canvas-generative
中文介绍正在整理，稍后补充。
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 10-14 00:01
写作与研究
5,878 个结果
drama-creator
drama-creator 是一个用于竖屏短剧剧本创作与优化的技能，核心目标是以最大化观众情绪为导向，帮助创作者从零写短剧、改剧本、设计大纲与钩子。它强调「情绪弹簧」：每集约 1–2 分钟只做压弹簧（误会、被压制、反派嚣张、危机，积蓄情绪）或放弹簧（反转、打脸、揭真相、化解危机，释放情绪）两件事之一，禁止既不压也不放的过渡注水集。执行上遵循四条法则：每 1–2 集必有释放点、大爆发前必有压抑；单集闭环为开篇 5 秒钩子、中段小反转、结尾更强钩子；台词功能化、信息前置、潜台词动作化；动作可视化，使用强动词短句并适配竖屏特写与快剪。硬性约束包括单集不超过 800 字、成片感控制在约 2 分钟内、单集场景通常不超过 3 个，并采用标准场次格式。任务模式分为宏观建构、剧本创作、精准优化和创意发想四类，先判定模式再动笔。适用于短剧剧本写作、情节节奏台词优化、打脸场景与悬念钩子设计等场景。
financial-deep-research
financial-deep-research 是一个面向企业级金融研究的技能（Skill），通过 8 阶段流水线（范围界定、规划、检索、交叉验证、综合、批判、精炼、打包）生成带引用的金融研究报告，强调来源可信度评分、合规追踪与渐进式上下文管理。它覆盖市场与投资研究、尽职调查、竞争基准、合规与风险评估、财务建模支持与估值分析、财报分析等方向。技能默认自主运行，按提问复杂度选择 Quick（3 阶段，2-5 分钟）、Standard（6 阶段，5-10 分钟，默认）、Deep（8 阶段，10-20 分钟）或 UltraDeep（8+ 阶段，20-45 分钟）模式，将金融数据主张强制标注来源，并在交付前运行脚本校验引用与结构（validate_report.py、verify_citations.py）。最终产出 markdown、HTML（McKinsey 风格）与 PDF 三种格式，统一存放于按主题与日期命名的 /code 目录中。具体价格、平台与账号要求暂未提供。
awesome-phd-cv
Awesome PhD CV 是一个面向博士生、博士后与研究人员的 LaTeX 简历模板集合，覆盖三种典型用途：针对工业界求职、需要通过 ATS 解析的单栏简历（Jake 格式），信息密度较高的双栏简历（Deedy 格式），以及用于教职、博士后申请的多页完整学术 CV（Awesome-CV 格式）。项目提供模板文件、示例内容与编译说明，并给出从学术 CV 转换为工业界简历的思路：保留可量化的影响力、开源项目与部署经验，压缩论文清单与服务经历。模板分别使用 pdfLaTeX 与 XeLaTeX 编译，文档还包含字体缺失、自定义命令报错、ATS 无法提取文本等常见问题的排查建议。
transcript-intelligence
Transcript Intelligence 是一个用于处理社交媒体公开视频文字稿（transcript）的技能，可将口播视频转化为研究资料与内容素材。它适用于 TikTok、Instagram、YouTube、Facebook、X/Twitter、LinkedIn、Rumble 以及 Reddit 视频等平台。该技能的核心用途是从口播社交视频中提取有价值的信号，包括开场钩子（hooks）、观点主张、故事、用户异议、案例、行动号召（CTA）以及可复用的内容角度。使用场景包括：总结视频、Reel、Short、TikTok、播客片段或社交视频；分析创作者的钩子或说话风格；从文字稿中提取引用、主张、示例与 CTA；将文字稿转化为社交帖子、脚本、简报或内容创意；比较多个创作者对同一话题的说法。工作流程上，先收集 URL 或发现视频，再提取文字稿文本，保留时间戳与来源 URL，然后按钩子/开场、铺垫/背景、核心主张或经验、证据/示例、收尾、CTA 进行分段，接着分析内容并跨多个文字稿进行综合，最后按固定报告格式输出。若文字稿不可用，应如实说明并仅回退到标题、说明或描述。
writing-web-documentation
中文介绍正在整理，稍后补充。
docs-cleaner
中文介绍正在整理，稍后补充。
writing-principles
面向小说写作的原则诊断技能：梳理读者阅读时的奖励机制（reconstruction、inference、anticipation 等），以及 LLM 训练倾向对这些机制的常见破坏方式。适合在起草散文、评稿，或需要判断某段文字为何读起来不对劲时加载使用。
detect-ai
detect-ai 是一个通过 HumanizerAI API 分析文本、判断内容是否由 AI 写作的技能。调用后会返回 0-100 的总分以及多项细分指标，用于在发布或提交内容前做 AI 检测。使用时通过 /detect-ai 触发，从 $ARGUMENTS 中提取文本并向 HumanizerAI 的检测接口发送 POST 请求，响应中包含 overall、perplexity、burstiness、readability、satPercent、simplicity、ngramScore、averageSentenceLength 等分数以及字数、句数和判定结果。总分越高表示文本越可能由 AI 生成。该技能适合在内容发布、投稿前等场景作为辅助检查手段，需要配置 HUMANIZERAI_API_KEY，否则会提示获取 API 密钥。
