研究检索只读github未标认证来源可访问clear审计异常

analyzing-data（分析数据）

Agent Skill

用于辅助数据整理、表格处理、CSV/Excel 分析、指标计算和图表准备。它适合让 Agent 清洗字段、汇总数据、发现异常、生成统计口径或把分析结果转成可读说明。使用时需要确认数据来源、字段含义和时间范围，避免把样本数据当全量事实；涉及敏感数据、导出文件或批量写回时，应先确认权限和脱敏边界。

总安装

16,893

周安装

711

GitHub Stars

347

下载量

5,916

CodexClaudeCursorGemini CLI

安装说明

本站只整理中文说明和来源信息，不托管安装包，也不代用户安装。

GitHub

来源数

许可证

MIT

最后核验

2026-05-01

来源状态

来源可访问

安装方式

通过对话安装

复制提示词发给支持本地命令或 Skills 的 AI 助手，先确认命令和权限，再让它执行。

请帮我安装这个 Agent Skill：analyzing-data（分析数据）
来源仓库：https://github.com/astronomer/agents
仓库路径：skills/analyzing-data
安装命令：
npx skills add https://github.com/astronomer/agents --skill analyzing-data
安装前请先检查当前环境是否支持对应 CLI，并向我确认将要执行的命令、安装目录、联网范围和文件读写权限；确认后再执行。

命令行安装

复制命令到本机终端执行。不同来源提供的安装方式可能略有差异；本站展示可直接复制的安装命令，安装前请核对来源页面。

skills.shnpx skills

npx skills add https://github.com/astronomer/agents --skill analyzing-data

简介

使用缓存的模式和概念映射查询数据仓库以回答业务问题。

支持重复问题类型的模式查找和缓存，并通过结果记录来改进未来的查询
包括通过 INFORMATION_SCHEMA 或代码库 grep 进行概念到表映射缓存和表模式发现
提供run_sql()
和 run_sql_pandas()
内核函数返回 Polars 或 Pandas DataFrames 进行分析
用于管理概念、模式和表缓存以及仓库选择和内核生命周期控制的 CLI 命令

SKILL.md

Data Analysis

Answer business questions by querying the data warehouse. The kernel auto-starts on first exec call.

All CLI commands below are relative to this skill's directory. Before running any scripts/cli.py command, cd to the directory containing this file.

Workflow

Pattern lookup — Check for a cached query strategy: uv run scripts/cli.py pattern lookup "<user's question>" If a pattern exists, follow its strategy. Record the outcome after executing: uv run scripts/cli.py pattern record <name> --success # or --failure
Concept lookup — Find known table mappings: uv run scripts/cli.py concept lookup <concept>
Table discovery — If cache misses, search the codebase (Grep pattern="<concept>" glob="**/*.sql") or query INFORMATION_SCHEMA. See reference/discovery-warehouse.md.
Execute query: uv run scripts/cli.py exec "df = run_sql('SELECT...')" uv run scripts/cli.py exec "print(df)"
Cache learnings — Always cache before presenting results: # Cache concept → table mapping uv run scripts/cli.py concept learn <concept> <TABLE> -k <KEY_COL> # Cache query strategy (if discovery was needed) uv run scripts/cli.py pattern learn <name> -q "question" -s "step" -t "TABLE" -g "gotcha"
Present findings to user.

Kernel Functions

Function	Returns
`run_sql(query, limit=100)`	Polars DataFrame
`run_sql_pandas(query, limit=100)`	Pandas DataFrame

pl (Polars) and pd (Pandas) are pre-imported.

