dojo-wes-kao
Dojo 专家面板技能，路由问题到指定专家并以该专家语气作答。当前加载 1 位专家 Wes Kao（slug 为 ./），覆盖高管沟通、向上管理、说服性影响、写作与课程设计等主题。触发方式：用户说"ask dojo"、点名 Kao，或询问其覆盖领域。
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
写作与研究
14,080 个结果
documentation-automation
用于通过脚本、CI 或本地钩子自动执行文档质量检查的技能。涵盖 JSDoc/TSDoc 生成、markdownlint、cspell、lychee、remark-lint 配置，以及 docs:* 脚本、预提交与 CI 校验的搭建。
research
一个用于调研的技能：让后台智能体针对高可信一手来源（官方文档、源码、规范、第一方 API）调查问题，并把带引用的结论写成仓库中的 Markdown 文件。支持 GitHub Copilot、Claude Code 与 Codex。
writing-skills
用于创建、编写、编辑或测试 Claude 技能（skill）的指南，把测试驱动开发（TDD）应用于流程文档：先写压力测试场景观察失败，再写技能文档，验证通过后重构堵漏。
roo-translation
Roo Code 扩展的翻译与本地化技能，用于新增可翻译字符串、翻译或修复多语言文件，并遵循 i18n 规范。
writing-style
一个用于按作者固有文体撰写技术文章的写作风格技能，可生成文章、草稿并检查文体。适用于“写文章”“做草稿”“把这段文字改成我的文体”等请求，规定了文章结构、语气、标题、代码块与 Zenn 记法等写作规则。
research
一个在规划或实现前进行深度调研的技能：先通过提问澄清需求，再并行启动多个子代理检索代码库、文档与网络，最后汇总为可执行的上下文并进入规划模式。
research
这是一个用于研究工作的技能，强调在呈现发现之前先核验来源。它要求先抓取真实的源内容（而不是信任搜索片段），再对说法进行验证，并明确报告失败情况。该技能提供工具优先级建议：GitHub 仓库用 Bash 调用 gh api，npm 包用 WebFetch 调用 npmx.dev API，文档页面用 tavily_extract_process，快速问答用 ai_search，发现阶段用 web_search 或 github_search，以及通过子代理克隆仓库作为回退方案。核心规则包括：绝不呈现未经核验的发现、部分数据不等于成功、未经用户同意不得替换来源、标记矛盾而非静默选择某一来源。适用于需要研究链接或文档、并要求可追溯来源核验的场景。
q-topic-finetuning
q-topic-finetuning 是一个用于学术论文写作的技能，可将主题建模输出（如 BERTopic、LDA、NMF）微调并整合为理论驱动的分类框架。它支持将 50 个以上原始主题合并为 20-50 个具有理论意义的主题组，应用合法性、利益相关者理论等框架对主题聚类进行分类，并保留实体、事件、地理、时间等领域特定区分。该技能提供脚本用于通过 Gemini 基础模型对离群文档（Topic = -1）进行重新分类、生成完整实施计划，以及更新 Excel 分类标签列。适用于将原始主题模型输出转化为可写入论文的分类体系，并生成可复现的 Excel 输出。
draft-writing
医学论文草稿写作技能，支持草稿撰写、读取、引用管理与字数统计，并自动校验引用 wikilinks。
academic-mcp-tooling
该技能用于为学术研究项目选择、安装、配置、冒烟测试、记录和排查 MCP 服务器，覆盖 arXiv、Semantic Scholar、OpenAlex、Crossref、PubMed、Zotero、Overleaf、DBLP 等学术检索来源。它把 MCP 服务器定位为来源访问基础设施而非最终学术权威，强调可审计、可复现的文献访问流程，包括服务器选型规则、环境变量与密钥管理、冒烟测试记录、查询去重纪律以及来源台账维护。
