mdv-markdown-visualization
MDV 是一套 Markdown 超集（文件扩展名 .mdv），用于在单一工作流中撰写报告、Dashboard 和幻灯片，并可导出为自包含的 HTML 或 PDF。它在 CommonMark 基础上扩展了四项能力：YAML front-matter、围栏式可视化代码块、用于布局的 ::: 容器，以及自动生成的目录。通过 CLI 或 VS Code 扩展可以在本地渲染、实时预览与导出，适合把数据与叙述放在同一份文档中维护。
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 10-16 00:02
写作与研究
11,493 个结果
deep-research-pro
Deep Research Pro 是一个多来源深度研究智能体技能（skill），可自动完成从规划、检索到成稿的完整研究流程。它通过 DuckDuckGo 搜索网页与新闻，对不同子问题执行多关键词检索，抓取重点来源的完整页面内容，再综合整理成带引用来源的研究报告。该技能强调所有论点均需附带来源、交叉验证、优先采用近 12 个月内的资料，并在资料不足时明确说明，而非编造结论。整个流程无需付费 API 或 API 密钥。
writing-for-agents
writing-for-agents 是一份关于“为智能体撰写文档”的参考指南，适用于创建或编辑技能（skill），以及修改 AGENTS.md 或 CLAUDE.md 等文件。它指出：无论文档的打包形式如何（技能、AGENTS.md/CLAUDE.md、通过指针引用的文档），写作方法是一致的——目标是让智能体每次运行都走同样的过程，而不是产出同样的结果。核心内容包括：上下文指针（context pointer）的措辞决定智能体何时以及多可靠地触达材料；两种负载（上下文负载与认知负载）；信息层级（文件内步骤、文件内参考、披露式参考）与渐进式披露；步骤的完成标准（清晰度与要求强度）；何时拆分文档；引导词（leading words）的用法与否定式表述的失败模式；以及修剪原则（单一事实来源、相关性检查、无操作句删除）。
prose-critique
面向叙事小说的对抗式审稿方法：不确认稿件哪里好，而是找出哪里不成立。按指定焦点领域深入审查，每个领域配有专门资源文件，并给出具体、有理由、可执行的修改发现。
clinical-decision-support
该技能用于生成面向制药企业与临床研究场景的专业临床决策支持（CDS）文档，包括患者队列分析与治疗推荐报告。患者队列分析支持基于生物标志物的分层（分子亚型、基因表达、IHC）、结局指标统计（OS、PFS、ORR、DOR、DCR）、亚组间统计比较（风险比、p值、95%置信区间）、Kaplan-Meier生存曲线与log-rank检验、疗效表与瀑布图等。治疗推荐报告支持基于证据的治疗指南、GRADE推荐强度分级（1A、1B、2A、2B、2C）、证据质量评估、TikZ治疗算法流程图、基于生物标志物的治疗线序贯等。文档以LaTeX/PDF输出，采用0.5英寸紧凑边距，首页为整页执行摘要，通常5-15页，适用于药物开发、监管提交、临床指南制定与医学事务。注意：个体患者床旁治疗计划应使用treatment-plans技能。
writing-style
writing-style 是一个用于清理文本、同时保留作者个人声音的写作辅助技能，强调只做最小化修改。它的核心哲学是：任务只是清理文字，而不是重写；保持作者的语气和表达方式不变，只修正语法、行文流畅度和清晰度，不重构内容、不添加格式，也不把文字改得更“专业”。根据提供的资料，它适合用于润色已有草稿，让文字读起来仍然像作者本人，只是更清楚、更少错误。资料未说明其具体平台集成、安装方式、定价或使用限制。
evo-memory
Evo-Memory 是一个跨研究构思与实验周期持久积累知识的记忆层，维护构思记忆 M_I 与实验记忆 M_E 两个存储，并通过 IDE、IVE、ESE 三种演化机制把学到的方向与策略反馈到后续研究周期。
adaptation-synthesis
