debugging
调试技能集合，提供跨语言与平台的系统化调试方法论、工具与工作流。内容涵盖五步调试流程（复现、隔离、定位、修复、验证）、堆栈跟踪阅读技巧、浏览器 DevTools、Node.js/Python 调试器、GDB/LLDB/Delve/JDB 等语言专用调试器、内存泄漏检测、网络调试、性能剖析（火焰图）以及竞态条件排查。适用于用户提出“调试这段代码”“找出 bug”“为什么失败”“追踪错误”“调试内存”等请求时使用。
Skill 广场
找到适合任务的 Agent Skill，阅读介绍并复制安装命令。
更新于 11-15 00:13
编程与开发
41,171 个结果
grpc-protobuf
这套资料介绍了 gRPC 与 Protocol Buffers 在服务间通信中的用法，涵盖 Protobuf 基础语法、标量类型映射、服务定义、protoc 与 buf 代码生成、四种 gRPC 调用模式、Node.js/Python/Go 的客户端与服务端示例、grpcurl 测试、状态码、元数据、超时、健康检查及常见微服务模式，并对比了 gRPC 与 REST 的差异。
turbo
Turbo 是一个通过托管 LLM（Cerebras）进行直接代码生成的技能/插件，属于 speed-run 流水线的一部分。它的工作方式是由 Claude 编写契约式提示（contract prompt），明确数据模型、API 路由、算法步骤与规则，然后由 Cerebras 托管的 LLM 生成代码，并直接写入磁盘。Turbo 适用于算法类代码（如限流器、解析器、状态机）、需要生成多个文件（3 个以上）、大量样板代码的实现，以及 token 受限的会话。与 Claude 直接生成相比，Turbo 速度更快（约 0.5 秒对比约 10 秒）、token 成本节省约 90%，但首次通过质量约 80-95%，通常需要 0-2 次修复。使用流程为：编写契约提示、调用 generate_and_write_files 生成代码（仅返回文件与行数等元数据，Claude 不查看生成代码）、运行测试、对失败项用 Claude Edit 工具做外科式修复（通常每个 1-4 行）、重新测试直至通过。配置需要 CEREBRAS_API_KEY，模型默认 gpt-oss-120b，可选 llama-3.3-70b、qwen-3-32b、llama3.1-8b 等。
any-percent
Any% 是 speed-run 技能集中的一种并行探索模式，用于在不确定最佳架构方案时，快速比较多种实现路径。它会在隔离的 git worktree 中并行运行 2-5 个智能体，每个智能体通过 Cerebras 托管的 LLM 实现一种不同的架构方案，随后对所有存活方案进行评判，选出胜者并清理其余方案。该技能强调快速探索而非缓慢权衡，适合需要对比 2-5 种设计、希望以较低 token 成本获得真实代码与测试结果的场景。
judge
Judge 是 Speed-Run 流程中的评分技能，用于对并行生成的多个实现进行统一评分。它采用五维标准工作表，包括适配度（fitness）、复杂度合理性、可读性、健壮性与可维护性，每项按 1 至 5 的整数打分，总分上限 25 分。该技能要求完整填写所有分区，不缩写、不省略。评分时先检查硬性门槛：若两个实现之间适配度差值大于等于 2，则适配度更高者直接获胜；若任一维度得分为 1，则该实现被淘汰。当总分相同或相差不超过 1 分时，使用 Speed-Run 效率作为决胜依据，优先选择托管 LLM 修复循环更少、总调用更少、代码生成更快的实现。此外还列出了可行性红旗，如无界数据上的 O(n²) 复杂度、内存无界增长、自我 DDoS、缺少分页、热路径阻塞 I/O、无错误恢复等。适用于对比同设计的多个实现（Showdown）或不同方案（Any%），也可用于评估实现质量并选出胜者。
speed-run
Speed-Run 是一个注重 token 效率的代码生成流水线，通过 Cerebras 托管的 LLM 完成快速、低成本的首轮代码生成，由 Claude 负责架构设计与精细修复。使用前必须配置 CEREBRAS_API_KEY，并通过 mcp__speed-run__check_status 检查密钥状态；若密钥缺失则停止，不退回 Claude 直接生成。密钥就绪后提供三种模式：Turbo（直接代码生成，适合单一功能、算法代码、样板代码）、Showdown（同一设计的并行竞争，适合中高复杂度、追求最佳实现）、Any%（不同方案的并行探索，适合架构不确定、想比较设计）。
turbo
