这个 Skill 能做什么，适合哪些场景？
这是一个用于测试 golden_jupyter_kw 构建的 Jupyter Notebook 参考技能。它覆盖入门、数据加载和建模结果等内容，并提供 Python 与 Bash 示例。技能记录了 numpy、pandas 和 scikit-learn 等依赖，以及笔记本章节、代码单元和参考文件导航。它更适合测试、复现和查阅特定笔记本内容，不是完整的数据科学教程。
提供 golden_jupyter_kw 笔记本的章节概览、主要主题、依赖列表、常见文档模式、参考文件路径和代码示例；示例包括安装 pandas、使用 pandas 读取 data.csv，以及一个建模相关的 Python 函数。
- 需要验证 Skill Seeker 生成的 Jupyter 技能结构时，测试人员可用它检查章节、依赖和代码示例是否被保留。
- 需要复现笔记本数据加载流程的数据分析人员，可参考 pandas 读取 CSV 的示例。
- 需要查找建模结果所在章节的读者，可通过快速参考和 references/index.md 定位内容。
- 需要评估 notebook scraper 输出质量的维护者，可用其统计信息检查生成结果。
如何安装这个 Skill？
- 技能路径与题述的仓库功能描述明显不匹配；应按笔记本golden测试参考材料使用，不能据此推断具备文档网站、GitHub或PDF转换能力。
- 安装说明不完整：列出了numpy、pandas、sklearn，但仅示范安装pandas，且未提供版本或兼容性要求。
- 长Python示例被截断，%timeit示例预期失败；不要将其视为可直接运行的完整教程。
- 未说明本地文件data.csv的数据来源、隐私处理、网络行为、外部副作用或失败恢复方式。
- Shell / 命令行
- 本地文件系统
Pythonnumpypandasscikit-learn
该技能属于 yusufkaraaslan/Skill_Seekers 仓库中的 tests/golden/phase2/jupyter_kw/SKILL.md。README 记录的集合安装命令是：pip install skill-seekers[jupyter]。源材料没有说明如何将这个特定技能目录复制到某个 Agent 客户端。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/yusufkaraaslan/Skill_Seekers.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/tests/golden/phase2/jupyter_kw" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
安装后，把下面任意一句发给 Agent 即可触发：
- 解释 golden_jupyter_kw 的分析流程
- 展示该笔记本的依赖和章节导航
- 复现 pandas 读取 CSV 的示例
将其作为 Agent Skill 载入后，可提出类似“解释 golden_jupyter_kw 的分析流程”“展示该笔记本的依赖和章节导航”或“复现 pandas 读取 CSV 的示例”等请求。源材料未提供专用触发命令。
这个 Skill 有哪些优点和局限？
- 范围明确，聚焦单个 Jupyter Notebook 构建。
- 包含章节、依赖、语言、统计信息和参考文件导航。
- 同时提供 Python 与 Bash 代码示例。
- MIT 许可，且隶属于有持续维护和测试记录的 Skill Seekers 仓库。
- 内容主要服务于 golden build 测试，不是面向生产分析的完整技能。
- 最长 Python 示例在源文档中被截断，无法完整复现。
- 统计信息存在表述差异：文档称有 2 个代码单元，但语言统计列出 3 个 Python 加 1 个 Bash 代码单元。
- 没有提供该特定技能的独立安装位置、测试命令或失败处理说明。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| Jupyter 数据分析参考技能 本页 | 26 · 不推荐 | ★ 15k | 25 天前 | MIT |
| Golden Jupyter 笔记本技能 | 37 · 不推荐 | ★ 15k | 25 天前 | MIT |
| Jupyter 主题分析测试技能 | 31 · 不推荐 | ★ 15k | 25 天前 | MIT |
| Golden Jupyter 目录笔记本技能 | 34 · 不推荐 | ★ 15k | 25 天前 | MIT |
| Jupyter 笔记本工作流助手 ✓ OpenAI · 官方 | 49 · 谨慎使用 | ★ 28k | 4 个月前 | — |
FollowSkills 如何评估这个 Skill？
该技能仅提供笔记本提取后的静态参考内容，没有声明凭据、网络访问、外部副作用或敏感数据处理，因此未见明确红线风险；但缺少权限边界、来源完整性、用户确认、回滚和数据流说明，且示例包含读取本地data.csv的代码，故大幅扣分。
目录、统计、依赖列表和引用文件基本相互对应，并保留了正常输出和NameError示例；但安装命令只覆盖pandas，未说明numpy和sklearn的安装或版本，长代码示例明显截断，且没有失败处理、输入约束或可复现验证，因此限于中低分。
用途仅笼统写为测试golden_jupyter_kw构建，内容主要是笔记本结构、示例和统计，未定义输入、输出契约、触发条件、非适用范围或中文使用场景；对真实数据分析任务的适配证据不足，故扣分显著。
具备前置名称和描述、分节导航、引用索引、统计信息及MIT仓库许可证上下文；但技能自身缺少安装说明、版本信息、变更记录、维护责任、更新路径、FAQ和已知限制，且存在空分类和不完整代码示例，故未接近满分。
可直接帮助用户浏览该测试笔记本的少量结构、代码和输出，且引用文件便于定位；但它不是题述的文档/GitHub/PDF转Claude技能，示例被截断且功能范围极窄，无法证明能完成完整分析或生成可直接使用的技能，故仅给有限分数。
文件内有静态的章节、统计、代码、输出和错误记录，形成有限可审计证据；但没有提交的针对该技能的测试结果、第三方执行证据或独立交叉验证，且部分统计与代码展示存在不完整性，因此不超过静态上限。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →