flows-app-review
面向 React/TypeScript CDF 代码库的 Flows 应用平台审查技能，依据 cognitedata/dune-app-reviews 评分标准执行完整审查并生成三份产物，支持本地开发者审查与复核。
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
全部 Skills
245,583 个结果
darkmatter-ts-toolchain
darkmatter-ts-toolchain 是 darkmatter 组织内部的 TypeScript 仓库工具链契约，用于统一 platform、nixmac-web 等 TS 仓库的技术栈约定。它以 darkmatter/template 目录作为参考 monorepo，要求新仓库向该模板对齐，避免使用 npm、jest、wrangler、D1 等熟悉默认值而形成第二套约定。核心内容包括：使用 Bun 进行包管理与脚本运行（bun install、bun run、bun x）；工具与 CI 脚本使用 TypeScript 而非 bash；monorepo 采用 Turbo + workspaces，共享依赖版本放在根 workspaces.catalog；默认技术栈涉及 Effect 4、effect-orpc、Postgres 优先数据层、tsgo、Vitest、oxlint/oxfmt、Alchemy 部署与 changesets 发布；验证顺序为 typecheck、test、lint、fmt:check。
databricks-iceberg
介绍在 Databricks 上使用 Apache Iceberg 的技能，涵盖托管型 Iceberg 表、外部 Iceberg 读取（原 UniForm）、兼容模式、Iceberg REST Catalog（IRC）以及 Iceberg v3 等用法。内容说明各类 Iceberg 方案的适用场景、创建与管理表的 DDL、读写能力矩阵、对外部引擎（PyIceberg、OSS Spark、EMR、Flink、Kafka Connect、Snowflake）的互操作方式，并列出关键规则与常见问题。
neurokit2
NeuroKit2 是一个用于处理和分析生理信号（生物信号）的 Python 工具包，可处理心电、脑电、皮电、呼吸、光电容积脉搏波、肌电和眼电等信号，适用于心理生理学研究、临床应用与人机交互研究。
openrlhf-training
OpenRLHF 是一个基于 Ray 的高性能 RLHF（基于人类反馈的强化学习）训练框架，通过 vLLM 推理加速针对分布式训练进行优化，构建在 Ray、vLLM 和 ZeRO-3 之上。它支持在 7B 至 70B+ 的大模型上进行 PPO、GRPO、RLOO、DPO 等强化学习训练，适用于拥有多节点 GPU 集群的场景。框架集成了参考模型、奖励模型、评论者模型和 Actor 模型的分布式部署能力，并提供 Hybrid Engine 机制以最小化 GPU 空闲时间，据资料描述其性能可达 DeepSpeedChat 的 2 倍。安装方式为 pip install openrlhf[vllm]，并提供了从 SFT、奖励模型训练到 PPO/GRPO/DPO 训练的完整工作流示例。
sparse-autoencoder-training
SAELens 是用于训练与分析稀疏自编码器（Sparse Autoencoders, SAEs）的主要 Python 库，面向机械可解释性研究。其核心思路来自 Anthropic 的 monosemanticity 研究：神经网络中单个神经元往往具有多义性（polysemantic），因为模型使用叠加（superposition）来表示比神经元数量更多的特征。SAE 通过稀疏瓶颈将稠密激活分解为稀疏、可解释的特征，从而缓解这一问题。该技能提供加载与分析预训练 SAE、训练自定义 SAE，以及特征分析与特征引导（steering）的完整工作流，包含基于 TransformerLens 与 SAELens 的代码示例、关键超参数、评估指标，以及常见问题（如死特征过多、重建质量差、显存不足）的排查建议。安装方式为 pip install sae-lens，依赖 Python 3.10+ 和 transformer-lens>=2.0.0。适用于发现模型激活中的可解释特征、理解模型学到的概念、研究叠加与特征几何、执行基于特征的引导或消融，以及分析安全相关特征。
maven-dependency-audit
