unpolish-ai-writing
Unpolish 是一个用于去除 AI 生成写作痕迹的 Agent 技能,包含两个功能:deslop(剥离 AI 写作特征)和 imperfections(按概率分布稀疏地加入打字错误)。默认只执行 deslop,仅在用户明确要求时才加入 imperfections。该技能会扫描助手残留用语、虚假深刻表达和机器化节奏三类问题,并按替换词表修正,随后进行二次审查,最后输出审计、改写和变更说明。
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
245,575 个结果
Unpolish 是一个用于去除 AI 生成写作痕迹的 Agent 技能,包含两个功能:deslop(剥离 AI 写作特征)和 imperfections(按概率分布稀疏地加入打字错误)。默认只执行 deslop,仅在用户明确要求时才加入 imperfections。该技能会扫描助手残留用语、虚假深刻表达和机器化节奏三类问题,并按替换词表修正,随后进行二次审查,最后输出审计、改写和变更说明。
explain-code 是一个用于详细解释代码工作原理的技能,适合理解陌生代码、复杂逻辑或系统架构。它强调先读代码再解释,区分事实与推断,并按用途、流程、依赖、副作用和注意事项等结构输出说明。
ds-plan-loop 是一个面向编码任务的规划与执行技能:先写出带验收检查的分步计划,再以全新视角审查一次并修订,然后逐步执行、逐步验证。它强调先读文件和命令再规划,每步只做一个动作并配一个可由命令或直接观察确认的验收条件,把计划写入 PLAN.md 或 PROGRESS.md 供后续步骤和新会话读取。适用于需要可验证推进的多步骤开发任务。
面向销售场景的账户分级技能:按 ICP 匹配度与互动度两个维度为账户打分(各 0-10),分为 A/B/C 及低优先级,并给出每层的推荐动作,用于确定时间投入的优先顺序。
crm-autopilot 是一个让 CRM 保持最新的技能:无需手动打开 CRM,即可从邮件、日历和通话记录创建/更新联系人与商机、记录活动、草拟跟进并做数据清理。支持 HubSpot、Monday.com、Salesforce、Zoho CRM,也可用表格或 Notion 搭建轻量 CRM。
按设定节奏自动交付定制周期报表包:先由 report-builder 运行已保存的报表定义,再用 business-pulse 补充业务背景,最后合并成一份简报连同工作簿发送,并可一次性设定每周等固定排期。
用于审计并安全清理 macOS 上 Xcode 相关开发者存储的智能体技能,处理磁盘空间不足、DerivedData、模拟器等占用问题。先只读审计,再按用户明确批准的具体条目清理,默认移入废纸篓。
这是一个面向竞态条件(Race Condition)漏洞的狩猎技能(Hunting Skill),由 elementalsouls/claude-bughunter 维护(slug: hunt-race-condition)。该技能从 12 份公开漏洞赏金报告中构建,并涵盖现代 HTTP/2 单包攻击(single-packet attack)案例。它聚焦于利用并行/同步发送请求的方式,突破金融、访问控制与完整性假设——例如优惠券/礼品卡重复兑换、投票操纵、账户配额绕过、权限提升、删除窗口期数据窃取以及支付多次履约等。技能提供两种攻击形态:同一请求的 N 份相同副本并发(限制溢出)与一组不同请求同步窗口触发(部分构造 / TOCTOU)。内容包括目标 URL 与响应头信号、代码 grep 模式、技术栈特征、逐步狩猎方法论、Turbo Intruder / curl / Python asyncio 示例、常见根因、防御绕过思路、Gate 0 验证清单以及真实披露案例引用。分类为安全与审计。
调查研究是一种在判断、决策或给出建议之前先用第一手材料弄清现状的方法技能(Skill)。它强调「没有调查,没有发言权」,核心是先核实事实再下结论,产出「事实 / 推断 / 未知」三栏调查结论。适用于上下文不完整、证据薄弱、领域陌生、用户明确表示「先别动手」,或发现自己凭印象作答的场景;已完成调查进入执行阶段时不再重复触发。技能内置操作规程(写调查目的、列四方面提纲、接触第一手材料、边查边记、输出结论、以事实修正判断),并提供输出模板与纪律要求,如未知栏关系到结论时不得下定论、调查设定预算等,还可与矛盾分析、实践认知等环节交接或派遣子 agent 并行调查。
Eve Horizon 系统文档的公开精简索引技能,用于在无法访问私有文档时快速查阅 CLI/API、manifest、流水线、作业、密钥、智能体等主题,并按任务路由到最小参考文件集。
该技能用于在 Micronaut 框架中应用编程式 JDBC 模式,涵盖连接池 DataSource 注入、参数化 SQL、事务注解、批处理与结果集流式处理等。它提供安全 SQL 与清晰事务的实践规则,并附带正反代码示例,帮助审查和改进 Micronaut 项目中的 JDBC 或 SQL 数据访问代码。
