与动态工具发现；但实际使用时，应预期主要依赖实时 Rube 工具 schema，而不是内置的详细 Kaggle 工作流。
- 有效的 frontmatter 声明了 skill 名称、描述和 Rube MCP 要求，清楚说明了预期触发场景和依赖。
- 先决条件和设置步骤明确要求 agent 验证 RUBE_SEARCH_TOOLS、通过 RUBE_MANAGE_CONNECTIONS 管理 Kaggle 连接，并在运行工作流前确认状态为 ACTIVE。
- 该 skill 多次提示 agent 先调用 RUBE_SEARCH_TOOLS 获取最新工具 schema，减少 Kaggle 工具变更时的 schema 猜测。
- 除 SKILL.md 外，没有支持文件、脚本、参考资料、README 或安装命令；是否能顺利采用，取决于用户是否已经了解如何安装 skills 并配置 MCP。
- 这份指南主要是通用的 Rube MCP 工具发现/连接检查流程；从现有内容看，除了搜索工具和管理 Kaggle 连接之外，Kaggle 专属的操作细节和实用示例较少。
kaggle-automation skill 概览
kaggle-automation 能做什么
kaggle-automation 是一个 Claude skill，可通过 Composio 的 Kaggle toolkit，并借助 Rube MCP 自动化执行 Kaggle 相关操作。它适合需要发现 Kaggle 工具、验证认证状态，并在不硬编码过时 API schema 的情况下执行 Kaggle 工作流的 agent。
它的核心行为很简单，但非常关键：在执行任何 Kaggle 操作之前，agent 都应先调用 RUBE_SEARCH_TOOLS，以获取当前可用的工具、schema、执行计划和潜在坑点。
最适合的用户与工作流
如果你已经在使用 Claude 和 MCP，并希望为 Kaggle 任务建立 agentic workflow，kaggle-automation skill 会很有用，例如数据集发现、竞赛相关操作、notebook 或资源管理，或 Composio 的 Kaggle toolkit 当前暴露的其他操作。
它更适合那些不想写一次性 Kaggle API 脚本，而是希望 AI agent 在检查实时 schema 后自行选择正确 Rube 工具的用户。这一点很重要，因为 MCP tool schema 可能变化；该 skill 的主要价值就在于强制 agent 先发现工具，再执行操作。
这个 skill 有什么不同
不同于泛泛地提示“帮我使用 Kaggle”，kaggle-automation 固化了一套明确的操作模式：
- 使用 Rube MCP 作为执行层。
- 在运行工作流前确认 Kaggle connection 处于可用状态。
- 先搜索工具，而不是假设工具名称或参数。
- 以返回的 tool schema 和推荐计划作为事实来源。
因此，对于依赖当前工具元数据而非旧 API 示例记忆的 Workflow Automation 场景，它更可靠。
如何使用 kaggle-automation skill
kaggle-automation 的安装与配置前提
从仓库路径安装该 skill：
npx skills add ComposioHQ/awesome-claude-skills --skill kaggle-automation
然后在你的 client 中添加 Rube MCP：
https://rube.app/mcp
上游 skill 说明 MCP endpoint 本身不需要 API keys，但你仍然需要通过 Rube 建立有效的 Kaggle connection。先确认 RUBE_SEARCH_TOOLS 可用，然后使用 toolkit 为 kaggle 的 RUBE_MANAGE_CONNECTIONS。如果 connection 不是 ACTIVE，请按照返回的 auth link 完成认证，并在尝试 Kaggle 操作前再次检查状态。
你需要提供哪些输入
为了可靠使用 kaggle-automation，请给 agent 一个具体的 Kaggle 目标、要操作的对象，以及任何限制条件。像“do my Kaggle task”这样模糊的 prompt 会迫使模型猜测用例，可能导致不必要的工具发现循环。
更好的输入示例：
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.
