paseo-orchestrate
paseo-orchestrate 是一个已弃用的技能，原名已更名为 paseo-epic。当加载该技能时，它会重定向到 paseo-epic，并以一句话提示用户：paseo-orchestrate 已弃用，改用 paseo-epic。除此之外，资料未提供其具体功能、使用方式、适用场景或限制等信息。
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 10-21 00:11
全部 Skills
233,288 个结果
valtio-define
valtio-define 是一个基于 Valtio 的状态管理库，为 React 应用提供类似 Pinia 的 API。它通过工厂函数创建响应式 store，支持 state、actions 和 getters，并具备完整的 TypeScript 支持。该技能集合基于 valtio-define v1.0.1，涵盖核心 API（defineStore、useStore、类型定义）、高级特性（订阅、patch、Signal 组件、store 转 state）以及插件系统（含持久化插件）。适合需要在 React 中采用类 Pinia 风格进行状态管理的开发者参考使用。
principle-minimize-reader-load
一条面向代码审查与重构的原则：以“读者理解代码所需付出的心智负担”为核心，用追踪层数与需记住的状态两个维度衡量可维护性，主张折叠单调用者包装、无第二实现的适配器与冗余间接层，并缩小状态作用域。
principle-never-block-on-the-human
这是一条面向 AI 智能体（Agent）协作的原则性技能，核心是“不要因等待人类而阻塞”。它适用于可逆的工作场景：当智能体想询问“我该不该做 X？”时，应改为直接做出合理决策并执行，让人类异步监督、事后纠正。因为代码改动可逆且可审查，错误决策的成本通常低于阻塞等待。原则要求：先做后展示，完成工作并呈现结果，不问“该不该做 X”，而是做 X 并解释原因；让系统具备自愈能力，发现问题时记录并在下一轮修复。但不可逆操作（强制推送、删除生产数据、发送对外消息）仍需确认；可逆操作（写代码、编辑笔记、拆分任务）应直接推进。产品方向由人类决定，执行环节不应阻塞。
backend-development
本条目是面向 C++ 与 Elixir/Phoenix 后端开发的编码指南，归纳了两种技术栈的命名约定、内存管理、现代语言特性、错误处理与工程组织规范。C++ 部分涵盖 PascalCase/camelCase/SCREAMING_SNAKE_CASE 命名规则、智能指针与 RAII、auto 与范围 for 循环、std::optional/std::variant/结构化绑定/移动语义、异常处理、const 正确性、避免 C 风格转换，以及使用 Google Test 或 Catch2 编写单元测试、用 Doxygen 注释文档。Elixir/Phoenix 部分倡导领域驱动设计、函数式编程与显式错误处理、"let it crash" 理念，围绕 Phoenix contexts 按业务域组织代码、维护有界上下文与清晰的公共 API，大量使用模式匹配、with 表达式的铁路式编程和管道操作符，以标签元组返回结果、构建监督树，并用 LiveView 与函数组件实现 UI、用 Ecto.Changeset 在边界做校验。
grpc-development
该技能总结了使用 gRPC 与 Protocol Buffers 构建高性能服务与 API 的最佳实践，涵盖服务设计、流式模式、拦截器、安全与可观测性。内容以“构建 gRPC 服务的工作流”为主线：先编写 .proto 服务契约，再用 protoc 生成语言存根，随后实现服务端与客户端、接入拦截器、编写测试，最后部署并接入可观测性。资料同时给出 Protocol Buffer 的文件组织（1-1-1 模式）、消息设计、字段与枚举规范、代码风格，以及一元、服务端流、客户端流、双向流四种 RPC 模式，并附有 proto 定义、Go 服务端实现与日志拦截器的完整代码示例，还涉及 API 设计、性能优化、错误处理、安全、拦截器、测试与语言特定指南。
testing-r-packages
