thinking-cynefin
Cynefin 分类技能用于在不确定该采用何种应对方式时，先按因果关系把问题归入清晰、繁杂、复杂、混沌或失序五个域，再选用与该域匹配的响应模式。它强调“用错域的方法”本身就是失败模式，适用于方法反复失败、问题新颖或混合、需要先选方法再解题的场景。技能给出明确的操作流程：陈述单元、探查因果关系、为每个单元分配一个域、做错配检查、提交并停止；输出包含单元、域、证据、响应模式、首批行动、证伪条件与拆分部分。
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 10-26 00:15
全部 Skills
237,470 个结果
uview-pro
uView Pro 是面向 uni-app 的 UI 组件库技能，在开发 uni-app 页面、使用 u- 前缀组件（如 u-button、u-input、u-form）或需要表单、按钮、弹窗、提示、导航等 UI 元素时触发，同时覆盖工具函数、组合式 API 钩子和布局模板。
grepai-storage-qdrant
grepai-storage-qdrant 是一个配置类技能，用于将 Qdrant 向量数据库设置为 GrepAI 的存储后端，从而获得高性能的向量搜索能力。当用户需要尽可能快的搜索性能、面对超大规模代码库（50K+ 文件）、已拥有 Qdrant 基础设施，或需要使用高级向量搜索功能时，可使用本技能。技能涵盖 Qdrant 的 Docker 与 Docker Compose 部署、Qdrant Cloud 接入、GrepAI 配置写法、TLS 与 API Key 认证、集合设置、性能特征（延迟与内存）、快照备份恢复、从 GOB 与 PostgreSQL 迁移、常见问题排查，以及 Qdrant 与 PostgreSQL 的对比建议。
system-admin
这是一个面向 Linux 系统管理与监控的技能/命令参考，汇总了系统信息查看、资源监控、服务管理与常见故障排查的核心命令与最佳实践。内容覆盖系统版本、主机名、运行时间与负载等基础信息，CPU、内存、磁盘等硬件信息，以及 top、htop、vmstat、iostat、iotop、iftop、nethogs、sar 等实时与历史资源监控工具。服务管理部分围绕 systemd，介绍服务状态查看、启停重启、开机自启开关与全部服务列表查看命令。常见场景提供了系统健康快速检查脚本，以及高负载排查时按 CPU、内存排序查找占用最高进程的步骤。故障排查表将系统卡顿、磁盘占满、内存不足、服务异常分别对应到相应命令组合。该技能适用于 Linux 运维、服务器日常巡检与问题定位，属于终端技能集合的一部分。具体安装方式、运行环境要求及收费信息暂未提供。
rive-animations
介绍如何在 Rive 中用状态机与交互式动画实现迪士尼十二动画原则的技能资料，涵盖挤压拉伸、预备动作、跟随重叠、缓入缓出、弧线、次要动作、时间节奏、夸张等要点，并给出 Rive 编辑器设置与运行时 API 调用方式。
security-payloads
security-payloads 是一个面向安全测试的载荷集合技能，来源于 SecLists 的 Payloads 目录，经过整理后以技能形式提供。它包含用于杀毒软件测试、文件上传测试、路径遍历测试和安全控制验证的载荷文件，例如 EICAR 测试文件、空字节文件名和命令执行文件名等。该技能适用于获得授权的渗透测试、漏洞赏金计划、CTF 竞赛以及受控环境下的安全研究和教学演示。资料明确强调，禁止将其用于未授权访问、未经许可的测试、恶意活动、隐私侵犯或任何非法用途。该技能基于 MIT 许可证发布，完整 SecLists 仓库约 4.5 GB，包含 6000 多个文件，覆盖密码、用户名、发现、模糊测试、载荷、Web Shell、模式匹配、AI 等多个类别。
macos-auto-update
为原生 macOS 应用添加 Sparkle 自动更新支持的技能。涵盖通过 SPM 引入依赖、创建 UpdaterManager、配置 Info.plist 密钥、生成 EdDSA 签名密钥、接入设置与菜单栏 UI，以及创建 appcast 订阅源。
wordpress-plugin-core