CLI Reference

Kernel

uv run scripts/cli.py warehouse list      # List warehouses
uv run scripts/cli.py start [-w name]     # Start kernel (with optional warehouse)
uv run scripts/cli.py exec "..."          # Execute Python code
uv run scripts/cli.py status              # Kernel status
uv run scripts/cli.py restart             # Restart kernel
uv run scripts/cli.py stop                # Stop kernel
uv run scripts/cli.py install <pkg>       # Install package

Concept Cache

uv run scripts/cli.py concept lookup <name>                     # Look up
uv run scripts/cli.py concept learn <name> <TABLE> -k <KEY_COL> # Learn
uv run scripts/cli.py concept list                               # List all
uv run scripts/cli.py concept import -p /path/to/warehouse.md   # Bulk import

Pattern Cache

uv run scripts/cli.py pattern lookup "question"                                      # Look up
uv run scripts/cli.py pattern learn <name> -q "..." -s "..." -t "TABLE" -g "gotcha"  # Learn
uv run scripts/cli.py pattern record <name> --success                                # Record outcome
uv run scripts/cli.py pattern list                                                   # List all
uv run scripts/cli.py pattern delete <name>                                          # Delete

Table Schema Cache

uv run scripts/cli.py table lookup <TABLE>            # Look up schema
uv run scripts/cli.py table cache <TABLE> -c '[...]'  # Cache schema
uv run scripts/cli.py table list                       # List cached
uv run scripts/cli.py table delete <TABLE>             # Delete

Cache Management

uv run scripts/cli.py cache status                # Stats
uv run scripts/cli.py cache clear [--stale-only]  # Clear

References

reference/discovery-warehouse.md — Large table handling, warehouse exploration, INFORMATION_SCHEMA queries
reference/common-patterns.md — SQL templates for trends, comparisons, top-N, distributions, cohorts

适合场景

用户想查找某类 Agent Skill 时

需要根据任务场景推荐可安装能力包时

需要对比不同来源的安装命令和来源信息时

需要参考平台分布和安装热度时

能力概览

能力 1

按任务关键词查找相关 Skills

能力 2

展示可复制的安装命令

能力 3

保留来源站点、仓库和原始说明，方便继续核验

能力 4

补充不同宿主或平台的使用分布数据

能力 5

展示第三方安全扫描或审计结果

安装后应在对应宿主中按原始 README 的触发条件使用；具体调用方式请以来源页面和 README 为准。

平台分布

Claude Code

31.37%

按下载量换算1,856

Cursor

22.27%

按下载量换算1,317

Codex

17.38%

按下载量换算1,028

github-copilot

14.17%

按下载量换算838

OpenCode

7.77%

按下载量换算460

Gemini CLI

3.52%

按下载量换算208

安全审计

Gen Agent Trust Hub

未通过

Socket

通过

Snyk

通过

权限和风险

只读

该 Skill 主要提供规则、说明或参考内容，本身偏只读；真正读写文件、联网或执行命令仍取决于宿主 Agent 的任务。

安装前确认

本站仅展示第三方公开信息，不托管安装包，不提供自动安装或运行环境。安装前应自行审查源码、依赖和命令行为。来源安全扫描存在 warning/failed 结果，不能写成本站确认安全。

来源信息

GitHub 仓库

github.com

/astronomer/agents

SKILL.md 来源

github.com

/astronomer/agents/tree/main/skills/analyzing-data

skills-sh

skills.sh

/astronomer/agents/analyzing-data

agentskills-to

agentskills.to

/astronomer/agents/analyzing-data

继续浏览同类 Skills

更多研究检索 Skills（73,675）返回 Skills 目录

上一个 Skill

analyzing-cyber-kill-chain（分析网络杀伤链）

analyzing-cyber-kill-chain 用于查找、检索和筛选相关信息，适合在 Codex、Claude、Cursor、Gemini CLI 中需要根据关键词、任务场景或来源线索快速定位候选结果时使用。可结合来源仓库、安装命令和原始 README 继续核验具体用法。安装前建议确认权限范围、维护状态，以及是否会触发联网、命令执行或文件读写。

下一个 Skill

analyzing-database-indexes（分析数据库索引）

用于辅助数据库表结构、查询语句、迁移脚本和数据维护任务。它适合让 Agent 分析 schema、编写 SQL、排查查询问题、整理索引或生成迁移建议。使用时需要明确数据库类型、连接环境和目标表，区分只读分析与写入变更；涉及删除、更新、迁移和批量导入时，应优先 dry-run、备份或事务保护，避免误操作。