这个 Skill 能做什么，适合哪些场景？
这是一个独立、非官方的 Agent Skill 仓库，为支持 SKILL 规范的编码代理提供完整的 Kaggle 集成。它覆盖账号凭据配置、竞赛报告与评估规则摘要、数据集和模型的下载与发布、Notebook 推送与执行轮询、论坛讨论与获奖方案（writeup）检索、基准测试工作流以及徽章收集。仓库以模块化脚本组织，所有输出 Kaggle 页面内容的脚本都会用 untrusted-content 标记包裹外部文本，并配有安全测试套件。它通过 skills.sh、ClawHub、Codex 插件市场和 Claude Code 插件市场分发，兼容 35+ 代理。
- 读取并汇总竞赛页面：规则、评估指标、排行榜和近期概况报告
- 通过 kagglehub 或 kaggle CLI 下载并发布数据集与模型
- 将 Notebook 发布到 Kaggle Kernels、远程执行、轮询状态并下载输出
- 检索论坛主题、排行榜方案 writeup 与黑客松文章（保留角色拒绝响应作为证据）
- 运行 Kaggle benchmarks CLI 任务创建、模型运行与状态查询
- 以 dry-run 优先的方式执行徽章收集阶段与连续打卡辅助脚本
- 数据科学参赛者在提交前让代理总结 Titanic 等竞赛的规则与评估指标
- 研究者批量拉取某个竞赛排行榜前 N 名的方案 writeup 并按赛道归类
- 参赛者用代理下载竞赛数据集并准备到本地 Notebook 目录
- 用户把本地 Notebook 推送到 Kaggle Kernels 执行并等待结果下载
- Kaggle 用户通过 API 查询还能赚取哪些徽章并先做 dry-run 预演
- 与 Kaggle 无关的通用机器学习、数据集或 GPU/TPU 任务——技能描述明确要求不激活
- 没有 Kaggle 账号或 KAGGLE_API_TOKEN 的用户——凭据检查失败时无法执行任何操作
- 离线环境——需要访问 api.kaggle.com、www.kaggle.com 和 storage.googleapis.com
如何安装这个 Skill？
- 徽章收集与竞赛提交流程会直接修改用户的 Kaggle 账户（创建私有资源、占用提交次数），执行前务必逐项确认。
- 提交的预测文件为占位数据（如 Titanic 全 0 预测），可能影响账户信誉或违反个别竞赛规则，请勿用于真实竞赛。
- 核心功能依赖 api.kaggle.com 与 www.kaggle.com，中国大陆网络可能无法直连，需自备可达网络环境。
- 静态审查未执行任何代码；badge-catalog 中徽章数量（55 vs 59）等细节不一致，使用前请自行核对。
- 发布者身份未经 FollowSkills 注册表验证，属未知而非可疑；如需企业级采用请另行尽调。
- Shell / 命令行
- 网络访问
- 本地文件系统
- MCP Server
Python 3.11+kagglehub>=1.0.0kaggle>=2.2.3kagglesdk<1.0requestspython-dotenvKAGGLE_API_TOKEN
按宿主平台选择以下任一安装方式：
Claude Code
/plugin marketplace add shepsci/kaggle-skill
/plugin install kaggle@shepsciCodex
codex plugin marketplace add shepsci/kaggle-skill --ref main
codex plugin add kaggle@shepsciskills.sh
npx skills add shepsci/kaggle-skillClawHub
clawhub install kaggle手动克隆
git clone https://github.com/shepsci/kaggle-skill.git
cd kaggle-skill
python3 -m pip install "kagglehub>=1.0.0" "kaggle>=2.2.3" "kagglesdk>=0.1.33,<1.0" python-dotenv requests如何使用这个 Skill？
安装后，把下面任意一句发给 Agent 即可触发：
- 用 Kaggle 技能总结 Titanic 竞赛的规则和评估指标。
- 检索 Vesuvius Challenge 表面检测竞赛排行榜前 3 名提交的 writeup 并预览。
- 下载 owner/dataset-name 这个 Kaggle 数据集到 ./data 并为 Notebook 做准备。
- 把这个 Notebook 推送到 Kaggle Kernels 执行，完成后告诉我并下载输出。
技能由用户明确提到 Kaggle（网址、竞赛、数据集、writeup、徽章等）时触发；不要指望它对泛化的 ML 任务生效。首次使用先运行凭据检查脚本，然后把请求交给代理，由它路由到对应模块（setup/competitions/datasets/models/notebooks/discussions/benchmarks/badges）。写操作（提交、发布、徽章阶段）默认只读/dry-run，需要用户明确表达意图后才会真正执行。凭据保存示例：
