fetch-watchlist-sources
该技能用于在每周 Trend Scout 运行时，从 watchlist 中所有条目抓取最近 7 天的更新，涵盖博客、论文聚合器（arXiv、Hugging Face papers）和社交来源，并输出规范化、去重后的原始数据文件。
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 10-29 00:09
写作与研究
14,386 个结果
glossary-alignment-check
用于 Substack 草稿的术语一致性检查技能：逐条提取技术术语，在 shared-context/glossary.md 中查找作者自定义定义，与领域标准定义比对，输出 aligned、diverged-safe 或 diverged-risky 三种结论。
linkedin-post-rewrite
将已发布的 Substack 文章改写为 LinkedIn 帖子的技能，重点设计能通过 210 字符折叠线的钩子，采用从业者口吻，控制在 2500 字符内并可使用 0-2 个垂直标签。
mlb-signal-emitter
MLB 信号发射器（mlb-signal-emitter）是 yahoo-mlb 信号流程中的校验与落盘技能，负责在写入信号文件前检查 YAML frontmatter、数值范围、变体合成元数据与文件路径，失败时记录日志而不写文件。
platform-voice-check
platform-voice-check 是对四个平台分发输出（Substack Note、X 线程、LinkedIn 帖、cross-post 短评）做语气忠实度审计的技能，作为 Distribution Translator 流程的最终关卡，输出 voice-check.md 的逐文件通过/失败结果与问题标记。
propose-counterfactual
该技能用于为“直觉构建五件套”生成反事实框架，通过追问“如果这个组件不存在会怎样”来揭示某技术元素在系统中的作用。它提供三种反事实动作：消融（移除X后系统如何退化）、替换（把X换成朴素替代方案后系统如何失效）、反转（X反向运作会怎样）。适用于技术写作中解释概念存在的必要性。技能包含明确的工作流程、具体示例和护栏规则，要求反事实必须具体、描述失败要具体，框架陈述不超过两句。
stress-test-analogy
该技能用于对已有类比做压力测试：找出源域与目标域映射最薄弱的环节，生成边界案例并把断裂转化为写作素材。输入一个 framing（源、目标与映射），输出边界句、断裂类型、可折叠写法和价值评级。
structural-review
structural-review 是一个面向 substacker 文章草稿的第一轮结构审阅技能，检查论证流程、顺序错位、被埋没的主题句、缺失的转折、弱路标等问题，由 Editor 在 voice-check 等技能之前调用。
substack-note-rewrite
substack-note-rewrite 是一个把已发布的 Substack 长文改写成 Substack Note 的工作流技能，基于提取的文章骨架（spine）和选定钩子（hook）生成最贴近原文语气、以加粗金句收尾的短笔记。
update-section-map
update-section-map 是 lyndonkl/claude 中的一项技能，用于在作者确认审阅提案后写入 canonical 的 substacker shared-context/section-map.md，采用原子写入并生成备份快照。
update-topic-ledger
维护 substacker 的 shared-context/topic-ledger.md，作为语料库所有主题的追加与更新索引，按事件更新每个主题的种子、草稿、已发布数量及热度。
write-section-promise
该技能用于为 Substack 专栏的某个板块（section）撰写一句话承诺（promise），即该板块向读者作出的明确承诺。它通过四项测试来评估候选承诺：具体性（读者能预判该板块文章能带来什么）、可检验性（能对某篇候选文章判断是/否符合）、非重叠性（与其他板块承诺至少在一个维度上可区分）、声音一致性（符合写作者的声音，依据 audience-notes.md 与 voice-profile.md，而非营销文案）。工作流程为：为候选板块起草 3 条候选承诺，逐条按四项测试打分，选出得分最高者；若没有一条通过全部四项测试，则标记并返回带说明的最佳选项。技能还给出示例：板块“直觉优先的机器学习”，草稿 A“关于机器学习的文章”因不够具体、重叠而失败；草稿 B“我们拆解机器学习概念”因营销语气、不可检验而失败；草稿 C“在数学之前，为机器学习系统实际如何运作建立几何或机械直觉的文章”通过全部四项测试。护栏要求：不超过 25 词、不用流行语、一句话而非两句、使用第二人称或陈述句、必须符合写作者声音。
