quality-gates
quality-gates 是一个用于为项目建立完整质量基础设施的技能，覆盖 git 钩子、测试、CI/CD 与自动化。它使用 Lefthook、Vitest、GitHub Actions 和 commitlint，执行审计、修复、验证全流程，确保提交、推送和 PR 都经过质量门禁。
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 10-24 00:15
部署与运维
12,413 个结果
sentry-observability
面向 Next.js／Vercel 项目的 Sentry 错误追踪与生产可观测性技能，含检测、初始化、验证及问题分诊、告警、解决等脚本化操作，强调环境命名规范、PII 脱敏与采样率成本控制。
prisma-composer-core-concepts
Prisma Composer 的核心概念文档，说明如何用 TypeScript 声明式地组合 Prisma App：服务、资源与模块三类节点，端口连线，输入与依赖两条通道，契约与 RPC，构建与部署模型及数据库迁移流程。
prisma-cli-migrate-deploy
prisma migrate deploy 是 Prisma CLI 中用于在生产或预发布（staging）环境应用待执行数据库迁移的命令。它会把 prisma/migrations/ 目录下所有尚未应用的迁移依次执行，并更新 _prisma_migrations 记录表。该命令不会生成新的迁移文件，也不会运行种子脚本，因此适合 CI/CD 流水线和生产部署等非开发环境。它支持 --schema 指定自定义 Prisma schema 路径、--config 指定自定义 Prisma 配置文件路径。与 migrate dev 不同，它不检测漂移、不交互提示、不使用影子数据库，遇到问题直接失败而非重置，因此更安全。典型用法是在部署前先运行 prisma migrate status 查看状态，再执行 prisma migrate deploy；若迁移失败，可修复问题后用 prisma migrate resolve --applied <migration_name> 标记为已应用，然后重新部署。
openclaw-tool-call-viewer-2026
OpenClaw Tool Call Viewer 2026 是一个零依赖的浏览器界面，用于查看和筛选 OpenClaw 会话的工具调用历史，适合本地网络部署与开发调试。
fortune-teller
fortune-teller 是一个在合并、部署或发布前预测三项潜在问题的模式，基于实际代码差异给出有依据的风险提示，采用戏剧化包装但内容为真实技术分析。
database-cloud-optimization-cost-optimize
面向 AWS、Azure、GCP 的云成本优化技能，用于分析云支出、识别浪费与节省机会，并在不牺牲性能与可靠性的前提下调整数据库实例、存储与成本控制策略。
tmux-cli
tmux-cli 是一个命令行工具，用于在持续运行的交互式 CLI 会话中，通过 tmux 与其他 CLI 智能体或脚本通信，适合需要持久的远程 SSH 会话或多命令远程操作的场景。它依赖 claude-code-tools，若命令不可用，可用 uv tool install claude-code-tools 安装。使用时可通过 tmux-cli execute 执行 shell 命令并返回 JSON 格式的 output 与 exit_code（成功为 0，失败为非零，超时为 -1），便于构建、测试和需在失败时中止的多步自动化。连接远程机器时需在沙箱外运行，建议为 tmux-cli 添加一次允许列表以避免反复授权。远程 SSH 多命令操作应建立单一持久会话而非反复一次性连接，可复用已有会话，并在连接前设置空闲超时与硬性看门狗，完成后显式清理会话。注意 execute 仅用于 shell 命令，与另一个 Claude Code 实例通信应使用 send、wait_idle、capture。
svelte-deployment
该技能提供 Svelte 项目的部署指引，覆盖适配器选择、Vite 配置、pnpm 设置、库作者发布、PWA 与生产构建等场景，供在部署 Svelte/SvelteKit 应用时参考。
waypoint
Waypoint 是一套面向多文件流水线与流程的分布式导航系统。它在每个相关文件中放置紧凑、便于 grep 的注释块，标注该文件的 ID、在流水线中的角色、相邻节点以及指向完整地图的引用；每条流水线另有一份清单文件保存完整拓扑。只要 grep 任意 8 位 ID，整条流水线即可展开。所有确定性和高 token 消耗的工作由单个 CLI 完成，用户只负责撰写文字说明。
setup-project
setup-project 是 testacode/llm-toolkit 中的一个技能，用于自动为新项目配置标准化的脚本，并检测当前环境中可用的 CLI 工具。它会先识别项目类型（支持 Node.js、Python、Go 和 Rust），根据已有脚本生成统一的 check 脚本（例如把 lint、typecheck、test、build 串成一条命令），并通过锁文件识别包管理器以使用对应命令。随后该技能会检测已安装的 CLI、检查是否存在 GitHub Actions 工作流，并更新或创建项目中的 CLAUDE.md 文件，记录可用 CLI 与快速开始命令。最后输出包含项目类型、包管理器、check 脚本位置、CLI 安装情况等信息的摘要。若未检测到受支持的项目文件，会提示不支持。安装命令等细节资料中暂未提供。
