搜索「Stock Analysis」的结果

io.github.microsoft/skills-for-fabric/sqldw-operations-cli

通过 CLI 使用 sqlcmd 与 queryinsights 视图分析 Fabric Data Warehouse 性能。诊断慢查询、SQL 池压力、缓存冷热状态并推荐聚簇键（clustering key）。触发语：DW slow query analysis、slowest queries warehouse、queryinsights long running、warehouse CPU resource consumers、SQL pool pressure window、pressure events warehouse、DW cache warmth cold start、cache warmth analysis、warehouse cluster key recommendation、cluster tables performance、DW performance baseline comparison、performance degraded warehouse、warehouse user query patterns、queryinsights diagnostics、DW optimization sqlcmd。

io.github.microsoft/skills-for-fabric/sqldw-operations-cli

通过 CLI 使用 sqlcmd 与 queryinsights 视图分析 Fabric Data Warehouse 性能。诊断慢查询、SQL 池压力、缓存冷启动并推荐聚集索引键。触发词：“DW slow query analysis”“slowest queries warehouse”“queryinsights long running”“warehouse CPU resource consumers”“SQL pool pressure window”“pressure events warehouse”“DW cache warmth cold start”“cache warmth analysis”“warehouse cluster key recommendation”“cluster tables performance”“DW performance baseline comparison”“performance degraded warehouse”“warehouse user query patterns”“queryinsights diagnostics”“DW optimization sqlcmd”。

io.github.eclipse-rdf4j/rdf4j/docker-jfr-benchmark-loop

在 Docker 中针对 Linux Java 26 与 JFR CPU 时间剖析，对单个 JMH 基准运行可重复的 RDF4J 性能循环。在本仓库进行基准引导的性能改动、热点定位、JFR 解读、CPU 瓶颈分析或重复的基线-修复-重跑循环时使用。当请求提及 benchmark、profiling、JFR、hotspot、perf loop、CPU bottleneck 或 RDF4J 的 Docker 基准运行时触发。

io.github.alirezarezvani/claude-skills/app-store-optimization

面向 App Store Optimization（ASO）的工具包，用于研究关键词、分析竞争对手排名、生成元数据建议、提升应用在 Apple App Store 与 Google Play Store 的可见度。当用户询问 iOS 或 Android 上的 ASO、应用商店排名、应用元数据、应用标题与描述、应用商店列表、应用可见度或移动应用营销时使用。支持关键词研究与评分、竞争对手关键词分析、元数据优化、A/B 测试规划、上线清单与排名变化跟踪。

io.github.danielmiessler/LifeOS/Apify

通过 Apify actor 抓取社交媒体平台、商业数据与电商内容——Instagram 资料/帖子/话题标签/评论、LinkedIn 资料/职位/帖子、TikTok 资料/话题标签/视频/评论、YouTube 频道/搜索/评论、Facebook 帖子/群组/评论、Google Maps 商家搜索并提取联系方式/评论/图片、Amazon 商品/评论/价格，以及配合自定义 pageFunction 提取逻辑的通用多页网页爬取。基于文件的 TypeScript 封装（scrapeInstagramProfile、searchGoogleMaps、scrapeAmazonProduct、scrapeWebsite 等）在返回模型上下文前于代码中过滤与转换数据，相比直接走 MCP 协议可节省 95-99% 的 token。通过 Promise.all 并行查询多平台，支撑社媒监听看板。线索富化流水线：Google Maps → 合格过滤 → 可选 LinkedIn 富化。可同时在 Instagram、YouTube、TikTok 上做竞品分析。适用场景：抓取 Instagram、抓取 LinkedIn、抓取 TikTok、抓取 YouTube、抓取 Faceboo

io.github.danielmiessler/Personal_AI_Infrastructure/Apify

通过 Apify actor 抓取社交媒体平台、商业数据与电商内容——Instagram 资料/帖子/话题标签/评论、LinkedIn 资料/职位/帖子、TikTok 资料/话题标签/视频/评论、YouTube 频道/搜索/评论、Facebook 帖子/群组/评论、Google Maps 商家搜索并提取联系方式/评论/图片、Amazon 商品/评论/价格，以及配合自定义 pageFunction 提取逻辑的通用多页网页爬取。基于文件的 TypeScript 封装（scrapeInstagramProfile、searchGoogleMaps、scrapeAmazonProduct、scrapeWebsite 等）在返回模型上下文前于代码中过滤与转换数据，相比直接走 MCP 协议可节省 95-99% 的 token。通过 Promise.all 并行查询多平台，支撑社媒监听看板。线索富化流水线：Google Maps → 合格过滤 → 可选 LinkedIn 富化。可同时在 Instagram、YouTube、TikTok 上做竞品分析。适用场景：抓取 Instagram、抓取 LinkedIn、抓取 TikTok、抓取 YouTube、抓取 Faceboo

io.github.foryourhealth111-pixel/Vibe-Skills/designing-experiments

在分析之前设计实验与准实验。用于选择研究设计、处理/对照结构、结果指标、假设、科学实验失败后的验证方案，以及判断 DiD、ITS、合成控制、回归断点哪种更契合研究问题。若是在已有数据上拟合模型或估计效应，请改用 performing-causal-analysis。

io.github.eclipse-rdf4j/rdf4j/docker-jfr-benchmark-loop

在 Docker 中针对 Linux Java 26 与 JFR CPU 时间剖析，对单个 JMH 基准运行可重复的 RDF4J 性能循环。在本仓库进行基准引导的性能改动、热点定位、JFR 解读、CPU 瓶颈分析或重复的基线-修复-重跑循环时使用。当请求提及 benchmark、profiling、JFR、hotspot、perf loop、CPU bottleneck 或 RDF4J 的 Docker 基准运行时触发。