video-understand 是一个多提供商视频理解与转写工具,支持自动回退与模型选择,可处理 YouTube 链接、视频 URL 或本地文件,输出统一 JSON。
sw-workflow 是编剧技能集的项目主线调度元技能,本身不提供新编剧知识,只负责安排各阶段调用哪个 sw-* 技能、交付什么、何时算过关,并把每阶段结论写入 story-bible.md 以便跨会话续写。
该技能是 Neovim 配置指南,介绍一套基于 lazy.nvim 的模块化、性能优化型 Lua 配置。涵盖 82 个插件的分类、加载策略、LSP 配置、键位、调试与性能优化等,供在配置插件、键位和调试时参考。
用于指导编写 OpenAI Triton GPU 内核的技能:涵盖 @triton.jit 装饰器、tl.load/tl.store 掩码、原子操作、constexpr 共享内存、autotune 调优、triton.testing 基准测试、PyTorch 集成与 barrier 调试。
用于在开始处理 Linear 工单时抓取并分析该 Issue 及其全部相关上下文,包括描述、评论、附件、关联 Issue、GitHub PR/Notion 文档等,并评估修复工作量。需连接 Linear MCP,且依赖 gh CLI 等外部工具。
该技能用于向已有的 AI 工作流中添加来自 GitHub 的新技能,并同步更新所有相关文档。它通过 skill-downloader 脚本从 GitHub 仓库下载指定路径的技能,然后读取下载的 SKILL.md 以理解技能名称、描述、所属类别及其在工作流管线中的位置。随后更新 skill-source.json 记录技能来源,并同步修改工作流 README、README_cn、AGENTS.md、网站文档以及根目录 README 中的技能数量、技能表格和管线说明。适用于需要扩展工作流技能集合并保持文档一致性的场景。
Nylas CLI 是一个在终端中管理邮件、日历、联系人和 Notetaker 的命令行工具,支持 Google、Microsoft、IMAP 以及会议机器人工作流。它提供安装与初始化、认证与授权管理、邮件读写与搜索、日历事件与可用性查询、联系人管理、面向 AI 智能体的托管邮箱账户、Webhook 管理、MCP 与 AI 配置、会议机器人以及从邮件中获取 2FA 验证码等能力。适合需要通过命令行或自动化脚本操作邮箱与日程、为 AI 智能体配置邮件身份、或集成 MCP 到 Claude Desktop、Cursor 等助手的开发者与团队。
few-shot-patterns 是一套关于少样本提示(few-shot prompting)的设计方法,讲解如何通过输入输出示例引导 AI 行为,涵盖示例为何有效、示例设计原则、示例数量选择、常见反模式及设计产物。
面向 Java 21+ 与 Spring 生态的专家级开发技能,覆盖 Spring Boot、Maven/Gradle 与企业级最佳实践,在用户提到 JVM、Spring、Maven 等场景时使用,帮助编写整洁、可维护的 Java 代码。
面向企业 AI 图像生成的品牌治理技能:以 brand.md 作为策略即代码,在提示词、生成、输出三个环节校验,违规升级人工审批并全程审计留痕,适用于受监管行业与多团队共用品牌体系的场景。
面向游戏开发的核心玩法机制实现技能,涵盖战斗状态机、反馈循环、资源经济、成长曲线、移动手感与平衡迭代,用于实现系统交互并优化玩家体验。
面向代码仓库的 Agent-First 工程脚手架技能,通过 AGENTS.md、docs/、架构域规范、规则强制与质量评分等分层产物,让 AI 编码智能体在仓库内直接获得知识、边界与规则。
tldr 是一个用于任务收尾汇报的技能,要求把已完成的任务以“结果”而非“过程记录”的形式呈现给用户。它规定汇报应使用 ASD-STE100 简化技术英语,一词一义、主动语态、短句、不用习语;篇幅随任务大小调整,小任务两三行即可,回复绝不超过结果本身所需长度。汇报需以结果开头,说明任务产出或决定,保留关键路径、命令、名称和错误字符串,并链接提交、PR 和文件;对令牌、密钥、密码、连接字符串等敏感信息必须用占位符替换,绝不复制原文。结尾说明当前需要用户做什么,任务完成则写“nothing”。当结果属于新结构(如文件树、调用树、部件间流程或布局)时,可添加至多一个小型可视化,单个新增或移动文件只用文字路径表示。该技能还要求省略工具调用过程,不重复用户已能看到的 diff 和输出,不编造进度,不解释推理或方法合理性。当用户询问自上次消息以来发生了什么时,按 catch-up.md 的回复顺序和图片规则执行,其规则在首行、末行和视觉呈现上替代上述规则,其余规则仍然适用。该技能仅适用于本次回复,不会成为会话的标准语域,被省略的推理仍应写入 ADR 和规格文档。