该技能提供使用 testthat 3+ 编写 R 包测试的最佳实践，适用于编写、组织或改进 R 包测试的场景。内容涵盖初始化设置（usethis::use_testthat(3)）、文件组织（测试文件镜像 R/ 目录结构，helper-、setup-、fixtures/ 等特殊文件）、三层测试结构（文件→测试→期望），以及 test_that() 标准语法和 describe()/it() 的 BDD 语法。还介绍了三种测试运行规模、核心期望函数（相等性、错误/警告/消息、模式匹配、结构与类型、集合、逻辑）、设计原则（自足性、使用 withr 清理副作用、为失败做计划、可接受重复、load_all() 工作流）、快照测试、测试夹具与数据、模拟、文件系统规范，以及 testthat 3 的现代化变更（取代 context()、with_mock() 等）和快速参考命令。
ddd-aggregate
ddd-aggregate 是一个用于脚手架生成 DDD（领域驱动设计）聚合根的技能。它接收 <上下文名称> 和 <聚合名称>（均为 kebab-case 格式）作为参数，在已有的限界上下文中自动生成一套完整的聚合根代码结构，包括实体、值对象、仓储接口、领域事件和单元测试桩。该技能要求目标上下文已存在于 src/ 目录下；若 domain 目录不存在，会建议先运行 /ddd-context 创建上下文。生成内容包括：聚合根实体（唯一 ID 字段、带不变性校验的构造函数、强制业务规则的领域方法、基于标识的 equals）、聚合 ID 值对象、仓储接口（findById、save、delete）、创建与更新领域事件，以及使用 describe/it 命名规范的测试桩。此外还会更新 barrel 导出文件，并将聚合信息存入领域模型图与记忆存储。适用于在既有 DDD 项目中快速添加新聚合、保持分层结构与代码一致性。
grepai-trace-callees
grepai-trace-callees 是 GrepAI 技能集中用于查找函数被调用关系（callees）的技能，回答“这个函数调用了哪些函数”。它通过 grepai trace callees 命令，列出指定函数直接调用的其他函数，并给出文件路径、行号和调用上下文。支持 fast 与 precise 两种提取模式，可输出普通文本、JSON、紧凑 JSON 以及 TOON 格式，便于人工阅读或脚本、AI 处理。适用于理解函数依赖、映射函数行为、代码审查、生成文档等场景。
code-reviewer
Code Reviewer 是一个代码审查技能，用于分析 pull request 和代码改动，从质量、安全、可维护性与最佳实践等维度给出结构化反馈。当用户请求代码审查、PR 审查，或提到“review this”“check this code”等表述时触发。其流程分为三阶段：先收集上下文（用 git diff、git log 获取改动文件与差异，阅读相关文档、参考同类文件的既有模式并识别项目约定），再按正确性、安全、性能、代码质量、测试、文档、可维护性七类进行分析，最后按严重程度输出问题清单。安全方面重点检查硬编码密钥、输入校验、SQL 注入、XSS、鉴权检查与用户数据处理；性能方面关注 N+1 查询、缓存、算法效率与内存；质量方面关注 DRY、KISS、抽象、命名与类型；测试方面关注覆盖率、边界用例与断言有效性。还提供 TypeScript、React、Python、Go 的语言特定建议，以及合并前的确认清单。
user-guide-creation
这是一个用于创建用户指南与操作文档的提示词技能，帮助撰写产品手册、入门指南、功能教程、分步操作说明等内容。它提供用户指南的结构框架（目录、介绍、快速开始、主要功能、常见任务、故障排除、FAQ、支持），并在参考目录中给出系统要求、安装、初始设置及创建项目、导入数据、导出数据等任务示例。资料还列出最佳实践：使用简单清晰语言、加入截图与视觉元素、提供分步说明、对顺序任务使用编号列表、添加提示警告与注释、包含键盘快捷键、提供多条完成路径、测试每一步、保持内容更新、格式一致、长文档加目录、包含搜索功能；同时提示避免术语无解释、假设用户已有知识、跳步骤、使用过时截图、大段文字、忘记随新版本更新、过度复杂化简单任务。
code-to-prd
Code → PRD 是一个将代码库逆向工程为完整产品需求文档（PRD）的技能。它通过「全局扫描 → 逐页分析 → 结构化文档生成」三阶段工作流，分析前端、后端或全栈项目中的路由、组件、数据模型、API 集成与用户交互，产出业务方可读、且详细到足以让工程师或 AI 智能体完整重建每个页面与接口的文档。支持 React、Vue、Angular、Svelte、Next.js、Nuxt、SvelteKit、Remix、Astro 等前端框架，以及 NestJS、Express、Fastify、Django、Django REST Framework、FastAPI、Flask 等后端框架。具备 Mock 数据识别、枚举提取、模型解析等能力，并附带 codebase_analyzer.py 扫描脚本与 prd_scaffolder.py 目录生成脚本。