io.github.Jeffallan/claude-skills/sql-pro

优化 SQL 查询、设计数据库 schema 并排查性能问题。当用户询问查询为何变慢、需要帮助编写复杂 join 或聚合、提到数据库性能问题，或想设计/迁移 schema 时使用。用于复杂查询、窗口函数、CTE、索引策略、执行计划分析、覆盖索引创建、递归查询、解读 EXPLAIN/ANALYZE、前后基准对比，或在数据库方言（PostgreSQL、MySQL、SQL Server、Oracle）之间迁移查询。

io.github.mono/SkiaSharp/api-add-review

通过包装 Skia C++ 功能为 SkiaSharp 新增 C# API，或评审现有 API PR 的正确性与风格。两套工作流：(1) 新增：C++ 分析 → C API → 绑定 → C# 包装 → 测试 → 评审；(2) 评审：检查命名、Span 重载、属性、测试与互操作安全。触发语：“add DrawFoo method”“expose SkSurface::draw”“wrap sk_foo_bar”“add API”“expose function”“wrap method”“create binding for”“review this API”“check the API surface”“review PR #NNN for API design”，以及被归类为“New API”的 Issue（获取并分类后）。

io.github.midudev/autoskills/python-executor

通过 [inference.sh](https://inference.sh) 在安全沙箱环境中执行 Python 代码。预装：NumPy、Pandas、Matplotlib、requests、BeautifulSoup、Selenium、Playwright、MoviePy、Pillow、OpenCV、trimesh 及 100 多个其他库。适用于：数据处理、网页抓取、图像编辑、视频创作、3D 模型处理、PDF 生成、API 调用、自动化脚本。触发词：python、执行代码、运行脚本、网页抓取、数据分析、图像处理、视频剪辑、3D 模型、自动化、pandas、matplotlib。

io.github.openakita/openakita/python-executor

通过 [inference.sh](https://inference.sh) 在安全的沙箱环境中执行 Python 代码。预装：NumPy、Pandas、Matplotlib、requests、BeautifulSoup、Selenium、Playwright、MoviePy、Pillow、OpenCV、trimesh 及 100+ 其他库。适用：数据处理、网页抓取、图像操作、视频创作、3D 模型处理、PDF 生成、API 调用、自动化脚本。触发词：python、execute code、run script、web scraping、data analysis、image processing、video editing、3D models、automation、pandas、matplotlib

io.github.open-metadata/OpenMetadata/connector-review

依据黄金标准审查 OpenMetadata 连接器。运行多 agent 分析，覆盖架构、代码质量、类型安全、测试与性能。给出 PR 编号时，自动将质量摘要发布到 PR 描述，并以 PR 评论形式发布详细审查。

io.github.majiayu000/claude-skill-registry-data/css-performance

优化 CSS 性能——关键 CSS、代码分割、无用样式清除与打包分析

io.github.majiayu000/claude-skill-registry-data/automation-debugger

Power Automate、n8n、Make、Zapier 等工作流平台的专家级自动化错误调试器。分析含错误信息的 JSON 流程定义，检索官方文档，并生成可直接复制粘贴的完整修复 JSON。当用户提供报错 JSON 文件、含错误的工作流 JSON、错误信息、调试请求或失败的自动化内容时触发。返回含根因分析与可运行修复 JSON 的结构化调试报告。

io.github.sickn33/antigravity-awesome-skills/code-review-excellence

通过建设性反馈、系统化分析与协作改进，把代码审查从把关转变为知识共享。

io.github.sickn33/antigravity-awesome-skills/code-review-ai-ai-review

你是精通 AI 驱动代码审查的专家，融合自动化静态分析、智能模式识别与现代 DevOps 实践，善用 GitHub Copilot、Qodo、GPT-5 等 AI 工具。

io.github.sickn33/antigravity-awesome-skills/code-documentation-doc-generate

你是专注于从代码生成全面且可维护文档的文档专家。利用 AI 分析与行业最佳实践，生成 API 文档、架构图、用户指南与技术参考。

io.github.sickn33/antigravity-awesome-skills/sql-optimization-patterns

通过系统化优化、合理索引与执行计划分析，把缓慢的数据库查询变成极快的操作。

io.github.sickn33/antigravity-awesome-skills/security-scanning-security-sast

面向多语言、多框架代码漏洞分析的静态应用安全测试（SAST）。

io.github.sickn33/antigravity-awesome-skills/security-scanning-security-dependencies

你是安全专家，专注于依赖漏洞分析、SBOM 生成与供应链安全。跨多个生态扫描项目依赖以识别漏洞、评估风险，并提供自动化修复策略。

io.github.easychen/opc-methodology/opc-dashboard-review

使用轻量指标、瓶颈分析与止损逻辑，审查一人公司的经营健康状况。当 Codex 需要在必要时讲解审查概念、核验可用输出、每次只提一个问题、给出多种瓶颈假设，并把用户确认的输出写入 `opc-doc/` 时使用。

io.github.Lionad-Morotar/local-tools/css-debug

系统化的 CSS 调试。涵盖特异性分析、继承链追踪、计算值检查、布局调试（overflow、意外尺寸、外边距塌陷）、CSS containment 问题、z-index 层叠上下文梳理、自定义属性解析链以及绘制/布局性能诊断，并使用 outline 技巧进行可视化调试。在调试 CSS、修布局 bug、解决特异性冲突、追查 z-index 问题或诊断渲染性能时使用。

io.github.davila7/claude-code-templates/code-review-excellence

通过建设性反馈、系统化分析与协作式改进，把代码审查从把关转变为知识共享。