umbraco-entity-actions
Umbraco 后台实体操作（Entity Actions）技能：依据官方文档在 Umbraco 后台为文档、媒体等实体类型实现上下文菜单操作，支持权限控制与自定义实体。
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 11-03 00:11
全部 Skills
244,002 个结果
umbraco-file-upload-preview
用于在 Umbraco 后台实现文件上传预览组件（fileUploadPreview），按 MIME 类型为上传文件渲染缩略图、波形或自定义图标等可视化预览。
umbraco-picker-data-source
Umbraco Picker Data Source 是 Umbraco CMS 后台（backoffice）的一项扩展能力，用于为基于选择器（picker）的属性编辑器提供数据源。开发者可以通过它自定义选择器所展示、搜索和选取的数据项，支持树形（tree）与集合（collection）两种展示形式，并可接入自定义实体、外部 API 或经过筛选的现有内容。该技能提供清单（manifest）注册、树形数据源、集合数据源、可配置数据源以及相关接口的示例代码，并强调实现前应获取最新官方文档。
json-render-react
@json-render/react 是 json-render 的 React 渲染器，可将 JSON 规格转换为 React 组件树，适合用 JSON 构建 React UI。
code-quality
code-quality 是一个面向 TypeScript/JavaScript 代码质量与类型安全的技能，用于在编写或重构代码时应用一组类型驱动的质量技巧。它强调“解析而非校验”（parse-don't-validate）、让非法状态不可表示、穷尽匹配、纯函数与注入接缝、公共 API 质量等原则。每个技巧都配有独立参考文档，包含原则说明、真实的前后对比示例以及可搜索的坏味道。该技能适用于重构、清理、改进、加固代码或 API 的请求，也适用于首次编写新模块、类型或公共导出时希望一次做对。它明确不是缺陷排查工具，缺陷排查应使用 /code-review。使用时要求先明确说出决策，再改变代码形态；一次只应用一种技巧并保持测试通过；避免过度抽象，遵循三次法则与 YAGNI；在可判定性允许时优先选择最强方案。其护栏包括：只关注质量而非正确性、每次改动必须消除真实失败模式、保持公共接口面小。
pma-web
PMA 管理的 React + Vite 单页应用与内部工具前端实现及验收基线，定义质量门禁、文件式路由与 UI 生态约束，需配合 /pma 使用。
code-review
该技能用于对某个固定基准点（提交、分支、标签或 merge-base）以来的代码变更进行双轴审查：一是标准轴（Standards），检查代码是否符合本仓库文档化的编码规范；二是规格轴（Spec），检查代码是否忠实实现了来源 issue 或规格说明。两个审查以并行子代理方式运行，最后并排汇总结果，避免一个轴掩盖另一个轴。适用于审查分支、PR、进行中的改动，或用户要求“审查自 X 以来的变更”。该技能从 mattpocock/skills（MIT 许可）导入，上游为模型调用。
fleet-auditor
Fleet Auditor 是 Token Optimizer 技能集中的跨平台智能体令牌浪费审计工具。它能够检测本机已安装的智能体系统（支持 Claude Code、Codex、OpenClaw、NanoClaw、Hermes、OpenCode、IronClaw），收集这些系统的令牌使用数据，识别浪费模式，并给出带有美元节省估算的修复建议。适用于同时运行多个智能体系统、每天在智能体上花费 2-5 美元、怀疑空闲心跳在消耗令牌，或希望进行跨系统成本审计的场景。审计过程以隐私为先，不读取或暴露消息内容，所有发现均以美元和令牌量化，并附带置信度与修复代码片段。
bmad-create-prd
bmad-create-prd 是 bmad-method 中已被废弃的技能，现作为兼容转发到 bmad-prd（create 意图）。它保留旧名称调用和旧定制文件的可用性，新工作应直接调用 bmad-prd。
disk-forensics
磁盘取证技能：用于分析磁盘镜像、文件系统与内存捕获，恢复数字证据、重建时间线并识别系统痕迹，适用于取证调查与CTF挑战。