document-to-narration
Document to Narration 是一个将书面文档转换为带旁白的视频脚本的技能，能够生成 TTS 音频并提供词级时间轴。它适用于把博客文章或散文改编成视频旁白的场景，也可用于为 TTS 音频生成准备内容、将长文切分为可消化的场景，以及为视频创建词级同步字幕。该技能的核心原则是「智能体负责判断，文档负责引导」，不依赖僵化模板切分，而是根据内容本身的论证脉络寻找自然的停顿、转场与过渡点，由文档的论证流决定场景划分。它提供完整旁白流水线（推荐）和逐场景流水线（旧版）两种方式：推荐方式先生成单个音频文件以获得一致的音量与节奏，再通过 Whisper 转写得到词级时间戳，最后提取场景边界用于视频合成。使用前需要安装 Deno、Python 3.12 及 venv、ffmpeg、whisper-cpp，并在 tts/model/ 放置 TTS 模型。
docs-writing
中文介绍正在整理，稍后补充。
writing-lean-proofs
中文介绍正在整理，稍后补充。
transcript-fixer
Transcript Fixer 是一个用于修正 ASR/STT 语音转写错误的技能，主要处理同音字、乱码术语、人名识别错误以及中英文混排等问题。它采用“两阶段循环”流程：第一阶段通过字典规则执行确定性的、已知的修正；随后进行原生 AI 修正，通读整份转写稿，修复一次性错误、核验不确定的实体，并沉淀可复用的修正规则。原生 AI 修正是默认方式，仅有第一阶段并不完整。第三阶段 API 仅用于没有 Claude/Codex 智能体可用的自动化场景。该技能还提供审查队列、审查面板、多文件批处理、跨识别器音频校验以及无智能体 API 等使用路径，并对说话人身份推断、人名判定、不确定内容处理等设有明确的操作约束。
writing-skills
中文介绍正在整理，稍后补充。
mintlify
中文介绍正在整理，稍后补充。
award-application
该技能用于撰写有说服力的奖项申报书、资助申请和竞赛参赛材料，将成就按照评选标准逐条映射，并以量化证据支撑每一段陈述。它强调以影响力开篇、用数字和具体案例替代空泛形容词、严格遵从字数限制，并按 STAR 结构（情境、任务、行动、结果）针对每条标准提供自成一体的回答，使评审在评分表上更容易给出高分。
autoresearch
中文介绍正在整理，稍后补充。
ag-dev
中文介绍正在整理，稍后补充。
audience-research
中文介绍正在整理，稍后补充。
agile-product-owner
中文介绍正在整理，稍后补充。
prd-generator
PRD Generator 是一个用于把粗略的产品想法转成专业产品需求文档（PRD）的技能，面向 AI 编程工具优化。它先分析用户提供的产品描述，再通过最多 7 个澄清问题补齐关键信息，然后按照内置的 prd_template.md 模板生成完整 PRD，包含高管摘要、问题陈述、目标与成功指标、用户画像、功能需求、验收标准、数据模型、API 规格以及面向 AI 的实现说明等。生成后会把 Markdown 文件保存到 ./prd_outputs/[Project Name]/ 目录，并调用 npx md-to-pdf 转成 PDF，最后告知用户文件路径和文档摘要。它强调使用具体数字、可测试的验收标准、合理的 P0/P1/P2 优先级划分，并要求每个功能都有验收条件。该技能默认采用现代 Web 技术栈（React + Node.js + PostgreSQL）、云托管和第三方认证，除非用户另行指定。
product-demand-research
中文介绍正在整理，稍后补充。
adev-writing-guide
中文介绍正在整理，稍后补充。
teams-channel-post-writer
teams-channel-post-writer 是一个用于撰写 Teams 频道科普帖的技能，主要面向 Claude Code 功能与最佳实践的内部知识分享。它提供模板、写作指南和结构化工作流，帮助作者产出风格一致、可操作性强的帖子，方便同事学习 Claude Code 的有效用法。适用场景包括：发布并讲解 Claude Code 新功能、分享使用技巧与最佳实践、教授有效的提示词模式与工作流、把功能与更广泛的工程原则（如上下文工程）关联，以及记录使用 Claude Code 的经验教训。该技能强调用具体示例说明改进，采用“常规/更佳”对比而非“错误/正确”的评判方式，并解释背后的原理。其工作流分为理解主题、规划内容、套用模板起草、按写作指南检查、保存分享五步。随附 references/writing-guidelines.md 写作指南和 assets/post-template.md 帖子模板两份资源。