write-weekly-digest
该技能用于将 Trend Scout 的排序保留清单与丢弃清单渲染为 ops/trend-scout/YYYY-WW-digest.md 周报文件。它按固定工作流执行：加载排序后的保留与丢弃列表、填充 frontmatter、渲染最多 10 条的重点信号、渲染显式丢弃项、生成包含所有已调研来源及新鲜度状态的附录，并进行语音画像检查（禁用词汇、转折处使用单句段落），最后写出周报文件。输出包含周次、生成时间、调研数、保留数、丢弃数等元数据，以及每条信号的来源、标题、URL、重要性说明、去重状态、种子候选与阅读时长。适用于需要按周汇总趋势信号并保留审计轨迹的场景。
writing-plans
writing-plans 是一个用于在动手写代码前，为多步骤任务编写详尽实施计划的技能。它假设执行者对代码库几乎零上下文，要求把每个任务拆成 2-5 分钟的小步骤，遵循 DRY、YAGNI、TDD 与频繁提交，并保存到 docs/plans/YYYY-MM-DD-<feature-name>.md。
tavily
Tavily 是面向 AI Agent 优化的网页搜索 API，返回干净、结构化的结果，便于 LLM 直接消费。适用于调研、写作、深度研究流程，需要设置 TAVILY_API_KEY，免费套餐每月 1000 次。
content-research
面向人类读者与AI搜索引擎（Claude、ChatGPT、Perplexity、Gemini）优化的研究优先型内容创作技能，按研究、专家、选题、创作、AIO五阶段流程产出真实、可被AI引用的权威内容。
keyword-research
该技能用于在不依赖昂贵工具的前提下做关键词研究与内容选题规划，通过“6 Circles 方法”从一个种子关键词扩展出13个内容创意，并结合免费工具、竞品SERP分析与优先级矩阵，输出可执行的内容队列。
technical-blog-writing
面向开发者的技术博客写作技能，覆盖教程、深度解析、复盘、基准对比与架构设计等文章类型，强调结构、可运行代码示例、图表与开发者阅读习惯，可通过 inference.sh CLI 辅助调研主题、生成配图与图表，并分发到开发者常用平台。
codex-cli-docs
用于管理 OpenAI Codex CLI 官方文档的技能：本地存储、抓取、发现与解析，提供基于 doc_id 的稳定引用，减少链接失效并支持离线访问与令牌优化的文档摘取。
ears-authoring
EARS 需求语法编写技能，用于以 Ubiquitous、State-Driven、Event-Driven、Unwanted、Optional、Complex 等模式撰写精确、无歧义的需求，提供模板、选择决策树、反模式与校验清单，并映射到规范规格。
buck2-rule-basics
Buck2 规则基础交互式教程技能，通过 8 个渐进步骤引导用户编写第一个 Buck2 规则，学习规则、动作、目标、配置、分析与 select() 等核心概念，并附带概念与高级模式参考文档。
hypogenic
Hypogenic 是一个利用大语言模型进行自动化假设生成与测试的框架，旨在加速科学发现。它提供三种方法：HypoGeniC（数据驱动的假设生成）、HypoRefine（协同整合文献与数据）以及 Union 方法（将文献驱动与数据驱动的假设进行机制化组合）。用户可通过命令行或 Python API 使用，支持从观测数据集生成 10-20+ 条可检验假设，并基于验证性能迭代优化。框架支持 API 模型（OpenAI、Anthropic）和本地 LLM，可抽取研究论文（PDF）见解，并借助 Redis 缓存降低 API 成本、并行处理提升测试效率。该技能适用于欺骗检测、AI 生成内容识别、心理健康指标、预测建模等领域，需遵循 HuggingFace 数据集格式并配置 config.yaml 与 extract_label() 函数。
paper-2-web
Paper2All 技能可将学术论文（LaTeX 或 PDF）转换为三种推广与展示格式：交互式学术主页 Paper2Web、带旁白的演示视频 Paper2Video、可打印会议海报 Paper2Poster。基于 LLM 做内容提取、设计与迭代优化，适合会议材料、预印本增强与科研推广。
scholar-evaluation
基于 ScholarEval 方法论的学术与研究作品评估框架，用于系统评估研究论文、研究提案、文献综述和学术写作，覆盖问题表述、文献综述、方法设计、数据分析、写作与引用等多个质量维度，并给出评分与可执行反馈。