Xpersona
agentCLAWHUBUnverified

SQL Database Toolkit

All-in-one SQL data analysis toolkit supporting database/file connection, SQL query, visualization, AI insights, and report/dashboard generation with templates. Skill: SQL Database Toolkit Owner: moniq888 Summary: All-in-one SQL data analysis toolkit supporting database/file connection, SQL query, visualization, AI insights, and report/dashboard generation with templates. Tags: latest:1.0.0 Version history: v1.0.0 | 2026-04-04T01:51:27.323Z | user SQL Database Toolkit 1.0.0 - 首次统一发布：整合 sql-master、sql-dataviz、sql-report-generator 三大功能包 - 支持多种数据库（如 SQLite、MySQL、PostgreSQL 等）及本

OpenClaw
View on ClawHubHomepage

Rank

62

Safety

84

Downloads

1.2k

Updated

Oct 11, 2026

Version

1.0.0

Source

CLAWHUB

About

What it does, and when to use it.

Capability contract not published. No trust telemetry is available yet. 1.2K downloads reported by the source. Last updated 10/11/2026.

Avoid when

  • Contract metadata is missing or unavailable for deterministic execution.

Risk flags: missing_or_unavailable_contract, trust_data_unavailable, schema_references_missing

Public facts

Every fact links back to the source it came from.

Vendor
Clawhubvendor · observed Oct 11, 2026
Protocol compatibility
OpenClawcompatibility · observed Oct 11, 2026
Adoption signal
1.2K downloadsadoption · observed Oct 11, 2026
Latest release
1.0.0release · observed Apr 4, 2026
Handshake status
UNKNOWNsecurity

Install and run

Setup complexity: low.

clawhub skill install s1774kyr593ezfy7qtq3g4k9t983g3a1:sql-database-toolkit
  1. Setup complexity is LOW. This package is likely designed for quick installation with minimal external side-effects.
  2. Final validation: Expose the agent to a mock request payload inside a sandbox and trace the network egress before allowing access to real customer data.

Contract: missing

curl -s "https://www.xpersona.co/api/v1/agents/clawhub-moniq888-sql-database-toolkit/snapshot"

Documentation

CLAWHUB

52,824 characters of source documentation, loaded on request.

Extracted files

5 files captured from the source.

SKILL.md

# SQL Database Toolkit

_全链路 SQL 数据分析工具包：数据连接 → SQL 查询 → 数据可视化 → AI 洞察 → 报告生成_

## 概述

SQL Database Toolkit 是 sql-master、sql-dataviz、sql-report-generator 三大 Skill 的统一整合版本，提供端到端的 SQL 数据分析能力。

**核心能力：**
- **数据连接层**：支持 SQLite/MySQL/PostgreSQL/SQL Server/ClickHouse 等多种数据库，以及 CSV/Excel/JSON/Parquet 等本地文件格式
- **SQL 查询执行**：自然语言转 SQL、SQL 执行与优化、查询结果分析
- **数据可视化**：24+ 种静态图表（PNG base64）+ 12 种交互式图表（HTML），支持 Power BI 风格配色
- **AI 洞察**：基于统计的自动异常检测、趋势分析、相关性分析、TOP N 排名等
- **报告生成**：完整 HTML 报告、KPI 仪表盘、行业模板库（90+ 模板）

## 触发条件

当用户提及以下关键词时触发：
- SQL 查询、执行、优化
- 数据库连接（MySQL/PostgreSQL/SQLite 等）
- 数据可视化、图表生成（折线图/柱状图/饼图/热力图等）
- 报告生成、仪表盘、数据看板
- 数据分析、洞察、异常检测
- 文件数据处理（CSV/Excel 导入导出）

## 安装依赖

```bash
pip install -r requirements.txt
```

**核心依赖：**
- pandas, numpy - 数据处理
- sqlalchemy, pymysql, psycopg2-binary - 数据库连接
- matplotlib, seaborn, plotly - 可视化
- scipy - 统计分析
- jinja2 - 模板引擎