act-workflow-syntax
act-workflow-syntax 是一个用于编写与修改 GitHub Actions 工作流文件的技能，提供关于工作流语法、触发器、作业、步骤和表达式的指导，帮助创建既能在 GitHub 上运行、也能通过 act 在本地运行的有效工作流。
analyze-performance
该技能用于在 Sentry 中分析性能监控数据，帮助定位慢事务、瓶颈和性能回退。使用时以 /analyze-performance [project-name] [timeframe] 形式调用，技能会请求 Sentry 项目名称与分析时间范围，通过 Sentry MCP 工具获取性能指标，并分析最慢事务与端点、性能趋势、事务吞吐量（请求/分钟）、Apdex 分数、P50/P95/P99 延迟分位、数据库查询性能和外 部 API 调用延迟，进而识别性能回退与异常并给出优化建议。使用前需安装并配置 Sentry MCP 服务器、完成 Sentry OAuth 认证、为项目启用性能监控，并具备目标 Sentry 项目的访问权限。
gitlab-ci-artifacts-caching
该技能用于配置 GitLab CI 中的 artifacts（制品）与 cache（缓存），以实现作业间的数据传递以及加速构建。内容涵盖制品的基本配置、制品报告（JUnit、覆盖率报告）、条件性制品、制品依赖关系，以及缓存的键策略、缓存策略（push/pull）、回退键、基于 S3 的分布式缓存，并对比了 artifacts 与 cache 的差异与最佳实践。适用于在 GitLab CI 流水线中需要传递构建产物或优化构建速度的开发者。
lift
Lift 是一套以测量为驱动的性能优化技能，聚焦延迟、吞吐、内存/GC 与尾延迟，要求保留正确性并为回归设防。
dotcom-release-crew
该技能用于识别本周 dotcom 发布中做出关键修复或重要功能贡献的人员，并向 Discord 的 #development 频道发布一份简短的人员名单。它通过 gh 命令获取 main 分支上尚未进入 production 的提交，按作者分组并筛选出发布经理需要关注的关键变更（如重要功能、有意义的修复、性能改进，以及涉及多人同步、持久化/迁移、认证/计费等改动），排除文档、测试、杂务、样式、CI、构建和依赖升级等非关键提交，最终保留 2–3 名最关键的贡献者。消息使用 Discord 用户 ID 进行 @ 提及，控制在 2000 字符以内，并通过 webhook 发布。该技能只读取 git 历史并发送消息，不会修改仓库。
environment-bootstrap
environment-bootstrap 是一个用于开发环境搭建与维护的技能，核心原则是让每次会话都从已知可用的环境开始。它通过创建和维护 init 脚本（标准位置为 scripts/init.sh），自动完成前置条件检查、依赖安装、环境变量配置、构建、测试、启动开发服务以及可选的开发服务器启动与健康检查。适用于首次克隆仓库、开始新会话、拉取变更后依赖变化、环境疑似损坏等场景。该技能还提供冒烟测试脚本、环境文档模板、故障排查与重置环境的操作清单，帮助团队保持跨会话一致、可快速启动的开发环境。
parallel-batch-executor
Parallel Batch Executor 是一个用于并行批量执行任务的技能，主要通过 xargs 和作业控制（job control）实现并行处理模式，以获得显著的性能提升。该技能适用于处理多个相互独立的文件或项目、在多个仓库上运行相同操作、执行彼此不依赖的批量操作，以及需要明显性能提升的场景。它更适合 I/O 密集型而非 CPU 密集型的操作。当任务之间存在依赖关系、执行顺序重要、共享资源需要同步，或单个任务无法并行化时，则不适合使用该技能。资料还提供了性能调优建议，包括根据任务类型设置最优并行度：CPU 密集型任务匹配 CPU 核心数，I/O 密集型任务使用 CPU 核心数的 2 至 4 倍，网络密集型任务可采用更高并行度，内存受限时则根据可用 RAM 限制并行度。此外还介绍了通过添加任务启动延迟进行节流的方法。资料中包含一个批量任务执行器的完整示例脚本，以及相关资源和版本历史信息。
vp-env-secrets
该技能用于通过 dotenvx 安全地检查、选择、暂存、持久化或加载 dotenv 文件中的敏感环境变量，适用于 API 密钥、令牌、凭据等本地机密场景。其核心原则是只暴露变量名称或元数据，绝不暴露值，除非用户明确指定安全目标位置。使用前需先解析确切的 dotenv 文件及其优先级顺序；机密不得出现在命令文本、进程列表、日志、工具输出、聊天、提交记录或可复用产物中。默认采用一次性进程注入，持久化需要显式授权并指定命名目标。未经确认身份与目标，不得在个人与公司作用域之间复制值。格式错误、扩展、引号与重复键应被视为语义问题，而非盲目编辑。使用前需查看 helper 当前帮助信息，仅验证键是否存在以及授权操作的结果。