rebranding
一个品牌重塑策略技能，帮助品牌诊断为何需要改变、界定应改与应保留的部分、构建新品牌方向并规划过渡。适用于用户提出“rebrand”“rebranding”“brand refresh”等需求时。
documentation-templates
该项目提供文档模板与结构规范，覆盖 README、API 文档、代码注释、变更日志、架构决策记录（ADR）以及面向 AI 的文档（如 llms.txt）。它通过模板明确各文档类型的必要章节和优先级，帮助开发者快速搭建一致、可扫描、可维护的文档结构。模板只是起点，需要根据项目实际情况调整。
firebase
Firebase 是一套可快速搭建完整后端的云服务，涵盖身份认证、数据库、存储、云函数与托管。资料强调其易用性背后存在安全规则、成本与数据建模等真实复杂度，适合需要快速上线并重视安全与查询设计的开发者。
isms-audit-expert
isms-audit-expert 是一个面向信息安全管理体系（ISMS）审计的专家级 AI 技能，专注于内部与外部 ISMS 审计，基于 ISO 27001 与 ISO 27002 提供审计计划管理、风险评估、控制测试、合规验证与报告能力。它覆盖技术、管理、物理与运营四类安全控制，支持漏洞评估与渗透测试协调、云安全审计、行业合规审计（如 HIPAA、PCI DSS、NIST CSF 等），以及 ISO 27001 认证审核准备与外部审核协调。该技能还包含审计员能力框架与审计程序持续优化内容，并提供脚本（audit 调度、审计准备、控制测试、合规报告）、参考文档、模板、测试工具与培训材料等资源目录。适合安全审计、合规管理与认证准备工作使用。
llm-eval-harness
LLM Eval Harness 是一个用于测试和基准评测第三方大模型接口（兼容 OpenAI 或 Anthropic 协议）的技能。它接收 base_url、模型名和存于环境变量中的 API key，围绕六个维度进行实测，而不是直接采信厂商公布的指标数据。这六个维度分别是：可用性（哪些模型 ID 真正可用）、请求保真度（system prompt、工具、多轮历史是否真正到达模型）、速度（TTFT 与持续解码 tok/s，能识别思维链）、并发稳定性（成功率与 p50/p90 延迟）、协议合规性（Anthropic thinking block 的生成与历史回放两个独立检查）、以及质量/用例回归（配合盲评裁判）。每个维度都有对应的探测脚本，均通过 --key-env 传入密钥名而非明文，避免密钥泄露到命令历史或报告中。用户自己的用例库、模型清单和密钥应存放在技能目录之外（如 ~/.llm-eval/）。该工具适用于接入新模型或网关前的验证、排查 system prompt 未被接收、验证速度与并发承载能力、确认 Anthropic 兼容端点真实兼容性、以及换模型时的质量回归等场景。
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。
tailwindcss-fundamentals-v4
该资料介绍 Tailwind CSS v4.0 的基础知识，覆盖从 v3 到 v4 的主要变化、安装方式、CSS 优先配置、自定义工具类与变体、插件加载、常用核心工具类以及 2025/2026 的最佳实践。资料说明 v4.0 于 2025 年 1 月 22 日发布，采用 Rust 引擎，配置方式从 JavaScript 的 tailwind.config.js 转为 CSS 优先的 @theme 指令，颜色格式改用 OKLCH，插件与自定义工具类分别使用 @plugin 和 @utility 指令，PostCSS 导入、Autoprefixer 与 CSS 嵌套均内置，内容检测自动化。安装部分给出 Vite 项目的 npm install -D tailwindcss @tailwindcss/vite 及 PostCSS 项目的 npm install -D tailwindcss @tailwindcss/postcss 命令，并说明 CSS 入口仅需 @import "tailwindcss"。资料还涵盖主题变量分类、禁用默认值、自定义变体、前缀用法、CSS 变量替代 theme()、任意值与 important 修饰符、内置特性、最佳实践以及常见迁移问题等内容，属于前端样式与建站相关技术资料。
sw-story-structure