本技能用于审计 Maven 项目依赖，帮助识别过期版本、安全漏洞与依赖冲突。当用户提出“检查依赖”“审计依赖”“过期依赖”等需求，或在发布前、定期维护（建议每月）以及安全公告发布后，可触发使用。审计流程包括四步：检查更新、分析依赖树、安全扫描、生成报告。常用命令涵盖 mvn versions:display-dependency-updates 查找过期依赖、mvn dependency:tree 分析冲突与重复、mvn dependency:analyze 发现未声明或未使用的依赖，以及通过 OWASP Dependency-Check 插件执行 mvn dependency-check:check 进行漏洞扫描。报告会按安全、重大、次要、补丁四个级别分类更新，并依据 CVSS 分数给出优先级建议，同时列出冲突与可移除依赖。技能还提供强制指定版本、排除传递依赖等冲突解决方式，并给出保守、激进、选择性三种更新策略，以及使用静默标志和过滤参数优化输出的方法。
add-interactivity
Decentraland SDK 场景交互技能，覆盖指针事件、邻近事件、触发区域、射线检测与全局输入，并说明实体复用、碰撞体要求与距离判定等要点。
advanced-rendering
Decentraland SDK7 场景高级渲染技能，涵盖 Billboard 朝向相机、TextShape 三维文字、PBR 材质（金属/粗糙度/透明/自发光）、GltfNodeModifiers 节点级材质与阴影覆盖、VisibilityComponent 可见性控制、GLTF 碰撞掩码、贴图过滤与包裹模式及 FlatMaterial 访问器。
create-scene
用于从零搭建 Decentraland SDK7 场景项目的技能，适合在用户想要新建场景或创建项目时使用，不用于部署（部署参见 deploy-scene 技能）。它指导先通过 /init 生成官方标准配置，再按主题查找免费 3D 模型与音频素材，随后定制 scene.json、assets/scene/main.composite 与 src/index.ts，最后启动本地预览。核心约束包括：初始场景实体必须写入 composite 文件而非 TypeScript，运行在 QuickJS 沙盒中不可使用 Node.js API，异步操作用 executeTask() 配合 fetch()，模型只能用本地文件路径。
optimize-scene
Decentraland 场景性能优化技能：给出按地块数缩放的场景上限公式、移动端软/硬限制、实体复用与对象池、LOD、贴图压缩、系统节流及 AssetLoad 预加载等做法，并说明绘制调用与材质的实际计量方式。
multi-canister
面向互联网计算机（IC）的多容器（multi-canister）架构技能，讲解如何将应用拆分到多个容器以扩展存储与计算、分离关注点并独立升级，涵盖容器间异步调用、工厂模式、2MB 消息限制、有界与无界等待及常见功能与安全陷阱。
blender-asset-qa
结合脚本与视觉检查审查 Blender 网格资产，定位表面重叠、悬浮部件、法线和拓扑问题。
gstack-openclaw-retro
gstack-openclaw-retro 是一个每周工程回顾（retrospective）技能，用于分析 Git 提交历史、工作模式和代码质量指标，并支持持久化历史与趋势追踪。它具备团队感知能力：先识别运行命令的用户，再分析每位贡献者，给出针对个人的表扬与成长建议。支持默认最近 7 天、24 小时、14 天、30 天以及对比模式（当前窗口与上一等长窗口对比）。分析内容包括提交量、贡献者、PR、增删行数、测试代码占比、版本范围、活跃天数、会话检测、每小时提交分布、提交类型分布、热点文件、PR 规模分布、专注度评分、每周趋势、连续提交天数等，并将结果保存为 JSON 快照用于后续趋势对比。
claude-design-card
将任意文本、网页或 URL 生成符合 Claude/Anthropic 设计语言的 HTML 信息卡片，并通过 Playwright 截图为 PNG。支持 14 种格式，涵盖平台封面、图文内容卡、社交分享卡与长文编辑排版。
dispatching-parallel-agents
Dispatching Parallel Agents 是一项用于并行分派子智能体处理彼此独立任务的技能方法。当面对两个或以上的独立任务，且这些任务之间不存在共享状态或顺序依赖时，可以按照“每个独立问题域对应一个智能体”的原则，同时派出多个专注的智能体并发工作。它的核心思路是：不要让所有子智能体继承当前会话的上下文或历史，而是精确地为每一个智能体构建所需的指令与背景信息，从而让它们各自聚焦、提高成功率，同时也保留协调者自身的上下文。该方法常适用于多个测试文件以不同根因失败、多个子系统各自独立损坏等场景，通过并行调查来节省串行处理的时间。
doc-coauthoring