mkdir -p ~/.kaggle
printf '%s\n' 'YOUR_TOKEN' > ~/.kaggle/access_token
chmod 600 ~/.kaggle/access_token
python3 modules/setup/scripts/check_all_credentials.py这个 Skill 有哪些优点和局限？
- 覆盖 Kaggle 全生命周期：凭据、竞赛、数据集、模型、Notebook、讨论、基准、徽章
- 安全设计扎实：无动态 eval、凭据不外泄、untrusted-content 包裹、zip-slip 防护，且有对应测试
- 写操作强制 dry-run 优先并要求显式用户意图，防止误提交或误发布
- 分发渠道多：Claude Code、Codex、skills.sh、ClawHub 均有官方安装命令
- 独立非官方项目，与 Kaggle 或 Google 无隶属关系，平台接口变动可能导致脚本失效
- 竞赛模块的 SPA 抓取步骤依赖宿主代理提供 Playwright MCP 工具，技能本身不内置
- 需要 Python 3.11+ 和多个 pip 依赖，环境准备成本高于纯提示词技能
- 徽章收集等自动化行为可能触及 Kaggle 站方对自动化的态度，使用需自行评估风险
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 |
|---|---|---|---|---|
| Kaggle 技能包 本页 | 61 · 推荐 | ★ 103 | 10 天前 | MIT |
| Bright Data Web MCP 网页访问技能 | 51 · 谨慎使用 | ★ 38k | 13 天前 | MIT |
| Engram 持久记忆协议 | 68 · 推荐 | ★ 7.2k | 11 天前 | MIT |
| Node Modules Inspector 依赖审计技能 | 67 · 推荐 | ★ 3k | 1 个月前 | MIT |
| e2e Verify —— 端到端变更验证技能 | 64 · 推荐 | ★ 10k | 11 天前 | Apache-2.0 |
相比直接使用 kaggle CLI 或 kagglehub 库，这个技能把命令封装成代理可调度的工作流，并加入凭据检查、dry-run 安全策略和不可信内容防护；相比 Kaggle MCP 服务器裸工具，它补充了 writeup 检索、徽章工作流等更高层的编排，并以 .mcp. 配置 Kaggle 远程 MCP（实测 70 个工具）。
FollowSkills 如何评估这个 Skill？
证据显示较完善的安全设计：最小权限声明（allowed-tools 限定）、写操作需明确用户意图、默认 dry-run、凭据不回显、zip-slip 防护、不可信内容包裹标记，并有测试文件名佐证（未读到全部测试正文）。扣分点：竞赛提交、徽章刷取等行为直接修改用户 Kaggle 账户且提交占位预测文件（如 Titanic 全 0 预测），虽需确认但存在账户配额/可见性风险；发布者身份未经验证。
脚本逻辑自洽、错误处理与状态追踪（badge_tracker）较完整，失败信息可读，具有跳过/回退逻辑。扣分点：静态审查下未执行，关键路径（kaggle CLI 解析、kagglehub 上传、Playwright 阶段）依赖外部服务且输出格式假设较脆弱；badge-catalog 自身数字不一致（标题 55 vs 汇总 59）；部分脚本文件被截断，无法确认完整性。
触发描述精确（明确排除非 Kaggle 任务），模块划分清晰，兼容性声明广泛，非适用范围（17 个不可自动化徽章）明确。扣分点：核心功能完全依赖 api.kaggle.com/www.kaggle.com 等海外服务，对中国大陆网络可达性构成实质限制且未讨论；Playwright MCP 依赖宿主代理提供，环境适配有附加条件。
文档分层良好（SKILL.md→模块 README→references），MIT 许可明确、版本号 2.4.0、pyproject 元数据一致、明确声明非官方、有 SECURITY.md 与隐私声明。扣分点：未见 CHANGELOG 与明确维护者承诺；徽章数量等细节不一致；测试与诊断文档覆盖情况部分仅靠 README 描述。
核心工作流（竞赛页摘要、数据集下载、讨论检索）有具体命令示例与 demo 录像声明，边际价值明确（自动搜索/汇总 Kaggle 内容）。扣分点：静态审查无法验证输出质量；徽章自动化的实际收益有限且部分步骤标为手动；demo 为作者自录不可独立核验。
仓库含测试目录、安全测试清单、pyproject 测试标记（live/destructive/manual），并有可复现的命令路径。扣分点：提供的证据中未读到实际测试正文与 CI 配置内容，demo 录像与 MCP 70 工具清单为作者声明，静态审查下不 award 超过 5。
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 →