landing-page-generator
Landing Page Generator 是一个用于生成高转化率落地页的技能，可根据产品描述输出完整的 Next.js/React（TSX）组件与 Tailwind CSS 样式。它提供 hero、功能网格、定价表、FAQ、评价、CTA、页脚等多类区块及变体，内置 PAS、AIDA、BAB 三种文案框架和 SEO 检查清单，并给出 LCP、CLS、FID 等性能目标与常见问题提示。生成的页面包含 SEO meta 与结构化数据，可直接复制使用，而非占位文本。
building-journalist-outreach-list-from-twitter
该技能用于从 Twitter/X 构建面向记者和媒体从业者的定向外联联系人列表。它借助 Apify 平台上的 apidojo Twitter 抓取器，按特定领域、行业或话题查找正在活跃发帖的记者，并支持按目标出版物、撰稿人类型、地域和列表规模进行筛选。技能提供从明确需求、搜索相关推文、丰富用户资料、过滤记者信号到输出联系人表格的完整工作流，并附带按出版物分组、选题角度建议和个性化提示。使用前需设置 APIFY_TOKEN 环境变量，可选安装 Apify MCP 服务器。
finding-saas-company-leads-twitter
这是一个通过推特/X 上的信号（产品发布、功能公告、创始人动态、垂直领域话题标签）来发现 SaaS 公司与软件创业公司线索的技能，基于 Apify 上 apidojo 的 Twitter 爬虫实现。它适用于需要寻找 SaaS 公司潜在客户、构建 B2B 线索列表的场景。使用前需设置 APIFY_TOKEN 环境变量，可选安装 Apify MCP 服务器。工作流包括：按垂直领域构建关键词与话题标签搜索列表、运行 tweet-scraper 查找活跃公司、提取唯一公司账号、通过 twitter-user-scraper 丰富资料、按阶段打分分类、交付线索名单。支持通过 run_actor.js 脚本、Apify MCP 工具或 REST API 调用，输出可打印为表格或保存为 CSV/JSON。
scraping-twitter-profiles
这是一个用于批量抓取 Twitter/X 用户主页数据的工具技能，基于 Apify 平台上的 apidojo Twitter User scraper（Actor 标识为 apidojo~twitter-user-scraper）运行。它接受一组 Twitter/X 用户名，返回账号级别的元数据，包括粉丝数、关注数、简介、加入日期、认证状态等。该技能通过触发条件响应“获取某批用户的资料数据”这类请求，支持多种输入参数（用户名列表、用户 ID、主页或推文 URL，以及是否抓取粉丝、关注、转推者等选项），并可通过脚本、Apify MCP 或 REST API 三种方式调用。输出可打印为表格、保存为 CSV 或 JSON 文件。使用时需要设置 APIFY_TOKEN 环境变量。
browser-automation
Browser Automation 是一个面向浏览器自动化与网页测试的技能条目，托管于 davila7/claude-code-templates 仓库，页面地址为 https://www.skills.sh/davila7/claude-code-templates/browser-automation。资料显示，该技能定位为浏览器自动化专家，强调浏览器自动化支撑网页测试、网页抓取与 AI 智能体交互，并指出“不稳定脚本”与“可靠系统”之间的差别。其核心观点是：多数自动化失败源于三类问题——选择器不当、缺少等待、检测系统；主张像浏览器一样思考、使用正确的选择器，并借助 Playwright 的自动等待机制。能力标签包括 playwright、puppeteer、headless-browsers、web-scraping、browser-testing、e2e-testing、ui-automation、selenium-alternatives。资料还列出测试隔离模式、面向用户定位器模式、自动等待模式，以及任意超时、优先使用 CSS/XPath、为所有场景使用单一浏览器上下文等反模式，并给出若干问题与对应解决方向。
sentry-cli