Doc Co-Authoring 是一个用于协作撰写文档的结构化工作流技能。它把文档写作拆分为三个阶段：上下文收集、精炼与结构、读者测试。在上下文收集阶段，用户提供文档类型、受众、目标、模板及项目背景等信息，助手通过澄清问题补齐理解差距；在精炼与结构阶段，逐节进行头脑风暴、筛选、起草和迭代修改，先处理未知最多的核心章节，最后处理摘要；在读者测试阶段，用无上下文的“新读者”视角检验文档是否清晰、是否存在歧义或矛盾，并据此回修。该技能适用于撰写技术规格、决策文档、提案、PRD、设计文档、RFC 等，帮助确保文档在他人阅读（包括粘贴给 AI 理解）时仍然有效。
notebooklm
NotebookLM 研究助手技能，用于在 Claude Code 中直接查询 Google NotebookLM 笔记本，获取由 Gemini 提供、基于来源并附带引用的答案。每次提问会打开新的浏览器会话，仅从用户上传的文档中检索答案，然后关闭。支持认证管理、笔记本库管理（添加、列表、搜索、激活、删除、统计）、提问接口和数据清理，所有脚本通过 run.py 包装器自动管理虚拟环境与依赖。
using-git-worktrees
这是一个用于在使用 Git Worktrees 进行功能开发时创建隔离工作区的技能。它指导 AI 代理在开始新功能开发或执行实施计划前，确保有一个独立的工作空间。核心原则是优先检测是否已在隔离环境中，若无则优先使用平台原生的 worktree 工具，最后才回退到手动使用 git worktree 命令。使用该技能时，代理需要先宣布意图，然后执行检测、创建或复用工作区、项目初始化依赖安装以及运行基线测试的完整流程。
lessie-email
Lessie Email 是一个通过 MCP 协议提供多邮箱服务商邮件管理能力的技能，支持 Gmail、Outlook 和官方邮箱。它可以发送、管理和自动化邮件，包括查看已绑定邮箱及未读数、发送邮件（支持 HTML、抄送/密送、附件、回复）、查看邮件详情与发送状态、管理会话线程、创建与更新草稿，以及创建批量邮件任务并监控投递、打开和失败统计。使用前需在 MCP 配置中添加 Lessie Email MCP 服务器，并通过 OAuth 完成授权。
gpui-component
gpui-component 是 GPUI 应用使用的 UI 组件库，配套设计与编码规范指南。涵盖按钮、输入、表格、图表等组件，强调桌面优先、语义化主题令牌与稳定 ElementId。
lynx-debug-info-remapping
该技能用于将 Lynx 主线程脚本运行时错误中的 function_id:pc_index 映射回原始源码位置。Lynx 主线程脚本会被编码为字节码，并采用外部调试信息方案，因此运行时错误信息中的行列号并非真实行列号，需要借助外部 debug-info.json 文件进行解读。当用户遇到带有 function_id:pc_index 的运行时错误信息，并同时提供 main-thread.js 与 debug-info.json 时，该技能可派上用场。其工作流程包括：向用户索取 function_id:pc_index 或完整堆栈，确认是否为主线程堆栈（后台线程堆栈无需重映射）；询问 debug-info.json 路径；对堆栈中每个 function_id:pc_index 运行重映射脚本；输出重映射后的 line:column 位置；用重映射位置替换原堆栈并展示，若可访问 main-thread.js 还会展示对应源码片段。
meteor-accounts
Meteor Accounts 是 Meteor 3 应用中用于接入身份认证的官方技能包，涵盖 accounts-base 及各类认证方式。它支持用户名密码登录（accounts-password）、社交 OAuth 登录（Google、GitHub、Facebook、Twitter、Apple、Meetup、Weibo 等）、免密码登录（accounts-passwordless）以及基于 TOTP 的双因素认证（accounts-2fa）。用户数据存储在 Meteor.users 集合中，客户端通过 resume token 与之关联。该技能提供决策流程、服务端与客户端配置示例、邮件验证与密码重置、HttpOnly Cookie 令牌存储（Meteor 3.3+）等能力，并列出常见反模式，帮助开发者正确、安全地完成认证接线。
analyzing-powershell-empire-artifacts
该技能用于检测 PowerShell Empire 后渗透框架在 Windows 事件日志中留下的痕迹，重点分析脚本块日志（4104）与模块日志（4103），识别默认启动器、Base64 载荷、已知模块调用与暂存 URL，并输出含 IOC、解码载荷、时间线、MITRE ATT&CK 映射和严重性评分的 JSON 报告。