这是一个面向编剧的故事结构技能，合并了六种结构体系：悉德·菲尔德的范式与情节点、布莱克·斯奈德的《救猫咪》十五节拍与演示板、罗伯特·麦基的结构层级与故事三角、霍克斯特的九节拍与A/B故事、尼尔·希克斯的三幕吸引力/预期/满意与十要素、陆军的起承转合与中国小戏结构手法。它提供从一句话故事、定类型、填十要素、先定结尾与情节点、BS2一页纸、演示板卡片、步骤大纲到处理台本与剧本的完整工作流程，并附结构诊断清单。适用于电影剧本、舞台剧、小戏与独幕剧的结构设计与诊断。
underdog-unit
Underdog Unit 是一个叙事公式技能，帮助写作者创作“机构弃儿团队”类型的故事：一群被机构边缘化的人，在资源极度匮乏的情况下，被指派去完成几乎不可能的任务。该技能围绕“弃儿 + 不可能的任务 + 严苛限制 = 叙事张力”这一核心公式展开，提供任务类型、资源限制、团队原型、机构动态、公式变体、升级模式、命名惯例、常见陷阱与快速模板等结构化素材。它适用于需要塑造敌对机构中的团队动态、以弱胜强（大卫对歌利亚）情节的写作场景。技能还包含输出持久化、验证、跨会话学习与上下文管理等执行说明。
profile-website-bot-detection
该技能用于分析目标网站的机器人检测（Bot Detection）供应商、具体产品与挑战类型，并支持在 stealth（隐身）与非 stealth 浏览器模式之间进行对比分析。它通过 Kernel 浏览器创建两种会话，在控制网络路径的前提下访问目标站点，自动分析首页与登录页，识别 Akamai、Cloudflare、DataDome、HUMAN/PerimeterX、Imperva、Kasada、Google reCAPTCHA、hCaptcha、FingerprintJS、Arkose Labs 等供应商及其产品，并输出 JSON 报告与页面截图。适用于需要评估网站反爬机制、比较隐身浏览器有效性或排查被拦截原因的场景。使用前需安装并认证 Kernel CLI，准备 Bash、Node.js 22+ 与 jq，并设置 KERNEL_API_KEY。
linkfox-junglescout-keyword-by-keyword
Jungle Scout 关键词拓展技能（Keyword by Keyword）用于从一个种子关键词出发，批量挖掘相关关键词并给出竞争指标数据。输入单个种子词和亚马逊站点（默认美国站），即可返回关键词列表及精确搜索量、广泛搜索量、月度与季度趋势、主类目、相关性评分、排名难度、自然商品数、广告商品数、PPC 精确/广泛建议出价、品牌广告建议出价等字段。支持美国、英国、德国、印度、加拿大、法国、意大利、西班牙、墨西哥、日本共 10 个亚马逊站点。典型用途包括关键词拓展与发现、长尾词挖掘（可通过 minWordCount 筛选 3 词及以上）、PPC 竞价研究、低竞争关键词筛选以及增长趋势判断。可通过 API 端点或 Python 脚本调用，结果自动落盘为 JSON 文件；同一会话同一参数默认只调用一次。该技能按查询页数动态消耗算力，可能一次性消耗较多，需用户确认后再继续。
linkfox-sif-asin-summary
该技能用于查询和分析亚马逊 ASIN 级别的流量来源数据，基于 SIF（搜索情报框架）展示商品在自然搜索、SP 广告、品牌广告、视频广告、Amazon's Choice、编辑推荐、Top Rated 等渠道的曝光得分与关键词数量分布，并支持本期/上期/新进/退出关键词的周期对比。适用于竞品流量结构分析、自然流量与付费流量占比判断、广告渠道识别等场景，支持 13 个站点，单次最多查询 10 个 ASIN。
linkfox-zhihuiya-simple-bibliography
该技能用于从智慧芽（Zhihuiya）专利数据库查询专利简要著录（书目）数据，返回结构化元数据。用户可通过专利 ID（patentId）或公开号（patentNumber）检索，单次最多 100 条。返回字段包括标题、摘要、申请人、发明人、专利权人、IPC/CPC 分类号、申请日、公开日、优先权、引用文献等。支持 API 端点调用与 Python 脚本调用，脚本默认将完整响应落盘并输出摘要，带 24 小时本地缓存。适用于专利基本信息获取、发明人/申请人查询、分类号查询、摘要与引用查询等场景。不返回全文权利要求、法律状态或专利族信息。
bro
bro 是一个用于把上一条助手回复或用户粘贴的任意文本重新解释得更简单的技能。当回复过于密集、术语过多或过于正式时，可用 /bro 让内容变得易懂。