本技能面向 WordPress 插件开发，提供从安全基础到架构模式的完整指导。内容涵盖插件头部声明、ABSPATH 检查、唯一前缀、权限校验、Nonce 防 CSRF、输入清理与输出转义、$wpdb->prepare() 预处理语句等安全要点，并给出 Simple、OOP、PSR-4 三种架构模式建议。同时系统梳理了 29 个常见问题及其预防方法，包括 SQL 注入、XSS、CSRF、权限缺失、前缀冲突、重写规则刷新、瞬态清理、脚本按需加载、REST API 权限回调、卸载钩子、文本域匹配、依赖检查、自动保存干扰、admin-ajax 性能、区块编辑器支持等，并附有正确与错误代码对照示例。
academic-deep-research
Academic Deep Research 是一个用于学术型深度研究的技能，强调透明和严谨的方法论，而不是黑盒式 API 封装。它适用于用户需要深度研究、穷尽分析或文献综述，以及多源验证、证据层级和带引用的学术风格报告的场景。该技能依赖 web_search、web_fetch、sessions_spawn 等原生工具，并规定了多个强制停止点：初始接触时提出 2-3 个澄清问题并确认理解；研究计划阶段展示主题、步骤与交付物并等待批准；最终报告阶段交付带引用的完整叙述式报告。最低要求包括每个主题至少进行两个完整研究循环、每次工具调用之间进行分析、每个论点使用多个来源并处理矛盾、采用 APA 第 7 版文内引用和参考文献列表，以及仅叙述式的最终报告（不使用列表或表格）。技能附带 protocol.md、writing-style.md、citations-apa.md、report-template.md、error-handling.md、quality-standards.md、parallel-research.md、quickref.md 和 example.md 等参考文件。
metabase-database-metadata
Metabase Database Metadata 是一种基于 YAML 的磁盘元数据格式，用于表示从 Metabase 实例同步的数据库、表和字段。该格式对差异友好：完全省略数字 ID，外键使用自然键元组（如 ["Sample Database", "PUBLIC", "ORDERS"]）而非数据库标识符。项目同时提供 npm 包 @metabase/database-metadata，其 CLI 可将 Metabase 导出的原始 JSON 转换为规范描述的 YAML 树。元数据统一存放在顶层 .metadata/ 目录下，其中 databases/ 为 YAML 树（代理的规范数据源），table_metadata.json 为原始导出 JSON（可能达数 GB，不应直接打开或检索）。该目录应加入 .gitignore。首次设置需导出元数据并运行提取命令，会话开始时不应主动抓取，仅在用户明确要求或任务需要了解数据库模式时触发。
interpreters
面向 C/C++ 语言运行时开发的字节码解释器与 JIT 编译器技能，指导实现分派循环、VM 架构选型与性能优化。
latex-document-skill
LaTeX Document Skill 是一个通用 LaTeX 文档技能，用于创建、编译各类 LaTeX 文档并输出专业 PDF，同时可生成 PNG 预览。它支持简历、报告、求职信、发票、论文、学术 CV、演示、海报、考试、书籍、速查表等文档类型，也支持将 PDF 转换为 LaTeX、批量邮件合并生成个性化文档、使用 latexdiff 生成带修订标记的 PDF、在 Markdown/DOCX/HTML/LaTeX 之间转换格式，以及填写可填写与不可填写的 PDF 表单。编译脚本可自动检测 XeLaTeX（用于中日韩文字/从右到左文字）、词汇表与参考文献，并自动安装缺失的 TeX Live 与 poppler-utils 依赖。
conformetry-validate
conformetry-validate 是 conformetry 的一致性校验技能，用于检查磁盘上的生成代码是否符合其来源模板，并指导如何修复差异。核心规则是实例必须包含模板声明的全部内容，多出的内容不算差异，因此修复通常是补全缺失项而非删除多余内容。