Adaptation Synthesis（改编合成）是一个用于从已提取的“功能 DNA”文档合成新作品的技能。它帮助创作者把源作品中被抽象出来的功能映射到新语境下的新形式，从而完成改编，而不是停留在表层的一对一翻译。该技能强调“功能优先”：成功的改编应通过新形式服务原有功能，失败的改编则只复制表面元素而丢失其奏效的原因。它引入正交性原则，要求新形式不应是原作的直接对应物，而应拥有自身内在逻辑，只是恰好服务于相同功能。技能定义了从 SYN0（无 DNA 文档）到 SYN7（可合成）的多个状态，覆盖表层翻译、语境不匹配、功能缺口、类型漂移、多源冲突等常见问题，并给出相应的诊断问题与干预手段。它还提供合成流程、正交性测试、语气与声音合成、多源合并的冲突解决策略，以及结构化的合成文档 schema。配套工具包括 synthesize.ts、form-options.ts 和 validate-synthesis.ts，均以 Deno 命令运行，用于交互式合成、生成语境适配的形式选项以及校验合成文档的完整性与功能覆盖。
personal-chinese-writing-style
这是一个用于约束和统一中文写作风格的 AI 技能，适用于撰写、翻译、编辑、校对、润色和发布中文内容的场景，包括博客文章、技术文档、字幕、社交媒体贴文等。其核心目标不是在输出中解释风格规则，而是直接把风格应用到最终文本，并在交付前完成检查。该技能要求先判断内容类型，再按需加载对应的参考资料，例如标点规范、文章结构、语气措辞和社交媒体风格。其中标点规则是强制要求：中文正文使用中文引号“ ”、破折号使用两侧各一个空格的 -、省略号使用 .......、句子使用中文标点，且不得在汉字之间残留英文逗号、句号、冒号、问号、感叹号。代码块、URL、文件路径、命令和纯英文句子等属于允许的例外。交付前需逐项检查，包括引号、破折号、省略号、中文标点、标题层级重复、文章结尾是否出现多余的“总结”“结语”等板块，以及社交贴文是否以空泛的自我总结收尾。语气方面，倾向于自然的中国科技写作，避免生硬直译和商业套话，如闭环、抓手、颗粒度、赋能、赛道等，并删除“最干净的实现”“每一步都是真实代码”这类自证式表述，让事实本身说明问题。该技能的具体安装方式、作者信息和更多限制在资料中暂未提供。
read-book
read-book 是一个用于从书籍和长篇 PDF 中提取结构化笔记的技能，支持 PDF、EPUB、MOBI、Markdown、.txt、粘贴文本以及公共领域作品的 URL。它按“摄取→分块→提取→可选捕获到 second-brain”的流程工作，提供 notes、summary、quotes、study 四种模式，并可渲染为 PDF 或 HTML。
ln-110-project-docs-coordinator
项目文档协调技能，先一次性收集上下文并检测项目类型，再按标志并行委派 5 个文档生成 worker，汇总各 worker 结果与质量输入。不直接由用户调用，供 ln-100 文档流水线作为首个 L2 协调器使用。
ln-111-root-docs-creator
ln-111-root-docs-creator 是一个 L3 Worker 技能，用于在项目初始化阶段创建根级文档文件。它接收来自 ln-110-project-docs-coordinator 协调器提供的 Context Store（键值对形式的项目上下文），并基于模板生成文档，包括 AGENTS.md、CLAUDE.md、docs/README.md、docs/documentation_standards.md 和 docs/principles.md。该技能不会自行收集上下文，所有数据均来自协调器输入。生成的文档用于为 AI 智能体提供入口点，涵盖快速导航、智能体入口、关键规则、开发命令、维护说明等内容。技能具备幂等性：如果目标文件已存在则跳过并记录日志，不会覆盖。生成后会进行自校验（22 个问题），检查 SCOPE 标签、元数据标记、必需章节、文档质量契约、POSIX 结尾等，并尽可能自动修复问题。所有根文档使用英文撰写。
deep-research
