better-writing
面向用户界面文案的写作与评审技能，覆盖按钮标签、链接、错误提示、空状态、占位符与设置项等。强调清晰简短、术语一致、动词优先，并提供严重度分级与独立评审输出格式。
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 11-05 00:16
写作与研究
14,775 个结果
bespoke
Bespoke 是一个内容精炼工具，旨在帮助写作者以某个特定人物的真实声音来构建文字，而非生成通用化的散文。它适用于 LinkedIn 帖子、X/Threads、Substack 等平台。与大多数“让文字更像人写的”工具不同，Bespoke 不是从一份需要避免的 AI 相关短语清单反向工作，而是基于四个独立且成熟的研究领域，正向回答四个问题：这个人的语言指纹究竟是什么样的？文字能否通过一项有百年历史的朴素风格测试？其中的公式化语言是通用的还是真正属于作者的？其中的细节读起来像是亲身经历，还是拼凑而成？该工具通过采集声音样本、进行朴素风格检查、替换而非消除公式化序列、应用具体性测试，并针对不同平台提供结构建议，来产出真正认识作者的人能够辨认出的文字。
goosetown-researcher-stackoverflow
Goosetown 的 Stack Overflow 研究员角色，通过 Stack Exchange API 检索编程问答、错误解决方案与实现模式，输出带链接和票数的结构化研究简报。只读角色，不修改任何内容。
exa-research
exa-research 是 BlockRun MCP 中的神经网页搜索工具，也提供 Python SDK 调用方式，能通过语义理解而非关键词匹配，为主流研究场景提供支持。它包含四个操作：search 返回相关 URL，可按 news、research paper、company、tweet、github、pdf 等类别筛选，也可限定域名；answer 返回带引用的问答结果；contents 批量抓取网页全文，单次最多 100 个 URL，返回适合 LLM 使用的文本；find-similar 查找与给定 URL 相似的页面，可用于竞品发现或相关研究。MCP 中以 blockrun_exa({ path, body }) 调用，Python SDK 中通过 client._request_with_payment_raw 访问对应端点。按次计费：search、answer、find-similar 每次 0.0110 美元（已含 0.001 美元交易费）；contents 每个 URL 0.002 美元，另加 0.001 美元，批量调用更省。需安装 blockrun-llm 并配置 USDC 钱包。
mc-braindump
mc-braindump 是视频创作流程中的构思记录环节，用创作者的原始措辞完整记录其想法。它是整条管线最重要的输入：后续脚本阶段只能引用本文件里出现过的词句（引用或删减）。该技能适合在 braindump 阶段使用，也适用于用户说“braindump”“让我讲讲这个”“这是我的……”等场景。它支持访谈录制模式，把问答录音作为潜在素材，并按格式配置整理出逐字保留的 braindump.md。
mc-outline
mc-outline 是 bmad-manticore 中的大纲阶段技能（Gate 1），产出一份 outline.md 决策稿，包含三个钩子、一条大纲和包装承诺，供创作者在写脚本之前批准、修改或否决。它本身不是脚本草稿，内容全部可追溯到 braindump.md，因为后续脚本阶段只能使用其中已说过的措辞。三个钩子按目标—转变—利害构建，说明适合谁、能做成什么、为何现在重要；大纲是一条从钩子到回报的紧凑节拍列表，每个节拍引用素材来源，无素材的节拍标记为 GAP 并附待问问题。它还给出工作标题、缩略图概念与 CTA 计划。使用前需完成配置、voice-bible.md 与 blacklist.md 等前置条件。
mc-script
