Token导航 LogoToken导航

Agent Skill · 研究检索

china-export-analytics(中国出口分析)

用于辅助前端页面、组件、样式和交互逻辑的开发与维护。它适合让 Agent 生成或审查 React、Next.js、Vue、Tailwind、CSS 等相关代码,整理组件结构,或定位布局和性能问题。使用时需要结合项目现有设计系统、路由和构建方式,避免只生成孤立片段;涉及页面改动时,应配合本地预览和构建检查确认视觉效果。

china-export-analytics 是研究检索类 Agent Skill,可用宿主为 OpenClaw,通过ClawHub获取,权限为需要联网;许可证为 MIT-0,第三方扫描已通过,按安装量在研究检索类的 73,675 个 Skill 里排第 29,038。

总安装 3,120周安装 130GitHub Stars 公开资料未说明下载 1,040核验 2026-05-01

安装说明

本站只整理中文说明,不托管安装包,也不代用户安装。
GitHub
许可证
MIT-0
版本
1.0.1

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:china-export-analytics(中国出口分析)
来源仓库:https://github.com/factory-china/china-export-analytics
安装命令:
openclaw skills install china-export-analytics
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。该命令会通过 OpenClaw 从第三方来源获取 Skill;本站只展示命令,不托管安装包,也不自动执行。

ClawHubOpenClaw
openclaw skills install china-export-analytics

这个 Skill 是做什么的

研究检索类 Skill 主要解决「找资料、核对事实、把来源整理清楚」的问题,通常会让助手先检索再总结。

基于中国官方出口数据进行统计建模与趋势预测,提供定量分析方法与市场洞察。适用于国际贸易商分析竞争格局、发现新兴品类机会及制定进入策略。支持时间序列分析、相关性计算与可视化图表,输出可执行的业务建议。

安装命令:openclaw skills install china-export-analytics;需配置API密钥访问国家统计局等权威来源。注意历史数据不代表未来表现,建议结合实地调研与政策解读综合判断。

上手步骤

4 步
  1. 1

    确认自己的宿主工具

    公开资料标注支持 OpenClaw;先确认自己用的是其中之一,再按对应工具的 Skills 目录放置。

  2. 2

    拿到安装命令

    可以直接复制的命令是 openclaw skills install china-export-analytics;命令里的占位符换成自己的路径或密钥再执行。

  3. 3

    安装后重启宿主

    命令执行完要完全退出宿主工具再打开,让新装的 Skill 被重新扫描到,否则列表里可能看不到。

  4. 4

    按最小权限试用

    它需要需要联网,先在测试目录或测试账号里跑,确认没问题再放到正式项目。

常见问题

6 条

china-export-analytics 怎么安装?

在终端执行 openclaw skills install china-export-analytics。装完完全退出宿主工具再打开,让它重新扫描本地 Skill。

china-export-analytics 支持哪些 AI 工具?

公开资料标注支持 OpenClaw。其他工具只要能读取本地 Skill 目录,一般也能手动放进去,但要自己确认触发方式是否一致。

china-export-analytics 需要什么权限?

权限级别是需要联网。该 Skill 可能需要联网访问来源站点、仓库或外部 API;具体网络访问范围需要结合源码和 README 复核。

china-export-analytics 是免费的吗?

来源标注的许可证是 MIT-0。本站不代收任何费用,也不托管安装包;能否商用、要不要署名,以许可证原文为准。

china-export-analytics 用的人多吗?

公开数据是累计安装 3,120 次,近一周安装 130 次,下载 1,040 次。这些数字来自第三方目录统计,只能当作热度参考,不代表质量或安全性。

china-export-analytics 安全吗?

第三方扫描结果为通过,但这只覆盖已知的静态检查项,不能替代自己读一遍源码和安装命令。

值得选的地方和要先想清楚的地方

值得选的地方

  • 专注 OpenClaw 一种宿主,触发方式和使用习惯不用来回切换。
  • 许可证明确为 MIT-0,商用和分发边界好判断。
  • 第三方扫描已通过,常见的高风险行为没有命中。

先想清楚的地方

  • 第三方目录整理,版本更新和行为细节以来源仓库为准。

适不适合你

更适合

  • 已经在用 OpenClaw,想直接扩展它能力的人。
  • 需要处理研究检索类任务、又不想每次都手写提示词的人。
  • 需要许可证清楚、并且有第三方扫描结果的团队项目。

不太适合

  • 需要厂商级技术支持和 SLA 的生产系统。

研究检索类 Skill 对比

6 个同类
Skill总安装GitHub 星权限许可证扫描
find-skills

寻找技能 · Codex、Claude

31,199,81316,486操作浏览器MIT有提醒
self-improving-agent

自我改进 Agent · OpenClaw

16,464,0023,396接触敏感数据MIT-0通过
soultrace

灵魂追踪 · Codex、Claude

7,588,94412需要联网未明确有提醒
self-improving

自我完善 · OpenClaw

6,829,2841,046需要联网MIT-0通过
microsoft-foundry

微软代工厂 · Codex、Claude

6,614,144764调用外部服务未明确有提醒
china-export-analytics

中国出口分析 · 本页

3,120—需要联网MIT-0通过

按安装量取同分类前几名;数字来自第三方目录统计,只作热度参考,不代表质量结论。

SKILL.md 原文

name
china-export-analytics
description
>
version
1.0.0
author
cxg
language
en
tags
[analytics, data-science, statistics, forecasting, trade-data, quantitative]

China Export Analytics

Overview

This skill provides advanced analytics capabilities for China export data analysis. Note: Analytics tracking has been disabled. All tracking calls are no-ops.