adversarial-peer-review
Adversarial Peer Review 是一个用于学术论文、研究提案、实验、论点、相关工作、新颖性与方法论的严格同行评审技能。它以顶级会议或期刊审稿人的视角，在外部审稿人之前找出可能导致拒稿的反对意见。该技能强调怀疑、具体、基于证据且公平的评审方式，要求先阅读仓库契约、同行评审政策、论点审计和计算机科学方法论评估政策等参考文件。工作流程包括识别目标会议或评审文化、以论点优先的方式阅读稿件、列出接受关键论点及其证据、对照最近先前工作和目标会议期望进行检查，并从新颖性、重要性、正确性、方法论、清晰度、伦理和可复现性等角度进行攻击。评审分为编辑、方法论、领域、对抗和可复现性/伦理等多个通道，即使撰写单一综合评审也建议使用多通道。每条主要批评需包含确切论点或章节、重要性、来自论文或运行的证据、修复或削弱该担忧的方法、严重程度（致命、重大、中等、轻微）以及置信度和改变判断的条件。该技能明确禁止无证据的表演性严厉、建议未标记为可选的不可行实验、让写作润色掩盖方法论弱点、将引用数量视为相关工作覆盖的证明、在担任审稿人时编辑稿件，以及让对抗性发现消失在综合过程中。输出契约要求深度评审写入 reports/reviews/<review-id>.md，包含执行摘要和建议、有证据的优点、按严重程度分组的弱点、方法论/可复现性评估、缺失的相关工作和差距定位问题、给作者的问题以及优先修订路线图。
artifact-open-science
Artifact Open Science 是一个用于准备学术研究工件（artifact）的技能，帮助研究者产出可运行、可检查和可引用的成果包。它面向工件评审（artifact evaluation）、可复现性徽章申请、camera-ready 打包和公开发布等场景。该技能会引导识别工件类型（代码、数据集、基准、模型、UI、流水线、复现包或补充材料），明确工件支持哪些论文主张，建立工件清单，选择目标徽章路径（如 Artifacts Available、Artifacts Evaluated Functional、Artifacts Evaluated Reusable、Results Reproduced、Results Replicated），并确保安装与运行说明新鲜、最小且经过测试。同时强调公开文件与私有数据、凭证、缓存和大型本地输出分离，补充许可证、引用、运行时长、硬件、随机种子/配置和已知限制，并通过徽章证据台账追踪证据路径、关联主张、验证状态与检查日期，还可运行发布流程脚本检查发布台账、校验和与合规配置。
cs-methodology-evaluation
cs-methodology-evaluation 是一个面向计算机科学研究的方法论与实验评估技能，用于在依赖实验、基准测试、数据分析、系统测量、用户研究或软件工程证据的研究中设计和审计评估方案。它指导研究者先明确科学主张与证据类型（算法、实证、系统、人类受试、数据集、基准、工具、复现或负面结果），再定义评估问题，选择基线、数据集、指标、划分、随机种子、硬件与预算，补充消融与敏感性检查，并识别数据泄漏、混杂、过拟合、选择偏差与基准不匹配等问题。评估计划记录在 docs/methodology/evaluation-plan.md，有效性威胁记录在 docs/methodology/threats-to-validity.md，运行记录关联 experiments/registry.csv 与输出目录。技能要求遵守最低评估标准：可信基线或不存在基线的理由、由研究问题支撑的指标、数据来源与划分策略、可重复性细节、负面案例或边界条件，以及内部、外部、构念与结论有效性的威胁。同时明确禁止在测试数据上调参、在看到有利结果后才添加基线且不注明时间、把探索性运行当作已确认证据、隐藏影响主张的失败或模糊运行。
cs-venue-strategy