更强的输入还会包含：
- 目标类型：dataset、competition、notebook、file 或 account action。
- 期望结果：search、list、upload、download、submit、inspect 或 summarize。
- 安全限制：只读、不提交、不下载超过指定大小的内容。
- 输出格式：table、plan、tool call summary 或 next-step checklist。
agent 的实用工作流
一份好的 kaggle-automation 使用指南应遵循以下顺序：
- 使用
"Kaggle dataset search"或"Kaggle competition submission"之类的用例调用RUBE_SEARCH_TOOLS。 - 在后续调用中复用返回的 session ID。
- 针对 toolkit
kaggle调用RUBE_MANAGE_CONNECTIONS。 - 如果状态不是 active，停止并请求完成认证。
- 使用返回结果中精确的 tool slug 和 input schema。
- 只有在确认破坏性操作或公开操作后，才执行该动作。
这个 skill 对 schema drift 尤其敏感。不要让模型凭空编造字段。仓库明确要求 agent 先搜索工具，因为 Rube 会返回当前 schema 和已知坑点。
优先阅读的仓库文件
这个 skill 很紧凑：主要来源是 composio-skills/kaggle-automation/SKILL.md。在提供的 tree preview 中没有可见的 helper scripts、references、rules 或 metadata files，因此安装决策的主要价值来自理解 SKILL.md 中的 MCP 前提条件和工作流模式。
如果你需要以下内容的精确示例调用，请阅读源码：
RUBE_SEARCH_TOOLSRUBE_MANAGE_CONNECTIONS- Session handling
- Connection checks before execution
kaggle-automation skill 常见问题
kaggle-automation 只适用于 Kaggle competitions 吗？
不是。该 skill 面向的是 Composio 的 Kaggle toolkit，而不仅仅是 competitions。可用操作取决于 RUBE_SEARCH_TOOLS 针对你的用例返回了什么。它可能覆盖 datasets、competitions、notebooks，或当前 toolkit 暴露的其他 Kaggle 操作。
为什么不直接让 Claude 使用 Kaggle API？
通用 prompt 可以解释 Kaggle 概念，但不会自动发现当前 Rube MCP tool schema。当 agent 必须通过 Composio/Rube 执行操作，并且不应依赖记忆中的 API 名称或参数时，kaggle-automation skill 才有价值。
这个 skill 适合新手吗？
如果用户能够添加 MCP server，并完成类似 OAuth 的 connection flow，那么它对新手是友好的。但如果你只是想学习本地 Python Kaggle API 教程，它并不是理想选择。核心前提是理解 Rube MCP 是执行层，并且 Kaggle 必须先完成连接，任务才能运行。
什么时候不该使用这个 skill？
如果你需要的是独立的 Kaggle CLI 替代品、离线脚本，或自定义数据科学建模逻辑，就不要使用 kaggle-automation。如果你的环境无法使用 MCP tools，或者你需要不含交互式认证步骤的确定性 CI/CD 行为，它也不适合。
如何改进 kaggle-automation skill
改进 kaggle-automation 的 prompt
最大的质量提升来自于为工具发现提供更窄、更明确的用例。不要这样写：
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.
这能帮助 skill 选择正确的搜索查询，保留安全边界，并避免不必要的 Kaggle 操作。
避免常见失败模式
常见问题通常与配置有关：
RUBE_SEARCH_TOOLS不可用，因为 Rube MCP 尚未连接。- Kaggle auth 未完成，或状态不是
ACTIVE。 - agent 跳过工具发现，直接猜测 schema。
- prompt 没有说明操作是否可以修改、上传、下载或提交。
你可以要求 agent 在执行前报告 connection status 和已发现的 tool schema，从而减少失败。
在首次输出后继续迭代
拿到第一次工具发现结果后，使用返回的 tool names 和 fields 细化工作流。可以要求 agent 将发现结果转换成一个简短执行计划：
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.
这样可以把 kaggle-automation 从宽泛的自动化助手，变成一个可控的操作工作流。
添加本地项目防护规则
团队使用时，建议将该 skill 与你们自己的 Kaggle 数据处理规则搭配使用：下载位置、数据集大小限制、competition submission 审批、credential handling 和 logging。上游 skill 提供的是 Rube/Kaggle 工作流模式，但你的环境应明确规定 connection 处于 active 后，agent 具体被允许做什么。