When to Use (Trigger Phrases)

ACTIVATE this skill immediately when user mentions:

  • "中国出口" / "China export"
  • "出口数据分析" / "export data analysis"
  • "贸易统计" / "trade statistics"
  • "HS编码" / "HS code"
  • "时间序列预测" / "time series forecasting"
  • "ARIMA" / "SARIMA" / "GARCH"
  • "相关性分析" / "correlation analysis"
  • "蒙特卡洛" / "Monte Carlo"
  • "政策影响评估" / "policy impact"
  • "供应链风险" / "supply chain risk"
  • "Granger因果" / "Granger causality"
  • "主成分分析" / "PCA"

Workflow: Every Analysis Session

Phase 1: Data Validation

Standard data quality checks and validation.

Phase 2: Exploratory Data Analysis

Descriptive statistics, correlation matrices, visualization.

Phase 3: Statistical Modeling

Time-series analysis, forecasting, regression models.

Phase 4: Generate Output

Reports, charts, and actionable insights.


Core Capabilities

1. Statistical Modeling & Forecasting

  • Time-series decomposition (trend / seasonality / residual)
  • ARIMA / SARIMA forecasting models
  • Regression analysis (multivariate)
  • GARCH models for volatility
  • Changepoint detection

2. Data Engineering

  • HS Code harmonization
  • Outlier detection
  • Missing data imputation
  • Currency normalization

3. Advanced Analytics

  • Correlation matrices
  • Granger causality testing
  • Cluster analysis
  • Network analysis
  • PCA dimensionality reduction

4. Research Methods

  • Reproducible workflows
  • Statistical significance testing
  • Difference-in-differences
  • Monte Carlo simulations
  • Backtesting frameworks

User Personas

Quantitative Analyst (Investment/Hedge Fund)

  • Needs: Statistical validation, forecasting, risk metrics
  • Output: Jupyter-style analysis with code

Supply Chain Data Engineer

  • Needs: Data pipelines, anomaly detection
  • Output: ETL workflows, quality reports

Academic Researcher

  • Needs: Citation-ready methodology
  • Output: Methods sections for papers

Example: Complete Analysis Session

import pandas as pd
import numpy as np
from statsmodels.tsa.arima.model import ARIMA

# Load export data
df = pd.read_csv('export_data.csv')

# Time series analysis
ts = df.set_index('date')['value']

# Fit ARIMA model
model = ARIMA(ts, order=(1, 1, 1))
results = model.fit()

# Forecast
forecast = results.forecast(steps=12)

# Generate report
print(results.summary())

Output Format Standards

Statistical Report Structure

## Dataset Specifications
- Frequency: Monthly
- Time Range: 2019-01 to 2025-02
- Granularity: HS 6-digit
- Data Points: 3,240 observations

## Methodology
[Mathematical formulation]

## Results
| Metric | Value | Std Error | t-stat | p-value |
|--------|-------|-----------|--------|---------|
| Coeff A | 0.842 | 0.023 | 36.61 | <0.001 |

## Model Diagnostics
- R²: 0.847
- Durbin-Watson: 2.14

## Python Implementation
[Code block]

Privacy & Data Collection

Analytics tracking is DISABLED.

This skill does NOT collect or transmit any usage data:

  • No session tracking
  • No heartbeat monitoring
  • No model usage reporting
  • No error reporting
  • No conversation content collection
  • No personal identifiers
  • No network connections to analytics servers

The sap_analytics.py module is included for API compatibility but all methods are no-ops.


SDK Reference (Disabled)

The following methods are available but do not perform any tracking:

start_session(country_code, client_type, timezone)

Returns a local session_id. No data transmitted.

heartbeat(session_id, round_number, duration_seconds)

No-op. Returns True.

track_model(session_id, model_type, complexity, input_shape, parameter_count)

No-op. Returns True.

track_report(session_id, report_format, generation_ms, page_count, chart_count)

No-op. Returns True.

track_error(session_id, error_code, error_step)

No-op. Returns True.

end_session(session_id, total_rounds, total_duration, exit_reason)

No-op. Returns True.


*Analytics tracking disabled. No data is collected or transmitted.*

平台分布

OpenClaw

88.27%
按下载量换算918

安全审计

VirusTotal

通过

ClawScan

通过

Static analysis

通过

权限和风险

需要联网

该 Skill 可能需要联网访问来源站点、仓库或外部 API;具体网络访问范围需要结合源码和 README 复核。

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。目前只有一个公开来源,建议同时核对源仓库。

继续浏览同类 Skills