resume-builder
Resume Builder 是 Reactive Resume（免费开源简历工具）的对话式简历生成技能。它通过向用户逐项询问缺失信息，从零构建一份符合 Reactive Resume 架构的完整简历 JSON，可直接在 https://rxresu.me 导入使用。核心原则包括：绝不编造信息，只使用用户提供的事实，缺失处主动提问，接受并标注诚实估算（如“约 30%”）；信息不清时先问再假设；语言简洁直接；输出前校验 JSON 是否符合架构。工作流程分为四步：收集姓名、职位标题、邮箱、电话、地点等基本信息；逐节收集经历、教育、技能、项目及其他板块内容；配置模板（17 种可选）、页面格式（A4 或 Letter）与板块顺序；最后生成符合架构的 JSON，其中 id 须为有效 UUID，描述字段使用 HTML 格式，日期采用结构化写法，颜色用 rgba 格式，字体须来自 Google Fonts。该技能还提供内容要点规则（成就而非职责、每段经历 3–6 条要点、按经验长度控制页数、部分国家省略照片与出生日期等个人信息），并可与内容指南、要点撰写、简历定制、求职管理、面试准备等姊妹技能配合使用。
render-deploy
Render 部署技能（render-deploy）来自 render-oss/skills，用于将应用部署到 Render 云平台。其核心流程是先分析代码库，判断框架/运行时、构建与启动命令、所需环境变量、数据存储和端口绑定等信息，再生成 render.yaml Blueprint 配置文件（基础设施即代码方式），或通过 MCP 工具直接创建单个服务。该技能支持 Git 仓库来源（GitHub、GitLab、Bitbucket），也说明 Render 支持预构建 Docker 镜像服务，但镜像方式需通过 Render Dashboard 或 API 完成，MCP 不支持创建镜像支撑的服务。Blueprint 支持 web、worker、cron、pserv、keyvalue 等服务类型以及 Postgres 数据库定义，并可指定运行时、计算计划、环境变量与密钥机制。技能要求先确认 Git 远程仓库存在、建立 Render 访问权限，再生成并推送 render.yaml、运行 render blueprints validate 校验、生成 Dashboard deeplink 引导用户在界面点击 Apply 完成部署，最后检查部署状态。
alphaear-signal-tracker
AlphaEar Signal Tracker 是一个用于跟踪和更新金融投资信号的技能。它根据新的市场信息评估现有信号的变化方向，判断信号是被强化、弱化、证伪还是保持不变，并据此更新信号的置信度与强度。该技能以智能体工作流方式运行，配合 alphaear-search 和 alphaear-stock 技能获取数据，依赖 agno 智能体框架和内置 sqlite3 数据库。
claude-automation-recommender
Claude Automation Recommender 是一个只读型技能，用于分析代码库并推荐适配的 Claude Code 自动化方案，覆盖 hooks、subagents、skills、plugins 和 MCP servers 五类扩展能力。它通过检测项目类型、框架、依赖库、测试与 CI 配置等信号，输出针对性的自动化建议，但本身不创建或修改任何文件，由用户自行实施或另行请求 Claude 协助搭建。
macro-liquidity
宏观流动性监测与风险预警技能，通过跟踪美联储净流动性、SOFR隔夜融资利率、MOVE美债波动率指数和日元套息交易信号四项核心指标，评估全球金融体系流动性状况与风险资产环境。
auto-review-loop
Auto Review Loop 是一个自主多轮研究评审循环技能：自动执行“评审→修复→再评审”，直到独立评审者给出符合策略的正面评估或达到最大轮数。它内置循环，不应再被 /loop、/schedule 或 CronCreate 包裹。
grepai-embeddings-lmstudio