## 快速开始

### 1. 一键端到端分析

```python
from unified_pipeline import analyze_file

# 文件 → SQL → 图表 → 洞察 → 报告
result = analyze_file(
    "sales.csv",
    sql="SELECT region, SUM(sales) as total FROM data GROUP BY region",
    charts=[{"type":"bar","x":"region","y":"total","title":"区域销售"}],
    output="report.html"
)
print(result.log())
```

### 2. 数据库查询

```python
from database_connector import DatabaseConnector

# 连接 MySQL
conn = DatabaseConnector(
    dialect="mysql+pymysql",
    host="localhost", port=3306,
    username="root", password="xxx",
    database="sales_db"
)
result = conn.execute("SELECT * FROM orders WHERE amount > 1000")
print(result.df)
```

### 3. 生成交互式图表

```python
from interactive_charts import InteractiveChartFactory

factory = InteractiveChartFactory(theme="powerbi")
html = factory.create_line({
    "categories": ["1月","2月","3月"],
    "series": [{"name":"销售额","data":[100,120,150]}]
})
factory.save_html(html, "chart.html")
```

### 4. AI 自动洞察

```python
from ai_insights import quick_insights

report = quick_insights(df, date_col="date", value_cols=["sales","profit"])
for insight in report.insights:
    print(f"{insight.title}: {insight.description}")
```

## 模块索引

### 数据连接层

| 模块 | 功能 |
|------|------|
| `database_connector.py` | 数据库连接（支持 6+ 种数据库） |
| `file_connector.py` | 本地文件加载（CSV/Excel/JSON/Parquet 等） |
| `pipeline.py` | SQL Pipeline 编排器 |

### 可视化层

| 模块 | 功能 |
|------|------|
| `charts.py` | 静态图表工厂（24+ 种图表，PNG base64） |
| `interactive_charts.py` | 交互式图表工厂（12 种图表，HTML）+ DashboardBuilder |

### 报告层

| 模块 | 功能 |
|------|------|
| `ai_insights.py` | AI 自动洞察生成器 |
| `dashboard_templates.py` | 行业看板模板库（90+ 模板） |
| `report_generator.py` | 报告生成器（表格/矩阵/切片器） |

### 统一入口

| 模块 | 功能 |
|------|------|
| `unified_pipeline.py` | 端到端统一 Pipeline（推荐） |
| `__init__.py` | 统一导出所有核心类 |

## 使用示例

### 示例 1：完整分析流程

```python
from unified_pipeline import UnifiedPipeline

# 创建 Pipeline
p = UnifiedPipeline("销售分析").set_theme("powerbi")

# 加载数据
p.from_file("sales.csv")

# SQL 查询
p.query("SELECT region, SUM(amount) as total FROM data GROUP BY region")

# 生成交互式图表
p.interactive_chart("bar", x_col="region", y_co

_meta.json

{
  "ownerId": "kn76k6338wpqydkxgdztg6vb9x83hz20",
  "slug": "sql-database-toolkit",
  "version": "1.0.0",
  "publishedAt": 1775267487323
}

references/bar-charts.md

# 条形图 & 横向条形图

适用场景：分类比较、排名展示。

---

## 纵向条形图（类别 ≤ 10）

```python
import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False

fig, ax = plt.subplots(figsize=(10, 6))

bars = ax.bar(df['category'], df['value'],
              color='#3b82f6', width=0.6, edgecolor='white')

# 柱顶标注数值
for bar in bars:
    h = bar.get_height()
    ax.text(bar.get_x() + bar.get_width()/2, h + max(df['value'])*0.01,
            f'{h:,.0f}', ha='center', va='bottom', fontsize=10)

ax.set_title('各品类销售额', fontsize=15, fontweight='bold', pad=12)
ax.set_xlabel('品类')
ax.set_ylabel('销售额（万元）')
ax.set_ylim(0, max(df['value']) * 1.15)  # 留出标注空间
ax.grid(axis='y', alpha=0.3, linestyle='--')
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

plt.tight_layout()
plt.savefig('bar_chart.png', dpi=150, bbox_inches='tight')
```

---

## 横向条形图（排名 / 类别多 / 名称长）