mc-script 是 bmad-manticore 技能集中的脚本编织阶段工具，用于在 gate 1 通过后把 outline.md 与 braindump.md 整合成可上镜口播的 script.md。它强调“编织而非写作”：尽量直接沿用创作者 braindump 中的措辞，只做口语流畅度打磨；每句话要么可追溯到 braindump，要么带 [INVENTED] 标记，且标记仅用于连接性内容，若超过约四分之一句子需标记则退回 mc-braindump。激活时会校验 studio 配置、project.json 的 gate 1 状态，并读取 outline、braindump、格式配置、voice-bible、exemplars、blacklist 和 craft-checklist，缺失则引导至 mc-setup。它按节拍逐段编织，钩子最后写，不添加舞台指示或镜头备注；CTA 从配置的 [cta] 编织，为空则不编造。若已有采访录音，会转写并用 [TAKE] 标记已口述好的台词。交付前运行 lint_script.py 检查黑名单违规，执行 craft 清单与人工 QA，并按创作者实测 wpm 计算时长，最后写入 script.md、更新 project.json 并交接。
research
Research 是一个面向智能体运行时的深度研究技能，用于处理单次搜索无法覆盖的多来源网络调研。它把研究定义为“计划—查询—搜索—提取—综合”的循环，而非一次检索：先澄清问题并拆成 3-6 个子问题，设定轮次上限，注入当前日期以避免模型使用过时年份；随后每轮针对信息缺口生成查询，从第二轮起加入反证查询，并用引号、site:、filetype:、排除词、时间过滤等操作符提升检索质量。提取阶段会过滤低质页面，为 URL 编号建立引用，将来源分为一手、二手、三手，三手来源不得单独支撑重要结论，抓取失败时按恢复阶梯处理。所有关键事实需打上 [VERIFIED]、[SOURCED]、[REASONED]、[ESTIMATED] 证据标签，并维护累积的研究状态与缺口清单。最终报告须逐条内联引用、附来源分级与访问日期，并显式列出缺口与矛盾。适用于深度调研、对比、事实核查、技术与市场扫描及带引用的报告；具体搜索工具随运行环境而异，需加载对应参考文件。
wind-alice-equity-research-expert
万得Alice「个股研究专家」CLI技能，围绕公司基本面、财报与事件、估值位置与可证伪投资逻辑做个股深研，输出带数据图表与来源的研究判断，适用于深度研究某只股票、解读财报预期差、中报前瞻、拆解商业模式与竞争壁垒、估值与同业比较等场景。
awesome-builder
Awesome Builder 是一个面向仓库维护者的技能，用于把 awesome 风格（资源清单型）的仓库从平铺的资源堆整理成结构清晰、易于浏览和维护的项目。它关注的不是某一具体条目是否应该收录，而是整体结构、可用性、范围界定与策展质量。当用户想设计、重构、诊断或改进一个 awesome 风格仓库时都可以使用，尤其适用于策展型 README 难以浏览、范围不清、分区混乱或贡献流程不完善的情况。技能会先阅读当前的 README.md、CONTRIBUTING.md 以及参考指南，先诊断再给出建议，识别最关键的问题，然后提出能实质改善可用性的最小结构改动，例如在页面顶部增加入门入口层、重排分区顺序、明确收录与排除规则、统一条目模板、优化贡献流程。默认使用中文输出，并优先给出面向维护者的精简结论结构。
data-act-vertragsklauseln
面向德国数据经济法的技能，用于按欧盟《数据法》第8、9、13条及德国《民法典》第305条以下条款审查与起草数据提供合同条款，区分欧盟滥用控制与德国民法一般交易条件控制，并计算期限与时效。
markenanmeldung
该技能用于德国商标法（MarkenG）下的商标注册前审查与申请策略，依据 §§ 3, 8, 9, 32, 47 MarkenG 等条款，对商标的可注册性、绝对保护障碍和相对保护障碍进行结构化评估，并针对德国专利商标局（DPMA）的申请流程提供策略建议。
reisevermittlung-informationspflichten
针对德语旅游销售场景的法律技能，用于在索赔前厘清角色（旅行社、旅行中介、关联旅行服务）并审查缔约前信息义务、撤回权排除及中介责任，输出结构化法律备忘录。
linkedin-hook-analyzer
LinkedIn Hook Analyzer 是一个离线运行的技能工具，用于分析用户粘贴或保存的 LinkedIn 帖子开头。它会从原文中剥离措辞，识别开头属于十八种模式中的哪一种（十四种值得复用、四种仅作识别并避免），给出匹配置信度、判定的依据线索、抽象出的槽位模板，并描述正文结构与结尾方式，同时说明用户要复用该模式需要事先具备哪些真实素材。该工具只能处理粘贴的完整文本或按分隔符整理的文本文件、JSON 列表，无法打开链接、抓取平台内容或发布帖子；分类基于英文关键词与句式权重匹配，属于启发式结果，不能代表帖子表现，也不能替代人工判断。