该技能用于把 LM Studio 配置为 GrepAI 的嵌入（embedding）提供方，面向希望使用带图形界面的本地嵌入模型的用户。LM Studio 是运行本地大模型的桌面应用，具备图形界面、模型下载、OpenAI 兼容 API，且完全本地私有处理。配置方式是在 .grepai/config.yaml 的 embedder 段设置 provider 为 lmstudio、指定模型名与端点（默认 http://localhost:1234），可选指定维度。文档推荐使用 nomic-embed-text-v1.5（768 维、约 260MB），并列出 bge-small-en-v1.5（384 维）与 bge-large-en-v1.5（1024 维）及其体积、速度、质量对比。使用前需从 lmstudio.ai 下载安装、下载嵌入模型、在 Local Server 标签启动服务并启用嵌入端点。还提供了 curl 验证命令、推荐设置、headless 启动示例、常见问题排查，以及与 Ollama 的对比和迁移步骤。
statistical-analyst
这是一个面向假设检验与 A/B 实验分析的统计技能，帮助团队用统计证据而非直觉做决策。它提供三种使用模式：分析已完成的实验结果、在实验启动前计算所需样本量、以及解读已有数字是否显著。技能内置三个脚本：hypothesis_tester.py 可执行两比例 Z 检验、双样本 t 检验和卡方检验，返回 p 值、置信区间、效应量与通俗结论；sample_size_calculator.py 可在实验前按基线、最小可检测效应、显著性水平和功效计算每个变体所需样本量；confidence_interval.py 可计算比例或均值的置信区间。技能强调区分统计显著与实际显著，提供检验选择指南、决策框架、效应量参考表，并主动提示窥视、多重比较、功效不足、SUTVA 违背、辛普森悖论和新奇效应等风险。
feature-design-assistant
Feature Design Assistant 是一个通过结构化信息收集与协作式确认，把想法转化为完整设计方案与规格的技能。它适用于规划新功能、设计架构等场景。使用时会先声明正在使用该技能设计功能，然后分阶段推进：探索代码库理解项目结构、技术栈、既有模式与相关模块；用 AskUserQuestion 分批收集需求，每轮最多 4 个问题，覆盖核心需求（目标、用户、范围、时间线）、技术要求（涉及层级、质量要求、错误处理、测试方式）、集成与依赖（外部集成、依赖关系、向后兼容、文档需求），并根据回答追问 UI 技术或安全措施等细节。随后提出 2-3 种实现方案及优缺点，让用户选择；再分段呈现设计（架构总览、数据模型、API 设计、组件设计、错误处理、测试策略），每段 300-500 字并逐段确认。最后把设计写入 docs/designs/YYYY-MM-DD-<topic>-design.md，生成带优先级、阶段、时间与依赖的实施任务清单，并询问后续执行方式（立即执行、新会话、稍后或修改设计）。关键原则包括高效批量提问、非排他选项用多选、决策用单选、标注推荐项、渐进细化、分阶段验证、严格遵循 YAGNI。具体价格、平台支持与运行命令等资料暂未提供。
ux-usability-foundations
UX Usability Foundations 是一套面向智能体的界面可用性技能，用于评审、设计或改进 UI 流程、表单、导航与状态反馈，强调可用性是产品行为而非表面装饰，覆盖可供性、错误预防、识别优于回忆与无障碍基础。
awwwards-ui-skills
Awwwards 风格的 UI 设计系统技能，用于在 AI 智能体辅助下构建受 Awwwards 美学启发的界面。该技能以浅色模式为核心，规定使用 Inter 字体与 4px 网格，并提供一套明确的颜色语义令牌、排版规范、间距、边框圆角、布局、组件与交互状态约束。资料中给出了具体的十六进制色值（如页面背景 #E4E4E4、主文本 #565656）、字号字重（如主标题 127px/700、正文 16px/500）、间距与圆角刻度、1920px 基准视口，以及焦点、悬停、禁用、动画和性能方面的强制规则。适用于需要统一视觉语言、减少随意取值的设计系统落地场景。