```python
# 按值排序，最大值在顶部
df_sorted = df.sort_values('value', ascending=True)

fig, ax = plt.subplots(figsize=(10, max(6, len(df_sorted) * 0.4)))

# 高亮 Top 1
colors = ['#ef4444' if i == len(df_sorted)-1 else '#3b82f6'
          for i in range(len(df_sorted))]

bars = ax.barh(df_sorted['name'], df_sorted['value'],
               color=colors, height=0.6)

# 右侧标注数值
for bar in bars:
    w = bar.get_width()
    ax.text(w + max(df_sorted['value'])*0.01, bar.get_y() + bar.get_height()/2,
            f'{w:,.0f}', va='center', fontsize=10)

ax.set_title('Top 用户消费排名', fontsize=15, fontweight='bold', pad=12)
ax.set_xlabel('消费金额（元）')
ax.set_xlim(0, max(df_sorted['value']) * 1.12)
ax.grid(axis='x', alpha=0.3, linestyle='--')
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

plt.tight_layout()
plt.savefig('bar_horizontal.png', dpi=150, bbox_inches='tight')
```

---

## 分组条形图（多系列对比）

```python
# df 列：month, group_a, group_b, group_c
categories = df['month'].tolist()
x = np.arange(len(categories))
width = 0.25
PALETTE = ['#3b82f6', '#10b981', '#f59e0b']

fig, ax = plt.subplots(figsize=(12, 6))

for i, (col, label) in enumerate([('group_a', 'PC端'), ('group_b', '移动端'), ('group_c', '小程序')]):
    offset = (i - 1) * width
    bars = ax.bar(x + offset, df[col], width, label=label,
                  color=PALETTE[i], edgecolor='white')

ax.set_xticks(x)
ax.set_xticklabels(categories)
ax.legend()
ax.set_title('各渠道月度订单量对比', fontsize=15, fontweight='bold')
ax.grid(axis='y', alpha=0.3, linestyle='--')
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

plt.tight_layout()
plt.savefig('grouped_bar.png', dpi=150, bbox_inches='tight')
```

---

## 堆叠条形图（占比构成）

```python
fig, ax = plt.subplots(figsize=(12, 6))
PALETTE = ['#3b82f6', '#10b981', '#f59e0b', '#ef4444']

bottom = np.zeros(len(df))
for i, col in enumerate(['cat_a', 'cat_b', 'cat_c', 'cat_d']):
    ax.bar(df['month'], df[col], bottom=bottom,
           label=col, color=PALETTE[i], edgecolor='white', linewidth=0.5)
    bottom += df[col].val

references/canvas-render.md

# Canvas 内嵌渲染

在对话中直接渲染图表，无需保存文件，用户即时看到结果。

---

## 什么时候用 Canvas 渲染

- 用户想在对话里直接看图，不想保存文件
- 快速验证图表效果
- 演示/汇报场景，需要即时展示

---

## 使用方式

通过 `canvas` 工具的 `eval` action 执行 JavaScript，渲染 Chart.js 图表。

### 折线图示例

```javascript
// canvas eval 内容
const ctx = document.getElementById('chart').getContext('2d');
new Chart(ctx, {
  type: 'line',
  data: {
    labels: ['1月', '2月', '3月', '4月', '5月', '6月'],
    datasets: [{
      label: '订单量',
      data: [1200, 1900, 1500, 2100, 2400, 2800],
      borderColor: '#3b82f6',
      backgroundColor: 'rgba(59,130,246,0.1)',
      borderWidth: 2,
      fill: true,
      tension: 0.4,
      pointRadius: 4
    }]
  },
  options: {
    responsive: true,
    plugins: {
      title: { display: true, text: '月度订单量趋势', font: { size: 16 } },
      legend: { position: 'top' }
    },
    scales: {
      y: { beginAtZero: true, grid: { color: 'rgba(0,0,0,0.05)' } }
    }
  }
});
```

