Les tâches de données et de reporting nécessitent souvent des workflows Python répétables avec des règles de sortie claires. Cette skill guide Claude, Codex et Claude Code dans l’analyse en sandbox, les graphiques et la génération de documents téléchargeables.

L’examen d’images nécessite souvent un raisonnement visuel structuré, et pas seulement une courte légende. Cette skill guide les prompts GLM-4V pour les descriptions, les questions visuelles, l’OCR et l’extraction de détails.

Les équipes ont souvent besoin de contenu web dans des formats propres sans écrire de scrapers personnalisés. Cette skill guide Claude, Codex et Claude Code à travers les modes Firecrawl pour le scraping, la recherche, les plans de site, le crawling, l’extraction et les vérifications de statut.

Les requêtes de base de données lentes nuisent à la fiabilité et à la scalabilité des applications. Cette compétence fournit des modèles PostgreSQL pratiques pour des requêtes plus rapides, des migrations plus sûres et une surveillance plus claire.

Les migrations PostgreSQL peuvent réussir les tests tout en provoquant des verrous, des analyses lentes ou un gonflement des index. Cette compétence donne à Claude, Codex et Claude Code des modèles pratiques pour une revue plus sûre des schémas et des requêtes.

Il est difficile de rendre l’évaluation des LLM cohérente entre les équipes et les modèles. Cette skill aide à concevoir des prompts de juge, des grilles d’évaluation, des métriques et des contrôles de biais pour des évaluations répétables.

Writing OQL queries requires exact schema names, JSON types, Candid escaping, and careful pagination. This skill provides practical patterns for reliable, read-only canister queries.

Les graphes Logseq DB peuvent être difficiles à modéliser, car les classes, les propriétés et les nœuds partagent des entités. Cette compétence explique le schéma et guide la conception des classes, des propriétés et des requêtes.

Les utilisateurs de Logseq ont souvent besoin d’un accès fiable aux pages, blocs, propriétés et relations sans rédiger chaque requête à la main. Cette compétence fournit à Claude, Codex et Claude Code des assistants structurés pour lire les données d’un graphe Logseq local.

Les graphes Logseq DB peuvent être difficiles à interroger avec du Datalog brut. Cette compétence fournit des modèles réutilisables pour les filtres, les pulls, les règles, les dates et les agrégations.

Les graphes Logseq Markdown peuvent être difficiles à transférer au format Database sans perdre leur structure. Cette compétence aide les utilisateurs à planifier, importer, valider et dépanner les migrations avec des étapes claires.

Les grands modèles de base de données Logseq sont difficiles à examiner manuellement. Cette compétence résume la structure EDN, les problèmes de qualité et les différences entre variantes.

La recherche manuelle sur les chaînes YouTube est lente et incohérente. Cette skill utilise BrowserAct pour collecter les données de chaîne et les métriques vidéo dans une sortie structurée.

Les équipes ont besoin de jeux de données de transcriptions fiables provenant de nombreuses vidéos YouTube. Cette skill exécute un workflow BrowserAct qui rassemble des transcriptions, des URL, des éditeurs et des mentions J’aime à partir de recherches par mots-clés.

La recherche manuelle de prospects sur Google Maps est lente et irrégulière. Cette compétence exécute un workflow BrowserAct pour collecter des informations structurées sur les entreprises locales à partir des résultats de recherche.

Les équipes ont besoin de données structurées d'avis locaux sans copie manuelle depuis Google Maps. Cette compétence lance des tâches BrowserAct d'extraction d'avis et surveille leur statut depuis un assistant IA.

La recherche d'entreprises locales peut être lente et irrégulière. Cette skill exécute des workflows BrowserAct Google Maps pour collecter des informations d'entreprise structurées à partir d'un mot-clé et d'un pays.

La recherche d'avis Amazon est lente lorsque les utilisateurs collectent les retours manuellement. Cette compétence soumet un ASIN à BrowserAct et rassemble des données d'avis structurées pour l'analyse.

Les vendeurs Amazon ont besoin de données actuelles sur la buy box, les prix et les vendeurs. Cette compétence exécute un workflow BrowserAct pour collecter des détails de marketplace structurés au niveau de l'ASIN.

La recherche de produits Amazon nécessite souvent des détails produit actuels à partir d’un ASIN connu. Cette compétence utilise BrowserAct pour récupérer des données structurées de titre, de prix, de note, de marque et de description.