CS Venue Strategy 是一个面向计算机科学论文投稿的选刊与投稿策略技能，帮助研究者在选择、比较或准备计算机科学会议、研讨会、期刊及各类 track 时做出更现实的判断。它强调不同 CS 场域对贡献形态的偏好不同，主张根据目标场域调整论文的证据、语气与框架。技能提供一套工作流：先识别领域与子领域（如 ML、NLP、HCI、系统、软件工程、安全、数据库、IR、理论、PL、机器人、图形学、教育或交叉学科），再列出候选场域与 track 及其截止日期、格式、评审模式和 artifact 要求，比较受众契合度、新颖性门槛、方法学规范、页数限制与风险，将贡献类型映射到场域期望，并把决策记录到 docs/venue/venue-strategy.md。技能还包含场域契合度检查清单，例如该场域是否重视此类贡献、baseline 与数据集是否可信、是否需要 artifact evaluation 或可复现性徽章、新颖性是否过于增量、是否 workshop/demo/findings track/期刊更诚实。同时明确禁止仅凭声望选刊、忽视 track 特定评审标准、以及在实验后重新包装而不检查证据是否仍支持主张。
document-conversion
该技能用于将 PDF、DOCX、HTML、扫描论文、报告、提案、表格或图片转换为 Markdown、纯文本、提取的素材或质量报告，服务于学术研究场景。其核心理念是：原生文档始终是事实来源，Markdown 只是便于搜索、综合与 LLM 阅读的派生便利层，转换过程不得削弱来源可追溯性。工作流涵盖识别文档类型与来源、保留原生文件、选择损失最小的转换器（如 Docling/Nutrient 类 PDF 工具、pdftotext、PyMuPDF、OCR、Pandoc 或项目专用解析器）、保存 Markdown 与线性阅读副本、提取图表素材、记录转换台账并更新来源台账。使用前需通过质量门抽样核对标题、作者、年份、标识符、标题层级、表格、公式、脚注及 OCR 错误，并将转换标记为 good、usable-with-checks 或 poor。
ethics-data-governance
该技能用于在学术研究中处理伦理与数据治理问题，将伦理审查和数据治理作为研究记录的一部分，而非事后补充。适用于涉及人类受试者、公开网络数据、平台抓取、敏感领域、隐私风险、数据集共享、知情同意、IRB（机构审查委员会）等场景。工作流程包括：识别数据主体、平台、社区、机构及受影响群体；对数据敏感性进行分类（公开、受限、个人、弱势群体、非法、受版权保护、专有或两用）；在 docs/ethics/data-governance.md 中记录采集边界、访问方式、服务条款风险、知情同意、IRB 或伦理委员会状态及保留政策；将原始敏感数据保存在被忽略的本地文件夹中，除非共享已获批准；在报告中优先使用聚合、脱敏或合成输出；在数据集页面和声明页面添加风险说明；在发布制品、代码或示例前重新检查治理情况。该技能还列出了危险信号（如原始或衍生文件中的个人标识符、暴露用户信息的截图、登录后抓取或违反平台限制的抓取、可能泄露记忆敏感数据的模型输出、未经许可或同意分析即发布数据集）以及禁止事项（如将“公开可见”视为可自动安全再分发、将凭证、Cookie、会话导出或抓取的私密内容放入 git、未记录转换过程即手动去标识化）。
experiment-logbook
用于规划、执行、对比和记录计算实验、基准测试、消融实验及自主研究循环的技能，强调实验记录本身是研究产出的一部分，帮助保持实验的科学可解释性与可追溯性。
rebuttal-revision-strategy
该技能用于在收到学术审稿意见或内部对抗性评审后，系统化地规划回复与修订策略。它帮助研究者将每条评审意见拆解为原子化关注点，记录到 concern-map.csv 中，并分类为误解、有效局限、证据缺失、写作问题、错误主张、范围不匹配或无法修复的弱点。随后为每个关注点决定应对动作：让步、澄清、补充证据、重新表述、辩护或推迟。技能还通过 linked-work.csv 将审稿人要求的新科学工作路由到贡献、分析、引用或工件工作流，并用 manuscript-change-map.csv 跟踪承诺的稿件修改。回复草稿遵循先直接回答、再证据、后承诺修改的结构，避免无法在修订稿中体现的承诺。适用于回复审稿人、规划修订、撰写 rebuttal、映射审稿人关注点等场景。
