实现基于 Algolia 的高性能搜索功能,支持 React 与 Next.js 集成,提供实时索引更新、属性级增量同步及分面过滤能力,适用于需要快速响应和复杂查询的前端搜索场景。

Skill
收录可复用的技能工作流,帮助你按场景快速找到方法。
当前显示第 59 / 67 页,共 1982 条结果,本页区间为 1741-1770,当前标签为 数据与分析。
提供 GitHub Actions 入门级自动化支持,涵盖工作流配置、CI CD 流程搭建及最佳实践指导,可生成符合标准的生产就绪代码和配置文件,适用于 DevOps 基础场景。
提供数据转换过程中的自动化支持,涵盖 SQL 处理、配置生成与最佳实践指导,适用于 ETL 流程及工作流编排场景,确保输出符合生产标准并可直接集成到数据管道中。
根据数据库负载与数据分布特征,自动规划并执行表分区策略,提升查询性能与维护效率,适用于大规模数据场景下的存储优化与生命周期管理。
根据上下文自动生成符合规范的技术文档内容,支持代码行为准则的结构化创建与验证,适用于编写高质量的 API 文档、用户指南及自动化文档方案。
将数据自动转化为直观的图形化表达,根据数据特征智能选择柱状图、折线图、散点图等合适形式,生成清晰准确的可视化结果,帮助用户快速把握趋势、分布与关联性。
以友好方式响应问候请求,在用户说“hello”或明确要求打招呼时,自动返回预设的欢迎语。
生成数据库无关的 Wheels 迁移脚本,支持跨数据库的表结构创建、字段增删改、索引与外键管理,确保 schema 变更在不同数据库引擎间一致生效,避免使用任何数据库专属语法。
实现跨环境数据库模式的精准比对与安全演进,支持自动识别表结构、索引、约束等差异,生成带事务保护的升级脚本及配套回滚方案,保障多环境间数据模型一致性与部署可靠性。
自动执行 Google Vertex AI 多模态操作的全流程激活,涵盖模型调用、数据预处理与结果解析等环节,适用于需快速启动并协调多模态 AI 任务的场景。
自动化处理数据清洗、转换与验证任务,构建端到端的 ETL 流程,确保数据质量并为机器学习任务提供可靠输入,适用于结构化与非结构化数据的预处理场景。
提供 Perplexity SDK 版本升级的全流程支持,涵盖当前版本识别、变更日志分析、分支隔离更新、破坏性改动适配及回滚方案制定,确保升级过程可验证、可追溯、可恢复。
提供后台任务异步执行与自动通知机制,支持在启动长时任务后立即切换至其他工作,系统通过免打扰提醒实时推送进度和输出就绪状态,避免主动轮询造成的资源浪费和上下文污染。
这是一个用于构建智能体技能的标准化模板,定义了技能文档的结构规范与编写准则,涵盖适用场景、核心概念、实操指引及跨技能协同等维度,帮助开发者高效创建可发现、可复用、上下文感知的工程化能力模块。
具备数据库查询性能诊断与优化能力,能解析执行计划、识别慢查询、缺失索引及低效连接等瓶颈,并给出创建索引、重写 SQL 或调整配置等具体改进方案,提升查询速度与资源使用效率。
根据任务标签或文本内容自动匹配执行指令,通过预设优先级规则处理多标签冲突,并支持自定义映射与基于关键词的智能分类,确保每个 Linear 任务被精准路由至最合适的 Claude Code 命令和专业代理。
自动执行机器学习中的超参数优化流程,支持调参策略设计与训练配置生成,结合代码实现和规范验证提供端到端的建模优化建议,适用于需要提升模型性能的场景。
分析网络请求模式并识别延迟瓶颈,通过将串行请求并行化、合并批量请求、优化连接复用与超时配置等方式提升通信效率,适用于需要降低页面加载延迟或改进 API 性能的场景。
自动生成符合 AWS 最佳实践的 Serverless 应用模板,支持从初始化配置、资源定义到部署结构的全流程构建,输出可直接用于生产环境的 SAM 模板代码。
提供构建和优化CTE查询的自动化支持,涵盖语法生成、结构设计、性能调优及最佳实践指导,适用于复杂SQL分析场景中的递归与模块化查询需求。
提供 Fireflies.ai SDK 在 TypeScript 和 Python 中的工程化实践方案,涵盖单例客户端管理、安全调用封装、指数退避重试、多租户工厂模式及响应类型校验,确保集成稳定、可维护且符合生产环境标准。
提供 Groq SDK 版本升级的全流程支持,包括当前版本识别、变更日志分析、分支隔离升级、兼容性修复与测试验证,自动检测并适配导入方式、配置结构及接口签名等破坏性变更,确保平滑迁移至新版 API。
自动化构建和评估分类模型,支持从数据预处理、特征工程、算法选择到超参数优化的全流程,输出可解释的性能指标与改进建议,适用于邮件过滤、客户流失预测等有监督学习任务。
自动完成机器 learning 数据集的划分任务,支持按指定比例生成训练、验证和测试子集,兼顾数据完整性、类别平衡性与随机性,适用于模型开发全流程中的数据预处理环节。
用于在 Langroid 多智能体框架中学习并记录设计模式,将模式目标与实现文档关联,便于后续快速检索和复用,支持自主归档或按需添加新识别的模式。
自动创建和配置 A/B 测试所需的实验参数与环境设置,支持从初始化到验证的全流程,确保符合机器学习部署中的工程规范与生产就绪标准。
通过分析用量模式与账单数据,智能推荐最经济的订阅层级,结合请求采样、批量调用、缓存和压缩等手段降低 API 调用成本,并支持预算监控与超支预警。
提供 Lindy AI服务的配额监控、请求流控与限频错误应对能力,支持实时用量查询、客户端令牌桶限流、指数退避重试及队列化请求调度,帮助用户在不同订阅层级下稳定高效地调用 API。
自动构建端到端机器学习流水线,涵盖数据预处理、特征工程、模型自动选择与超参数调优,并集成验证机制、性能评估及结果文档化,适用于需快速实现可复现 AutoML 任务的场景。
自动执行数据分析场景下的指标计算任务,支持从原始数据中提取、转换和聚合关键业务指标,生成符合行业规范的可交付代码与配置,并提供实施指导和结果校验。