### Canvas HTML 模板

```html
<!DOCTYPE html>
<html>
<head>
  <script src="https://cdn.jsdelivr.net/npm/chart.js"></script>
  <style>
    body { font-family: 'Microsoft YaHei', sans-serif; padding: 20px; background: #fff; }
    .chart-container { max-width: 800px; margin: 0 auto; }
  </style>
</head>
<body>
  <div class="chart-container">
    <canvas id="chart"></canvas>
  </div>
  <script>
    // 在这里放图表代码
  </script>
</body>
</html>
```

---

## Chart.js 常用图表类型

| type 值 | 图表类型 |
|---------|---------|
| `'line'` | 折线图 |
| `'bar'` | 条形图（纵向） |
| `'bar'` + `indexAxis: 'y'` | 横向条形图 |
| `'pie'` | 饼图（慎用） |
| `'doughnut'` | 环形图 |
| `'scatter'` | 散点图 |
| `'bubble'` | 气泡图 |
| `'radar'` | 雷达图 |

---

## 多系列条形图示例

```javascript
new Chart(ctx, {
  type: 'bar',
  data: {
    labels: ['Q1', 'Q2', 'Q3', 'Q4'],
    datasets: [
      {
        label: 'PC端',
        data: [3200, 4100, 3800, 5200],
        backgroundColor: '#3b82f6'
      },
      {
        label: '移动端',
        data: [5100, 6200, 7100, 8900],
        backgroundColor: '#10b981'
      }
    ]
  },
  options: {
    responsive: true,
    plugins: {
      title: { display: true, text: '各渠道季度订单量' }
    },
    scales: { y: { beginAtZero: true } }
  }
});
```

---

## 注意事项

- Canvas 渲染依赖网络加载 Chart.js CDN，离线环境需本地引入
- 数据量大时（>1000 点），建议先聚合再渲染，避免卡顿
- 中文字体在 Canvas 中需要系统已安装对应字体
- 复杂统计图（箱线图、小提琴图）建议用 Python matplotlib 生成图片，再展示

references/chart-guidelines.md

# 图表选型指南

根据数据类型和报告目标选择最合适的图表。

---

## 核心原则

**图表存在的意义是传达信息，不是展示数据。**

选择图表前先问自己：
1. 我想传达什么信息？
2. 读者最关心什么？
3. 这个图表能让读者快速理解吗？

---

## 决策矩阵

### 按数据关系选图

| 数据关系 | 推荐图表 | 适用场景 | 避免使用 |
|---------|---------|---------|---------|
| **时间趋势** | 折线图 | 销售趋势、用户增长 | 饼图、散点图 |
| **分类比较** | 横向条形图 | 品类排名、区域对比 | 折线图（类别少时） |
| **占比构成** | 堆叠条形图 | 渠道占比、成本构成 | 饼图（>5类时） |
| **数值分布** | 直方图/箱线图 | 订单金额分布、薪资分布 | 条形图 |
| **两变量关系** | 散点图 | 价格vs销量、投入vs产出 | 折线图 |
| **流程转化** | 漏斗图 | 购买漏斗、招聘漏斗 | 条形图 |
| **多维对比** | 热力图 | Cohort留存、相关性矩阵 | 多个折线图 |
| **地理分布** | 地图 | 区域销售、用户分布 | 条形图 |
| **进度达成** | 进度条/仪表盘 | 目标达成率、KPI进度 | 折线图 |
| **单一指标** | 大数字卡片 | 总营收、总用户数 | 任何图表 |

