这个 Skill 能做什么，适合哪些场景？
这是一个面向测试的 Jupyter Notebook 技能，名称为 golden-jupyter-topics。它提供与 golden_jupyter_topics 构建相关的使用说明、Notebook 结构摘要、依赖信息、代码示例和参考文件导航。Notebook 使用 Python 3 内核，标注的语言版本为 Python 3.11.4，涉及 NumPy、pandas 和 scikit-learn。它适合检查生成结果和复现示例，但并不是完整的数据分析教程或生产级分析工作流。
该技能说明如何在测试场景中查阅 golden_jupyter_topics 的概念、分析流程、代码示例、输出、方法、可视化和结果；列出 Notebook 的 5 个章节、数据加载与评估等主题、主要主题 Getting Started 及子主题 Modeling Results；记录示例依赖 numpy、pandas 和 sklearn；提供 pip install pandas、读取 data.csv 的 pandas 示例以及 %timeit broken() 示例；并指向 references/section_s2-s2.md、references/section_s5-s5.md、references/section_s1-s1.md、references/section_s3-s4.md 和 references/index.md。
- 需要验证 golden_jupyter_topics golden build 是否生成了预期 Notebook 结构的测试人员。
- 需要查找该 Notebook 中 Getting Started、Data Loading 或 Modeling Results 内容的开发者。
- 需要参考 pandas 读取 CSV 示例并复现简单数据处理步骤的数据分析学习者。
- 需要检查生成技能中的依赖列表、代码示例质量和参考文件导航的维护者。
如何安装这个 Skill？
- 不要将该技能视为完整的 Jupyter 分析或建模助手；它更像生成的主题索引和样例摘录。
- 运行示例前需确认 data.csv 存在、pandas 已安装，并修复或有意测试 broken() 未定义错误。
- 应补充明确输入输出、版本与维护信息，并修正代码单元统计和截断示例后再提高评分。
- Shell / 命令行
- 本地文件系统
Python 3.11.4numpypandassklearn
该仓库是包含 27 个技能的 monorepo；本技能位于 tests/golden/phase2/jupyter_topics/SKILL.md。README 记录了整个 Skill Seekers 集合的安装方式：pip install skill-seekers。源材料没有提供这个测试技能的专用安装命令或单独发布包。若使用 Agent Skills 兼容客户端，应将包含该 SKILL.md 的技能目录放入客户端的技能目录；源材料没有进一步说明该测试技能的具体目标路径。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/yusufkaraaslan/Skill_Seekers.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/tests/golden/phase2/jupyter_topics" ~/.claude/skills/
rm -rf "$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：
- 使用 golden-jupyter-topics 技能检查 golden_jupyter_topics golden build，并列出其 Notebook 章节和依赖
在支持 Agent Skills 的客户端中启用该技能，并提出类似“使用 golden-jupyter-topics 技能检查 golden_jupyter_topics golden build，并列出其 Notebook 章节和依赖”的请求。若直接复现示例，需要 Python 3.11.4 以及 numpy、pandas、sklearn；源材料只明确给出了 pip install pandas，没有提供完整依赖安装命令。参考文件位于技能目录下的 references/，具体索引是 references/index.md。
这个 Skill 有哪些优点和局限？
- 用途和触发场景非常明确，专门面向 golden_jupyter_topics 构建测试。
- 提供章节统计、语言分布、依赖列表和参考文件路径，便于检查生成结果。
- 同时包含 Bash 与 Python 示例，可用于快速验证代码内容是否被收录。
- 技能正文仅使用标准 `name` 和 `description` 前置字段，没有显示平台专属钩子或子代理配置。
- 范围很窄，主要服务于测试和结果核验，不适合替代完整的 Jupyter 或数据分析技能。
- 第一个 Python 示例被截断为 `x3 ...`，无法直接完整运行。
- `%timeit broken()` 示例质量标注为 2.0/10，且引用了未定义的 `broken()`。
- Notebook 统计存在可疑的不一致：正文写有 2 个代码单元，但语言分布又列出 3 个 Python 代码单元和 1 个 Bash 代码单元。
- 源材料没有提供该测试技能的独立安装流程、完整 Notebook 内容或测试通过证据。
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 主题分析测试技能 本页 | 31 · 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 数据分析参考技能 | 26 · 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？
所选 SKILL.md 仅提供笔记本主题、代码示例和引用文件，没有声明凭据、网络访问、写入、外部副作用、用户确认、回滚或敏感数据处理；因此未见红线，但因数据流与安全边界完全未说明，仅得10/25。
引用文件与 SKILL.md 的章节、依赖和示例大体一致，并明确展示了一个 NameError 示例；但存在统计不一致（SKILL.md 称代码单元2个，却列出3个 Python 示例和1个 Bash 示例），长示例截断，且没有运行步骤、环境锁定、异常处理或诊断指南；静态评估按上限仅得5/20。
触发描述仅为测试 golden_jupyter_topics golden build，受众、输入输出、非适用范围和语义触发条件不清楚；内容主要是通用笔记本索引，未说明中文使用或中国大陆网络适配；得4/15。
具备基本 front matter、章节导航、依赖列表、引用索引和 MIT 仓库许可证元数据；但选定技能缺少安装说明、稳定版本、变更记录、维护责任、更新路径、FAQ 和限制说明，且名称/描述偏测试构建而非用户能力；得6/15。
可直接帮助用户浏览少量 notebook 主题、依赖和示例，但示例包含人为的长变量序列、未定义函数错误和原始单元，缺少完整可执行工作流；对复现分析或获得可直接使用结果的价值证据不足；静态上限内得3/15。
有提交的 Markdown 引用文件、代码、输出和错误文本，支持有限的内容追溯；但没有该技能专属的测试覆盖或第三方执行证据，且统计与内容存在不一致；静态上限内得3/10。
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 →