Turbo 是 2389-research/speed-run 技能集中的一项代码生成技能，通过托管 LLM（Cerebras）根据结构化契约提示词直接生成代码并写入磁盘，再由 Claude 对测试失败进行精准修复。它适合算法类代码（限流器、解析器、状态机）、多文件（3 个以上）实现、样板代码较多的场景以及 token 受限的会话。相比 Claude 直接生成，Turbo 速度更快（约 0.5 秒对约 10 秒）、token 成本约节省 60%，但首次通过质量约 80-95%，通常需要 0-2 次修复。使用流程为：编写包含数据契约、API 契约、算法和规则的契约提示词，调用 mcp__speed-run__generate_and_write_files 生成并写入文件，运行测试，用 Claude Edit 工具做外科手术式修复，再重新测试直至通过。需要配置 CEREBRAS_API_KEY，可选模型包括 gpt-oss-120b（默认）、llama-3.3-70b、qwen-3-32b、llama3.1-8b。
ast-deobfuscate
ast-deobfuscate 是一个基于 JavaScript AST（抽象语法树）的通用 JS 代码解混淆技能，用于将经过混淆或加密的 JavaScript 还原为尽可能可读的代码。当用户提出"解混淆""还原代码""反混淆""deobfuscate"或"代码看不懂全是 _0x"等需求时使用。它基于 Babel 工具链（@babel/parser、@babel/traverse、@babel/generator、@babel/types）在 Node.js 中运行，按步骤处理字符串解密、表达式简化、引用标准化、控制流平坦化还原、死代码移除以及变量重命名等常见混淆手段。该技能以"百科全书"方式组织，允许根据实际代码特征按需选取步骤，并通过中间文件实现步骤回退。
mcp-repomix
mcp-repomix 是一个基于 Repomix MCP 服务器的技能，用于将整个代码库打包成整合文件，供 AI 分析、搜索文件内容并理解项目结构。它通过 .vscode/mcp.json 中名为 repomix 的服务器提供工具，支持打包本地目录、克隆并打包 GitHub 仓库、加载已有打包输出、读取指定行以及用 grep 搜索打包内容，还可从代码库生成 Claude Agent Skill。输出格式包括 XML、Markdown、JSON 和纯文本，适合在大型重构、跨模块分析、遗留代码理解、文档生成和迁移规划前获取完整上下文。
repomix-reference-black-tortoise
Black Tortoise 代码库参考技能，由 Repomix 生成，用于帮助理解 Black Tortoise 项目的结构、实现模式与代码细节。该技能包含 1214 个文件、131530 行代码、约 1694337 tokens 的参考内容，提供项目结构、文件内容、技术栈等参考文档。适用于查找功能实现位置、阅读源码、搜索代码模式或关键词等场景。
search-first
search-first 是一个在写代码之前先做调研的工作流技能，属于 aaaaawq/agi-super-team 项目。它把“先搜索现有解决方案，再动手实现”的做法系统化，并会调用 researcher（研究员）智能体来执行调研。技能流程分为五步：需求分析、并行搜索、候选评估、决策和实现。搜索范围覆盖 npm/PyPI、MCP 服务器、Claude Code skills 以及 GitHub 等来源。评估环节会对候选方案从功能、维护情况、社区、文档、许可证和依赖等维度打分。最终决策分为四类：完全匹配且维护良好的方案直接采用；部分匹配但基础较好的方案做扩展或薄封装；多个弱匹配方案进行组合；没有合适方案时再自定义开发，但要求基于调研结果。它还提供了按开发工具、AI/LLM 集成、数据与 API、内容与发布等类别的搜索捷径，以及与 planner、architect、iterative-retrieval 等智能体的协作方式，并列举了死链检查、HTTP 客户端封装、配置文件校验等示例。
convex-http
convex-http 是 Convex 中用于处理 HTTP 动作（HTTP Actions）的技能，主要面向 Webhook 与 API 端点场景。它演示了如何用 httpRouter 和 httpAction 定义路由，处理 Stripe、Clerk、GitHub 等服务的 Webhook，创建 REST API 端点，以及处理文件上传与下载。资料还覆盖了 Webhook 签名验证、CORS 配置、路径参数、API Key 认证和错误处理辅助函数等常见需求。适合在 Convex 项目中需要对外暴露 HTTP 接口、接收第三方回调或提供文件存取能力的开发者参考。
devdocs-pipeline