---

## 报告类型 vs 图表组合

### 周报/月报
```
┌─────────────────────────────────────┐
│  KPI 卡片（4个核心指标）              │
├─────────────────────────────────────┤
│  折线图（趋势）+ 洞察文字             │
├────────────────────┬────────────────┤
│  横向条形图（排名） │  堆叠图（构成）  │
├────────────────────┼────────────────┤
│  漏斗图（转化）     │  表格（明细）    │
└────────────────────┴────────────────┘
```

### 财务报表
```
┌─────────────────────────────────────┐
│  KPI 卡片（收入/利润/成本/费用）      │
├─────────────────────────────────────┤
│  环形图（成本构成）                  │
├────────────────────┬────────────────┤
│  堆叠条形图（收入构成）│  折线图（趋势）│
├────────────────────┴────────────────┤
│  表格（明细科目）                    │
└─────────────────────────────────────┘
```

### 漏斗报告
```
┌─────────────────────────────────────┐
│  KPI 卡片（整体转化率/各阶段转化率）  │
├─────────────────────────────────────┤
│  漏斗图（全宽）                      │
├────────────────────┬────────────────┤
│  分组漏斗（渠道对比）│  条形图（流失原因）│
├────────────────────┴────────────────┤
│  洞察 + 优化建议                     │
└─────────────────────────────────────┘
```

### 留存报告
```
┌─────────────────────────────────────┐
│  KPI 卡片（次日留存/7日留存/30日留存）│
├─────────────────────────────────────┤
│  Cohort 热力图（全宽）               │
├────────────────────┬────────────────┤
│  折线图（留存曲线） │  条形图（渠道对比）│
└────────────────────┴────────────────┘
```

---

## 图表设计规范

### 折线图
```python
# 最佳实践
fig, ax = plt.subplots(figsize=(11, 4))
ax.plot(df['date'], df['value'], linewidth=2.2, color='#3b82f6')
ax.fill_between(df['date'], df['value'], alpha=0.1, color='#3b82f6')  # 填充区域

# 7日均线
ma7 = df['value'].rolling(7).mean()
ax.plot(df['date'], ma7, linewidth=1.5, linestyle='--', color='#f59e0b')

# 峰值标注
max_idx = df['value'].idxmax()
ax.annotate(f"峰值 {df.loc[max_idx, 'value']:,}",
            xy=(df.loc[max_idx, 'date'], df.loc[max_idx, 'value']),
            xytext=(5, 5), textcoords='offset points')

# 设计规范
ax.grid(axis='y', alpha=0.2, linestyle='--')
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
```