ai-python-serverless-execution
这是一个面向 Python 的 AI SDK 技能文档，用于在无服务器（Serverless）环境下构建 AI 端点，例如 Vercel Fluid Compute。其核心解决的是无服务器场景中工具审批（Tool Approval）与其他钩子（Hook）的处理问题。由于无服务器环境无法持续保活 hook 的 future，需要先停止运行并保存消息，再在新的请求中预注册 hook 的解决方案来恢复运行。内容涵盖：用 require_approval=True 标记需要审批的工具；在首个请求中收集 deferred hook 并调用 ai.defer_hook(...)，同时持续消费流以确保 stream.messages 完整；保存消息与待处理 hook 的 ID；在恢复请求中加载消息、用 ai.resolve_hook(...) 预注册审批结果，再调用 agent.run 继续执行。文档还给出了若干规则，如优先使用常规 agent.run(...)、自定义循环时使用 context.resolve(...)、ToolRunner 和 context.add(...)，自定义钩子预注册方式，以及 AI SDK UI 客户端可配合 ai-python-ui-adapter 处理消息转换、审批响应和 SSE。
wizard
Wizard 是一个用于生成交互式 bash 向导脚本的技能。它面向那些必须由人类手动完成、既繁琐又难以反复向 AI 解释的操作流程，例如配置第三方服务、设置凭据、配置 CI、执行一次性迁移或推动项目状态转换。生成的向导脚本会逐步引导用户：打开每个 URL、明确说明点击和复制什么、捕获所需的值、将其写入正确位置（如 .env、GitHub secrets），并在每个阶段进行确认，同时显示剩余阶段数。其交互体验由 template.sh 提供，包含分阶段进度、确认门、跨平台 URL 打开（含 WSL）、隐藏密钥输入、幂等的 .env 更新、gh secret/gh variable 写入以及结束摘要。向导默认是临时的，通常一次运行后删除，仅在用户希望作为可重复的仓库内设置路径时才提交。
celery-advanced
celery-advanced 是 orchestrkit 中面向 Celery 的高级用法技能，覆盖超出基础后台任务范围的企业级任务编排模式，包含 canvas 工作流、优先级队列、限流、多队列路由与生产监控。它讲解如何使用 signature、chain、group、chord 构建串行、并行与扇入扇出工作流，如何通过 Queue 与 task_routes 按任务名、属性或内容动态路由，如何设置每任务 rate_limit 与运行时限流，以及用 Flower、signals、健康检查和自定义任务状态做可观测性。资料还给出基础任务类继承、重试与幂等要点、常见反模式（如在任务内阻塞等待结果、忽略 ack、重试不幂等）和若干模板与清单引用。本技能以文档与代码示例形式提供，不涉及收费、平台或效果承诺；具体依赖版本与部署细节暂未提供。适合已使用 Celery 并需要处理复杂流水线、优先用户、外部 API 配额与多队列部署的开发者。
debug-master
debug-master 是一个面向复杂分布式系统的高阶调试与可靠性专家技能，定位为资深站点可靠性工程师（SRE）与调试架构师。其核心目标是通过 AI 辅助可观测性、分布式追踪与自动化事件修复，降低平均修复时间（MTTR）并提升系统韧性。该技能围绕一套“精英 SRE 循环”展开：证据采集（关联指标、日志与追踪）、影响分析（确定爆炸半径）、隔离（使用 git bisect 二分查找与追踪过滤）、精准修复或回滚（超过 5 分钟 MTTR 窗口即执行整体回滚），以及自动生成事后复盘报告并存入长期向量记忆。它强调使用 OpenTelemetry 作为事实来源，要求每个操作具备可追踪的 span ID、采用自适应采样（错误 100%、健康流量 1%）和跨服务调用的强制上下文传播头。在自动化修复方面，由 AI 智能体自动触发异常检测并执行安全操作（如扩容、清缓存），破坏性操作需经人工审批。预测性可观测性则涵盖异常检测、混沌工程压力测试与动态 SLO。技能同时列出了应避免的反模式，如“猜测与验证”、忽略告警、手动翻日志、在生产环境热修复以及为“快速修复”而禁用 RLS/安全设置。
auto-claude-setup
Auto-Claude 自动编码框架的完整安装与环境配置指南，覆盖 WSL、Windows、Linux 和 macOS 四大平台。内容涵盖运行前置条件（Python 3.12+、Node.js 24+、npm 10+、Git、Claude Pro/Max 订阅、Claude Code CLI）、两种安装方式（预构建发行包与源码编译）、各平台的分步安装命令、OAuth 令牌与认证设置、环境变量配置（模型覆盖、默认分支、调试模式、Linear 集成、Graphiti 记忆系统）、安装验证方法与首个任务运行方式，并附项目结构与常见问题排查。适合需要在本地搭建 Auto-Claude 自主编码环境并完成初始配置的开发者参考。