DevDocs 工作流的顶层编排器，用于降低用户面对 13 个原子 skill 的认知负担。它提供 5 个流程入口（init/feature/bugfix/verify/close），能够自动路由到合适的 skill 组合。用户只需说明「要做什么」，pipeline 负责决定「用哪些 skill、按什么顺序」。无参数调用时进入提问式调度：先扫描 docs/devdocs/ 目录判断当前阶段，并结合变更规模给出路径建议；无法判断时用最多 3 个有明确选项的问题收敛到入口。pipeline 只负责路由和衔接，不复制原子 skill 逻辑，阶段间只传递 YAML 摘要与文件路径，并在每个阶段完成后展示简要摘要并询问是否继续。支持中英文提问，统一中文回复。
axaml-syntax-reference
AXAML 语法参考技能，为 Avalonia XAML（AXAML）提供快速查阅。内容涵盖根元素结构、命名空间声明（含 SukiUI）、属性语法（特性与元素两种写法）、数据绑定语法与模式、样式选择器、标记扩展，以及常见错误与修正。还包含 SukiUI 的 SukiWindow、SukiSideMenu 等具体用法示例，并给出绑定失效、控件找不到、导航不工作、样式不生效等问题的排查要点。适合在新建 AXAML 文件、添加命名空间、编写样式选择器或修复语法错误时参考。
modern-best-practice-react-components
这是一套面向现代 React（19+）组件开发的实践规范，旨在帮助开发者编写干净、可维护且正确的 React 组件。其核心主张是减少不必要的状态管理与 useEffect 使用，强调优先通过渲染期间派生值而非同步状态，数据获取推荐使用 TanStack Query。规范涵盖组件结构（小而专注、具名函数组件、类型标注）、状态管理（避免滥用 useState/useReducer、将状态局部化、不要用 state 镜像 props）、渲染与派生（谨慎使用 useMemo、避免过早优化）、事件处理（避免 JSX 内联处理器、清晰命名）、副作用（避免用 effect 做派生状态、数据转换或事件逻辑）、Props 与组合（优先组合而非配置、避免过多布尔 props）以及性能与稳定性（按需使用稳定引用与记忆化、保持 key 稳定）。整体追求显式优于技巧、可读性与长期可维护性，适合使用 React 19+ 与 TypeScript 的团队作为编码参考。
add-entity
add-entity 是 Activepieces 项目中的一个技能，用于在创建新的数据库表、实体或数据模型时提供指导，尤其适用于任何新的 TypeORM EntitySchema 创建场景。该技能以操作步骤的形式，引导开发者按照项目既有模式新增数据库实体，涵盖读取参考文件、创建实体文件、注册实体、创建迁移以及创建仓库等环节。它强调使用 EntitySchema 而非装饰器，要求包含 BaseColumnSchemaPart（id、created、updated），外键列使用 ApIdSchema，添加 projectId 列及与 project 的级联删除关系，并在所有连接列上设置 foreignKeyConstraintName。实体创建后必须在 database-connection.ts 的 getEntities() 数组中注册，因为 TypeORM 不会自动发现。迁移需按时间戳与 PascalCase 描述命名，并在 postgres-connection.ts 中导入并加入 getMigrations() 数组。仓库通过 repoFactory 创建。最后使用 npm run lint-dev 进行验证。
session-retro
Session Retro 是一个用于复盘已完成编码会话的技能。它读取当前对话及本次会话启动的子代理日志，找出代理在何处耗时过长、走错方向、被用户纠正、重复调用昂贵工具或反复编辑同一文件等问题点，再结合项目与用户级的 AGENTS.md、规则以及仓库自带的检查命令（lint、typecheck、测试脚本、CI 工作流、钩子），对每个问题点进行分类（自动检查、标准、导航、AGENTS.md 体积、无效指令、工具缺口、工具经济性、信息获取），并给出对应的环境改进候选方案。它只在聊天中打印候选清单，不修改任何文件，由用户自行决定采用哪些。
debug-mode