deep-research 是一个基于 Gemini Deep Research 的自主研究技能，用于执行需要规划、搜索、阅读与综合信息的研究任务，并生成带引用的综合报告。它适用于市场分析、竞品调研、文献综述、技术研究、尽职调查等场景。该技能通过 Python 脚本调用，需要 Python 3.9+、GEMINI_API_KEY 环境变量以及经审核的 HTTP 依赖。支持结构化输出格式、实时流式进度、异步启动与状态查询、基于 interaction_id 的续问与历史列表。输出可为人类可读的 Markdown、JSON 或原始 API 响应。时间与成本随任务变化，无固定保证。使用前需确认提供商、数据与支出范围，并注意预览 API 可能变更、云端数据留存及隐私授权等限制。
firecrawl-research
FireCrawl Research 是一个用于自动检索与抓取网页资料的研究类技能。它可以从 Markdown 文件中提取研究主题，调用 FireCrawl API 对每个主题执行搜索并抓取最多 N 条结果（默认 5 条）的正文内容，以 Markdown 格式输出到指定目录，每个主题生成一个带时间戳的独立文件。该技能还提供学术论文写作模板（Pandoc、MyST）、参考文献生成脚本以及转换脚本，可将研究结果整理为 BibTeX 条目并导出 PDF/DOCX。适合需要为笔记或文档补充网络来源、系统性调研多个主题、以及撰写带引用学术论文的场景。
reddit-fetch
reddit-fetch 是一套通过浏览器会话访问 Reddit JSON API 的方法：先用 DuckDuckGo 结果跳转获取 Reddit 会话 Cookie，再直接抓取 .json 数据，用于访问 Reddit 链接、检索话题或读取帖子与评论。
consistency-check
consistency-check 是一个用于游戏设计文档（GDD）一致性检查的技能，通过将各 GDD 与实体注册表（design/registry/entities.yaml）比对，发现跨文档冲突。它采用 grep 优先策略：先读取注册表一次，然后只针对提及已注册名称的 GDD 段落进行定向搜索，除非需要调查冲突，否则不全文读取。该技能是写入时的安全网，可捕捉 /design-system 逐段检查可能遗漏、以及 /review-all-gdds 整体审查发现过晚的问题。建议在每写完一份新 GDD 后、运行 /review-all-gdds 前、运行 /create-architecture 前使用，也可按需用 /consistency-check entity:[name] 检查单个实体。输出为冲突报告及可选的注册表修正。
research-engineer
research-engineer 是 sickn33/agentic-awesome-skills 仓库中的一个技能条目，页面地址为 https://www.skills.sh/sickn33/agentic-awesome-skills/research-engineer。当前可获取的资料中，该页面未返回有效内容（提示 404: Not Found），官方说明文本为空，因此关于其具体功能、使用方式、支持平台、收费情况与适用场景的信息暂未提供。本条目仅能确认其名称标识与所属来源，无法据此判断其实际用途。
wechat-article-writer
面向公众号与自媒体创作的全流程技能，可按用户表述自动匹配撰写文章、生成封面图与正文插图、提取写作风格等任务，支持多种写作风格与微信草稿上传。
c4-to-eventcatalog
c4-to-eventcatalog 是一个用于将 C4 架构模型转换为 EventCatalog 文档方案的技能。它不会直接生成最终文件，而是先产出可评审的 .c4-eventcatalog-plan.md 映射计划，待用户确认后再交由 catalog-documentation-creator 生成或更新实际的目录文件。该技能支持读取 Structurizr DSL/JSON、C4-PlantUML、Mermaid C4、Markdown 架构文档或图片图示作为输入，并会先检查现有目录结构，再解析 C4 模型中的人员、外部系统、软件系统、容器、组件、关系、协议、技术、动态视图以及消息、主题、队列、API、命令、查询、事件和模式引用。映射过程中会依据 references/c4-mapping.md 将元素归入 domain、service、agent、event、command、query、channel、container、flow 或文档正文等类别，并对已有目录标注 new、update、unchanged 或 investigate 状态。该技能只就影响结构的决策逐条提问，避免对叙述性内容反复确认，适合需要将 C4 架构意图系统化沉淀到 EventCatalog 文档的团队使用。
