dataset-finder

Dataset Finder 是一款专为机器学习从业者和数据科学家设计的开源工具，旨在简化从多个权威数据源获取和管理数据集的过程。该 Skill 通过统一的命令行界面，整合了 Kaggle、Hugging Face、UCI ML Repository 和 Data.gov 四大主流数据仓库，使用户无需切换平台即可搜索、下载和预览海量公开数据集。

核心用法围绕数据获取的全生命周期展开。用户可通过简单的命令行指令在多个仓库中同时搜索相关数据集，利用过滤条件（如文件类型、任务类型、语言等）快速定位所需资源。下载功能支持 CSV、Parquet、JSON、Excel 等主流格式，并具备自动格式检测能力。对于大型数据集，还提供流式下载选项以避免内存溢出。下载后的数据集可通过预览功能快速查看统计信息（行列数、缺失值分布、基础统计量等），而数据卡片生成功能则能自动创建包含数据集模式、使用示例和引用信息的标准化文档，极大提升了团队协作和数据复现的便利性。

该 Skill 的显著优点在于其多源整合能力与丰富的数据管理功能。相比单一平台工具，Dataset Finder 打破了数据孤岛，让用户能够跨平台比较和选择最优数据集。其支持超过 10 种数据格式的转换与处理，内置的数据集分割、合并功能可直接服务于机器学习工作流的特征工程阶段。自动生成的数据卡片遵循行业最佳实践，包含完整的模式定义和统计摘要，有助于建立组织级的数据资产目录。此外，本地数据集管理功能允许用户建立结构化的数据仓库，通过统一的清单视图追踪已下载资源。

然而，该 Skill 也存在一定局限性。首先，使用 Kaggle 功能需要用户自行配置 API 密钥，对初学者不够友好；UCI ML Repository 的搜索功能依赖网页抓取（BeautifulSoup），可能因目标网站结构调整而突然失效。其次，虽然功能丰富，但依赖项版本未完全锁定（使用 >= 范围），在长期使用中可能面临依赖冲突风险。作为 T3 来源的个人项目，其长期维护稳定性和企业级支持相对有限，且官方要求预装 OpenClawCLI 才能运行，增加了部署复杂度。

该 Skill 特别适合以下群体：从事机器学习研究的数据科学家和算法工程师，需要快速获取训练数据的 AI 开发者，进行数据科学教学的教育工作者，以及需要构建数据资产库的技术团队。对于参与 Kaggle 竞赛的选手，该工具能显著缩短数据准备时间；对于学术研究者，UCI 和 Data.gov 的集成提供了可靠的标准数据集来源。

使用过程中的常规风险主要包括存储管理、依赖稳定性和数据合规三方面。下载大型数据集（如 GB 级图像或文本语料）会快速消耗本地磁盘空间，用户需定期清理未使用的数据集。依赖项中使用 >= 版本范围可能导致未来出现破坏性更新，建议在虚拟环境中使用并定期锁定依赖版本。虽然工具本身不收集用户数据，但从第三方平台下载的数据集可能包含版权或隐私限制，用户需自行验证数据使用许可。此外，网络请求虽设有超时保护，但在连接 Hugging Face 等国际服务时仍可能受网络环境影响。