**何时使用：**
- 数据点 > 10 个
- 需要展示趋势
- 需要比较多条线（≤5条）

**避免：**
- 数据点 < 5 个（用条形图）
- 多条线交叉严重（分图展示）

### 条形图
```python
# 横向条形图（推荐，适合类别名称较长）
df_sorted = df.sort_values('value', ascending=True)
fig, ax = plt.subplots(figsize=(7, 5))
bars = ax.barh(df_sorted['category'], df_sorted['value'],
               color='#3b82f6', height=0.6)

# 数值标注
for bar in bars:
    width = bar.get_w

Related agents

Same protocol, similar job.

Github ReposUpdated 1d agoRank 70

AionUi

Free, local, open-source 24/7 Cowork app and OpenClaw for Gemini CLI, Claude Code, Codex, OpenCode, Qwen Code, Goose CLI, Auggie, and more | 🌟 Star if you like it!

MCPOPENCLAW
Github ReposUpdated 6mo agoRank 70

activepieces

AI Agents & MCPs & AI Workflow Automation • (~400 MCP servers for AI agents) • AI Automation / AI Agent with MCPs • AI Workflows & AI Agents • MCPs for AI Agents

OPENCLAW
Github ReposUpdated 6mo agoRank 70

cherry-studio

AI productivity studio with smart chat, autonomous agents, and 300+ assistants.

MCPOPENCLAW
Github ReposUpdated 7mo agoRank 70

CopilotKit

The Frontend for Agents & Generative UI. React + Angular

OPENCLAW

Machine-readable data

The same record, as JSON, for agents and crawlers.

{
  "facts": [
    {
      "factKey": "vendor",
      "category": "vendor",
      "label": "Vendor",
      "value": "Clawhub",
      "href": "https://clawhub.ai/moniq888/skills/sql-database-toolkit",
      "sourceUrl": "https://clawhub.ai/moniq888/skills/sql-database-toolkit",
      "sourceType": "profile",
      "confidence": "medium",
      "observedAt": "2026-10-11T01:05:03.856Z",
      "isPublic": true
    },
    {
      "factKey": "protocols",
      "category": "compatibility",
      "label": "Protocol compatibility",
      "value": "OpenClaw",
      "href": "https://www.xpersona.co/api/v1/agents/clawhub-moniq888-sql-database-toolkit/contract",
      "sourceUrl": "https://www.xpersona.co/api/v1/agents/clawhub-moniq888-sql-database-toolkit/contract",
      "sourceType": "contract",
      "confidence": "medium",
      "observedAt": "2026-10-11T01:05:03.856Z",
      "isPublic": true
    },
    {
      "factKey": "traction",
      "category": "adoption",
      "label": "Adoption signal",
      "value": "1.2K downloads",
      "href": "https://clawhub.ai/moniq888/sql-database-toolkit",
      "sourceUrl": "https://clawhub.ai/moniq888/sql-database-toolkit",
      "sourceType": "profile",
      "confidence": "medium",
      "observedAt": "2026-10-11T01:05:03.856Z",
      "isPublic": true
    },
    {
      "factKey": "latest_release",
      "category": "release",
      "label": "Latest release",
      "value": "1.0.0",
      "href": "https://clawhub.ai/moniq888/sql-database-toolkit",
      "sourceUrl": "https://clawhub.ai/moniq888/sql-database-toolkit",
      "sourceType": "release",
      "confidence": "medium",
      "observedAt": "2026-04-04T01:51:27.323Z",
      "isPublic": true
    },
    {
      "factKey": "handshake_status",
      "category": "security",
      "label": "Handshake status",
      "value": "UNKNOWN",
      "href": "https://www.xpersona.co/api/v1/agents/clawhub-moniq888-sql-database-toolkit/trust",
      "sourceUrl": "https://www.xpersona.co/api/v1/agents/clawhub-moniq888-sql-database-toolkit/trust",
      "sourceType": "trust",
      "confidence": "medium",
      "observedAt": null,
      "isPublic": true
    }
  ],
  "events": [
    {
      "eventType": "release",
      "title": "Release 1.0.0",
      "description": "SQL Database Toolkit 1.0.0 - 首次统一发布：整合 sql-master、sql-dataviz、sql-report-generator 三大功能包 - 支持多种数据库（如 SQLite、MySQL、PostgreSQL 等）及本地数据文件（CSV/Excel/JSON/Parquet）接入 - 提供自然语言转 SQL、SQL 执行与优化、富查询结果分析 - 内置 24+ 种静态图表和 12 种交互式图表，可选多种主题（如 Power BI 风格） - 一键生成完整 HTML 报告、KPI 仪表盘，内置 90+ 行业模板 - 支持 AI 洞察：自动异常检测、趋势分析、相关性分析、TOP N 排名等 - 提供端到端统一 Pipeline，支持从数据到洞察、报告的完整流程",
      "href": "https://clawhub.ai/moniq888/sql-database-toolkit",
      "sourceUrl": "https://clawhub.ai/moniq888/sql-database-toolkit",
      "sourceType": "release",
      "confidence": "medium",
      "observedAt": "2026-04-04T01:51:27.323Z",
      "isPublic": true
    }
  ]
}

Record generated Oct 11, 2026.

Sponsored

Ads related to SQL Database Toolkit and adjacent AI workflows.