nsfc-justification-writer
nsfc-justification-writer 是一款面向国家自然科学基金（NSFC）及科研基金申请书写作的 LaTeX 辅助工具，核心用于立项依据、研究意义、国内外现状、科学问题与科学假设的写作、重构、审查和润色。它以语义论证和可核验性为核心原则，支持任意文件名、标题命令和 LaTeX 结构。工作流程覆盖诊断、成稿、校正、备份和写入，默认全自动完成，不向用户发起中途确认或审核问题。工具只修改通过白名单确定的正文文件，不改动 main.tex、配置文件、.cls、.sty 等结构文件，保留标题、章节/环境命令、标签和引用命令，并在写入前备份、写入后展示 diff、假设与回滚入口。引用 key 必须能在项目 .bib 中核验。诊断结果分为事实问题、逻辑问题与表达建议三类，其中 Tier2 语义检查由宿主 AI 直接执行。
research
这是一个名为 research 的智能体技能，用于诊断研究质量并引导系统性的查询扩展。它结合 Tavily 的 AI 优化网络搜索能力，把基础问题转化为更全面的搜索策略，并用分阶段的流程帮助用户避免浅层搜索、单一视角和确认偏误。该技能包含一个内置的 Tavily CLI 脚本（scripts/tavily-cli.ts），需要 Deno 环境和 Tavily API Key（官方称有免费额度）。主要流程分为五个阶段：阶段 0 手动分析主题并设定范围；阶段 1 利用 Tavily 发现专家术语；阶段 2 进行基础搜索；阶段 3 搜索反方视角；阶段 4 手动综合结论并标注置信度。技能还提供多种诊断状态（如缺少分析、缺少词汇、单一视角、领域盲区、近期偏见、缺乏深度、停止时机不确定等）以及常见反模式（如确认陷阱、权威谬误、广度陷阱、回音室等）的提示与修正建议。它支持通过命令行选项控制搜索深度、结果数量、主题类型、时间范围以及包含或排除特定域名。输出结果可保存在项目文件中，命名模式为 {topic}-research-{date}.md。适用于开始研究任何主题、研究卡住或不确定研究是否足够时使用。
product-discovery
产品发现与市场研究专家技能，用于验证产品想法、开展市场调研、用户访谈、竞品分析等。该技能强调以问题为先、基于证据决策，要求每个细分用户群至少完成5次访谈，并将假设转化为可测试、可证伪的实验。提供产品机会评估（Marty Cagan 十问）、价值与投入优先级框架、机会解决方案树、Jobs-to-be-Done、Kano 模型、价值主张画布等框架，并区分生成性、评估性、定量与定性研究方法。还涵盖访谈与问卷最佳实践、持续发现习惯、产品三人组协作节奏，以及2025年AI辅助研究趋势。
paper-talk
Paper Talk 是一条端到端的会议演讲生成流水线，把一篇已完成的论文转化为可上台的演讲材料：幻灯片大纲、Beamer 源码、可编辑 PPTX、演讲者备注、完整讲稿、视觉润色以及多项保证性检查。它通过 assurance 参数控制流程深度，分为 draft、polished（默认）、conference-ready 三档，分别对应内部练习、实验室研讨/普通会议、以及顶级会议口头报告或匿名投稿等场景。流水线强调硬性不变量：原论文只读、原始幻灯片不被覆盖、演讲者备注字节稳定、全流程不新增内容、不重排幻灯片、匿名性检查失败即中止。
cnki-parse-results
cnki-parse-results 是一个用于解析知网（CNKI）检索结果页的技能。它通过 Chrome DevTools 在当前已打开的知网检索结果页上执行脚本，把页面中的论文条目提取为结构化数据，包括标题、作者、期刊、日期、数据库类型、被引次数、下载次数、链接以及导出用加密 ID，并识别“网络首发”标记。该技能要求当前页面为知网检索结果页（URL 含 kns.cnki.net 且页面显示“条结果”），若检测到验证码会提示用户手动处理；当 JavaScript 解析返回空时，可回退到基于无障碍树快照的手动解析方式。