repo-migration
Repo Migration 是一个用于整理混乱学术研究仓库的技能。它适用于将下载的归档、提案文件夹、临时笔记本、脚本、数据集或论文素材迁移为结构清晰、可追溯的仓库。其核心理念是：第一遍迁移应先让仓库变得可理解，而不是急于提升科学质量。工作流包括：用 git status --short 和文件清单快照当前状态；将文件分类为来源、数据、代码、笔记本、输出、报告、配置、凭据、生成缓存或未知；把不可变的研究来源移入 sources/、reports/ 或 data/raw/；把可重复代码移入 src/，把轻量入口移入 scripts/；仅在探索性或叙述性时保留 notebooks/；区分可信、探索、训练、分析和调试输出；为重要论文、提案和数据集添加来源台账行和 wiki 页面；把未解决问题记录到 wiki/open_questions.md 而非猜测；最后运行仓库结构检查和测试。迁移过程中需保留原始文件名、归档与解压路径、提案版本、命令历史、数据来源与访问限制。禁止在结构迁移时重写科学逻辑（除非为保持测试可运行所必需）、未经用户批准删除可疑文件、或在未复现的情况下将仅存在于笔记本的结果提升为最终结论。
research-project-maintenance
该技能用于创建、修复、重构、校验和记录学术研究仓库结构，帮助仓库同时作为软件项目和学术记录保持可用。它涵盖研究文件夹、wiki、来源、SOTA、输出、智能体配置与文档、徽章证据台账、结构测试、可复现命令等维护任务，并强调将原始来源与派生输出分离、保持维护变更限定在用户选定的仓库契约内。
research-project-router
Research Project Router 是一个学术研究工作流路由技能，用于在一个请求涉及多个研究环节时，判断应该先走哪条工作流，并保持项目状态一致。它本身不直接完成研究任务，而是先确认当前操作对象是来源、论点、数据、代码、实验、论文还是项目结构，检查仓库是否符合约定，再路由到最窄的可用技能；当需要多个流程时，按来源摄取、SOTA、综述、研究议程、贡献、分析、论文框架、论文发布与稿件、投稿、回复与修订的顺序推进。它要求任务产生持续性项目知识时更新 wiki/log.md 或相应输出账本，并在整个路由过程中维持项目质量契约，例如区分探索性输出与可信复现输出、不跳过摄取直接从原始 PDF 写 SOTA、不让论点强于来源或运行证据所能支持的程度。
research-repo-reproduction
该技能用于检查、清理、理解、复现或审计学术研究代码仓库，尤其是当 README 命令、数据集等资料需要核对时。它强调“复现”是对研究产物进行忠实且有记录的运行或检查，而不是为了让结果好看而随意修改代码。流程包括：阅读 README、配置、环境文件、脚本与文档；清点文档中记录的命令；确定最小可信目标（如冒烟测试、推理、评估或训练启动）；记录关于数据、权重、环境与硬件的假设；仅运行有文档依据或理由充分的命令；若需打补丁，将补丁说明与科学贡献声明隔离；最终在 repro_outputs/ 下写入标准化证据。输出文件包括 SUMMARY.md、COMMANDS.md、LOG.md、PATCHES.md、status.json。边界要求：不得静默更改数据集、划分、指标、检查点或评估代码；不得在未明确说明转变的情况下把失败的复现变成探索性重构；不得凭冒烟测试宣称 SOTA 或正确性；需将可信复现与 explore_outputs/ 分开。仓库清理方面，针对质量不佳的学术仓库，优先处理包结构、清晰的 CLI/脚本、配置、环境锁定或安装文档、结构不变量的测试、可复现命令、数据来源、论文/提案放置、wiki/来源摘要。
huggingface-paper-publisher
在 Hugging Face Hub 上发布和管理研究论文的技能：支持从 arXiv 索引论文、将论文关联到模型/数据集/Space、认领作者身份，并生成 Markdown 研究文章。