linkedin-humanizer
LinkedIn Humanizer 是一个用于审计和改写 LinkedIn 草稿的技能，目的是去除“机器味”的写作模式。它把 33 条规则按处理方式分为三层：remove（必须删除，如工具残留、助手前言、占位符）、reduce（过量才成问题，如套话、对比句式、三段式、碎片句、破折号密度）、review（品味问题，如单个破折号、被动语态、分号）。另有 emoji 位置评分器，以及基于作者过往帖子构建的“声音指纹”，用于保护作者本人的真实写作习惯。该技能只编辑和审计已有草稿，不负责选题或从零写帖，也不针对任何自动分类器做优化，一切在本地对用户提供的文本运行，不会发布、定时或发送任何内容。
research-finance
研究预算与经费运营技能：按单位成本构建研究预算，计算每参与者和每洞察成本，用挣值法跟踪支出与里程碑交付，并按决策价值在预算内为研究组合排优先级。
artifact-clarity-pass
这是一个用于精简代码、文档或交接材料的技能：按明确的“废话分类表”删除通用填充、套话与冗余表述，同时保留全部关键事实、边界条件与作者原意，并输出删除报告供人工复核。
changelog-quality-pass
用于撰写或审查 CHANGELOG.md 与发布说明的技能，强调面向用户、符合语义化版本（semver）的清晰表达，遵循 Keep a Changelog 结构。
external-search-triage
依据外部资料判定仓库工作是否需要外部检索，并把有引用的研究发现转成仓库里的下一步动作。适用于依赖当前库行为、API 文档、标准、公告、发行说明或生态约定的决策，强调主源、版本与日期记录。
research-software
research-software 是 boshu2/agentops 中的软件调研技能，通过源码、GitHub 与网络搜索研究开发工具，适用于创建技能、学习新工具、发现未文档化功能或前沿用法。
changelog
该技能用于在用户要求“更新 changelog”“添加 changelog 条目”“上次发布以来有哪些变化”等场景下，根据最近一次版本发布以来的提交记录，更新项目 CHANGELOG.md 中面向用户的变更。它会定位基线版本、收集该版本之后的提交、逐条阅读差异并区分用户可见变更与内部变更，跳过内部重构、CI 配置、测试改动和发布记录等，并按 Keep a Changelog 分类（Added、Changed、Deprecated、Removed、Fixed、Security）写入 [Unreleased] 区段，确保不重复已有条目。若无用户可见变更则不改动文件，否则向用户展示写入内容。
define
该技能用于按笔记标题为术语生成简短定义，并将笔记中的 #define-later 标签替换为1-3句通俗直白的解释。工作流程为：先用 Grep 或 Glob 在知识库中按标题定位笔记，读取全文以了解已有上下文，再将 #define-later 替换为定义文本。定义要求简洁直接、说明“是什么”而非完整历史或所有细节，语气如同懂行的同行快速讲解，不添加标题、项目符号等结构元素。技能仅替换该标签，不改动笔记其他任何部分（包括 frontmatter 或既有内容的结构）：若未找到标签，会向用户报告而非猜测插入位置。
learn
该技能用于在用户说出“从那个错误中学习”“记住下次别这样”“把这条加到 CLAUDE.md”“别再那样做”等意图时，回顾对话并识别最近的错误或纠正，将其提炼为简洁可执行的规则，写入合适的 CLAUDE.md 文件（项目级或全局级），并检查是否重复、向用户展示所添加的规则及更新文件。
summarize
该技能用于在Obsidian笔记中把 #summarize-later 标签替换为结构化摘要与可执行要点，适用于需要对笔记、文章进行自动总结并保留原文其余内容的场景。技能先通过 Grep 或 Glob 在笔记库中按标题定位笔记，读取全文理解论点、证据与结论，再将标签替换为一段3至6句的纯文本摘要（概括核心论点、关键发现、数字或结果），并在其下添加“Actionable Takeaways”小节，列出2至5条以动词开头、具体可执行且与笔记内容相关的行动建议。除替换该标签外，不修改frontmatter或笔记其他内容；若未找到标签，会向用户报告而非猜测插入位置。