Sentry CLI 是 Sentry 官方提供的命令行工具，用于在终端中与 Sentry 平台交互。它可以自动检测当前项目所属的组织与项目，支持查看问题（issue）、事件、项目、组织、追踪（trace）、日志、发布（release）等数据，也提供 sentry issue explain/plan 等 AI 根因分析与修复建议命令、agent 对话查看、WebAssembly 模块处理、文档查询、状态查询、API schema 浏览以及类似 curl 的任意 API 调用。命令遵循 <noun> <verb> 模式，参数风格参考 GitHub CLI，支持 --json 机器可读输出、--fields 字段选择、--web 打开浏览器等。适用于排查错误、分析性能追踪、流式查看日志、管理发布与部署、本地捕获事件（Spotlight）以及在自动化流程中调用 Sentry。使用前需安装并完成认证。
hairy-react-lib
@hairy/react-lib 是一套面向 React 应用的技能集合，基于 @hairy/react-lib v1.47.0，聚焦于 React hooks 与组件的使用。内容涵盖核心参考与高级特性两部分：核心参考包括异步 Hooks（异步状态管理与回调处理）、Watch Hooks（响应式值监听与变更检测）、生命周期 Hooks（组件生命周期与挂载工具）、条件组件（用于条件渲染的 If/Else、Switch/Case 组件）以及 Try Hooks（带兜底行为的错误安全 React hooks）；高级特性包括事件总线（跨组件事件通信）、分页（基于偏移量的分页 hook）和请求拦截（请求/响应拦截工具）。该技能适合在构建 React 应用时查阅相关 hooks 与组件的用法。
svelte
该技能聚焦于 Svelte 5 与 SvelteKit 开发现代 Web 应用，覆盖基于 runes 的响应式系统、snippets、SSR/SSG 以及状态管理，并包含从 Svelte 4 旧式响应式写法迁移的注意事项。它强调编写简洁、技术准确的组件示例，突出服务端渲染与静态生成带来的性能优势，提倡使用 TypeScript 并遵循命名规范，优先通过服务端渲染减少客户端 JavaScript，并采用函数式与声明式编程模式。
code-review
code-review 是 openai/codex 提供的一个技能，用途是在拉取请求（pull request）上执行最终代码审查。它本身不直接审查代码，而是作为编排者（orchestrator），通过调用其他所有 code-review-* 技能来进行审查，每个子代理（subagent）负责一个技能，并向子代理传递完整的技能路径，使用 xhigh 推理级别。审查结束后，必须返回每个子代理发现的全部问题，不限制发现问题数量，以原始 Markdown 格式报告，并对每个发现编号以便引用。每条发现都必须包含具体的文件路径和行号。如果运行审查的 GitHub 用户是该拉取请求的所有者，则添加 code-reviewed 标签；除非被明确要求，否则不要留下 GitHub 评论。
harvard-art-museum-etl-pipeline
该技能用于构建基于哈佛艺术博物馆 API 的端到端数据工程与分析应用，涵盖 ETL 管道、SQL 数据库设计、分析查询以及 Streamlit 交互式仪表板。项目采用 API → ETL → SQL → 分析 → 可视化的架构：从哈佛艺术博物馆 API 分页抓取文物数据，将嵌套 JSON 转换为规范化的关系表（元数据、媒体、颜色），批量写入 MySQL/TiDB Cloud 并建立外键关系，执行 20 多条预定义 SQL 查询，并通过 Streamlit 以 Plotly 图表展示结果。适合学习或演示真实场景下的数据工程流程。
dependency-check
dependency-check 是一个用于扫描项目依赖、发现已知漏洞与 CVE 的安全检查工具。它适用于审计第三方软件包、发布前检查、执行 npm install 或锁定文件（lockfile）变更之后等场景。工具支持列出 CVE、按严重级别（如 critical）筛选、对依赖类型执行深度扫描，并可调用 npm audit 输出 JSON 结果。它提供按严重程度对应的处理建议：critical 应阻止部署并立即修复，high 应在下个发布前修复，moderate 应在当前迭代内安排修复，low 可记录待办跟踪。此外支持通过 scan 命令加 --fix 参数进行自动修复，并可通过 MCP 派发 hook 实现持续监控。
neural-train
neural-train 是 ruflo 技能集中用于训练与巩固神经模式的技能，实现四步智能流水线中的 DISTILL（蒸馏）与 CONSOLIDATE（巩固）两个阶段。它从成功完成的任务中捕获可复用的模式，训练 SONA 与 MicroLoRA 神经模式，并通过 EWC++ 语义将模式折叠进长期存储，防止新训练覆盖旧领域。适用于任务成功后的经验捕获、累积约 10 次任务完成后的巩固、以及为新领域创建 MicroLoRA 适配器等场景。提供 MCP 工具调用与 CLI 两种使用方式。