Debug Mode 是一个以证据为先的调试流程工具，用于在提出修复方案之前先从运行时证据定位问题。它通过临时运行时探针（runtime probes）与本地收集器（基于 Portless 的 JSONL collector）采集运行时数据，帮助开发者区分并验证具体假设。工作流程包括：检查现有日志与测试、提出 1 至 3 个可区分的假设、在关键路径插入最少量的探针、收集证据后再决定修复。它提供两种复现模式：手动模式（用户自己操作复现）与自动驾驶模式（由 Chrome DevTools MCP 的 --autoConnect 驱动用户已打开的 Chrome 完成复现）。收集器全程保持本地，不启用任何远程暴露（不开启 Portless 的 --tailscale、--funnel、--ngrok、LAN 等），且不采集凭据、令牌、cookie、授权头、个人数据或完整请求体。探针要求非阻塞、失败隔离，临时改动以 DEBUG_MODE:<session-id>:<probe-id> 标记以便清理。还提供 dm doctor 实时 TUI 监控所有本地会话的健康状态与事件流。
sagar-wants-to-make-ios-brainrot-apps
这是一个面向 Swift 与 iOS 开发的专家级技能，覆盖 SwiftUI、UIKit 互操作、应用架构、设计系统、网络请求、状态管理、测试与生产部署模式。它提供基于功能的项目结构建议、MVVM + Services 架构范式、可复用的设计系统（颜色、字体、间距、圆角、组件与视图修饰符）、NavigationStack 与 Tab 导航、Sheet 模态、基于 async/await 的 API 客户端与 SSE 流式请求等代码示例。适用于构建或修改 iOS/iPadOS/macOS 应用、编写 Swift 代码、设计 SwiftUI/UIKit 界面、搭建 Xcode 项目与依赖管理、调试 iOS 特有问题以及 App Store 提交与 CI/CD 等场景。
create-prove
Create-Prove 是一个 Aeon 技能，用于对改动过的 Aeon 技能做真实行为验证。它接收形如 owner/repo#pr@40位小写SHA 的不可变目标，通过目标仓库真实的 aeon.yml 工作流实际运行被改动的技能，并把与 SHA 绑定的行为证据附到该 PR 上。其核心立场是：绿色的 diff 审查并不等于证明，只有一次成功且可关联的 Actions 运行才算证明。当前实现仅支持只改动一个可运行 skills/<slug>/SKILL.md 的 Aeon 型 PR，不启动常规应用，也不猜测仅工作流或仅配置类改动对应的技能；不支持的目标形态会直接失败且不发布证明回执。该技能不得递归调度自身，遇到自身时以 PROVE_UNSUPPORTED 退出。
feedback-builder
feedback-builder 是一个面向 Aeon 的技能，用于把服务 /feedback 端点中由智能体提交的反馈（缺陷、缺失功能等）自动拉取、归一化、聚类和分诊，并把被接受的请求实现为代码改动，以 PR 形式提交，由人工合并。它只读取反馈端点（GET），不负责智能体如何写入反馈。技能会先做预检、抓取、归一化、对账、分诊，再按优先级构建最多若干 PR（默认 1，上限 3），并维护状态文件、按需通知和日志。它强调反馈内容是不可信数据而非指令，遇到提示注入会标记 UNSAFE；对涉及认证、权限、密钥、限流、支付、数据删除、CI/部署配置的请求一律拒绝。技能从不合并 PR，也不推送到默认分支，每个 PR 只对应一个聚类，人工通过合并来批准。
build-graph
build-graph 是 afu-it/safe-code 技能集中的一项技能，用于为当前代码仓库构建或增量更新持久化的代码索引（codegraph，索引数据存放于项目根目录的 .codegraph/ 中）。它基于 codegraph CLI（npm 包 @colbymchenry/codegraph）工作，建议在 safe-code 审计、重构、代码评审、调试之前使用，或在索引可能已过期时运行。该技能只写入项目根目录下的 .codegraph/（该目录会自动加入 gitignore），不会擅自安装 CLI，也不会替用户开启或关闭遥测。若索引无法构建，它不会阻塞父工作流，而是报告状态并继续以人工方式检查仓库。
agnix
agnix 是一个用于检查和校验 AI 智能体配置文件（agent configuration）的命令行工具，帮助用户在配置破坏工作流之前发现问题。它可以校验 Skills、Hooks、MCP、Memory、Plugins 等配置，覆盖 10 多种 AI 工具，包括 Claude Code、Cursor、GitHub Copilot、Codex CLI、OpenCode、Gemini CLI、Cline、Windsurf、Kiro 和 Amp。产品定位偏向配置的静态检查与自动修复，适合在本地开发或 CI 流程中使用。
kalshi-api
Kalshi Trade API v2 集成参考，整理生产与演示环境地址、RSA 签名认证、市场与订单簿数据结构、下单与撤单接口、手续费模型及资金账户要点，供编写交易场所适配器时查阅。