如何使用EVAS Verilog-A行为模拟器（pip包：evas-sim）。每当用户想要仿真 Verilog-A (.va) 模型、运行 Spectre (.scs) 网表、检查仿真可行性、安装 evas-sim 或读取仿真输出（tran.csv、strobe.txt）时，请使用此技能。触发诸如“模拟此”、“运行此 VA 模型”、“EVAS 可以处理此”、“evas 运行”、“evas 模拟”、“检查此是否可模拟”或任何提及 evas-sim 的短语。
将一个真实的人蒸馏为 AI Skill —— 她的声音、她的记忆、她的温度。 通过聊天记录、照片、文字叙述等原材料，构建一个完整的数字副本。
使用each::sense AI 生成3D 模型。使用 PBR 纹理从文本或图像为游戏、产品、建筑、角色、车辆等创建 3D 资产。
使用 Netlify AI Gateway 访问 AI 模型的指南。添加 AI 功能或选择/更改 AI 模型时使用。选择型号之前必须阅读。涵盖支持的提供程序（OpenAI、Anthropic、Google）、SDK 设置、环境变量和可用模型列表。
命令运行程序 `just` 的参考。在使用“justfile”的项目中工作或当用户提到“just”或“justfile”时使用。 --- Just ==== Discovery --------- - `just --dump` 打印 justfile - `just --evaluate` 打印变量值 - `just --help` 打印详细的命令行语法帮助 - `just --list` 打印带有描述的配方 - `just --show <RECIPE>` 打印配方源 - `just --summary` 打印没有描述的配方 执行 --------- - `just` 运行默认配方 - `just <RECIPE>` 运行特定配方 - `just <RECIPE> <ARG1> <ARG2` 使用参数运行配方语法 ------ ```just
以最大令牌效率创建、优化、更新和验证 AGENTS.md 文件。当用户要求 (1) 为任何存储库创建新的 AGENTS.md 文件，(2) 优化/压缩现有 AGENTS.md 以减少令牌数量，(3) 更新/刷新 AGENTS.md 以与代码库更改同步，(4) 验证 AGENTS.md 质量和完整性，或 (5) 改进 AGENTS.md 文件以使 AI 代理更有效时使用。始终生成令牌高效、精简的输出，重点关注可操作的命令和模式，同时保持与模型无关的语言。
使用 Nia AI 索引和搜索代码存储库、文档、研究论文、HuggingFace 数据集、本地文件夹、Slack 工作区、Google Drive、X (Twitter) 和软件包。包括身份验证引导、Oracle 自主研究、GitHub 实时搜索、Tracer 代理、依赖性分析、上下文共享、代码顾问、文档代理、数据提取、文件系统操作和通用连接器。
通过 ADB 自动进行 Android UI 树调试。当应用程序阻止 UI 检查或可访问性节点丢失时使用；收集 uiautomator 转储、重点窗口信息和 logcat 层次结构转储以进行分析。
个人预算和财务规划技能。在以下情况下使用：(1) 按类别或时间段分析支出模式，(2) 比较预算与实际支出，(3) 计算储蓄率，(4) 预测现金流，(5) 规划具有税务意识的财务决策。工具：用于预算/交易数据的actual-mcp，用于投资组合上下文的ghostfolio-mcp。 --- # 个人预算## 工具映射|任务| MCP 服务器 |关键工具| |------|------------|------------| |交易历史、余额、预算 |实际预算| `交易（操作=“列表”）`，`帐户（操作=“列表”）`，`预算（操作=“月”|“月”）` | |类别细分 |实际预算| `analytics（操作 =“spending_by_category”）`、`category（操作 =“groups_list”）` | |投资余额和分配|鬼影-MCP | `get_portfolio_summary`、`get_portfolio_positions` | |净资产计算|两者 |实际（现金/债务）+ Ghostfolio（投资）| ## 支出分析 ### 类别细分 1. 使用带有日期范围过滤器的“transaction(operation="list")` 提取目标期间的交易 2. 按类别分组 — 报告绝对金额和占总支出的百分比 3. 标记超出预算分配的类别 4. 将结果显示为排名表：类别|预算|实际 |方差|占总数的百分比 ### 月度趋势 1. 提取 3-6 个月的交易数据 2. 计算每个类别的每月总计 3. 计算每月变化（绝对值和百分比） 4. 标记持续增长的类别（连续 3 个月以上增长） 5. 区分经常性/固定费用（租金、保险、订阅）和可变费用（杂货、餐饮、娱乐） ### 异常检测 - 标记单个交易 >类别平均交易规模的 2 倍 - 标记当月支出超过过去 3 个月平均支出 > 25% 的类别 - 标记前几个月未见过的新收款人（潜在的新订阅）## 预算与实际差异分析
运行竞争分析——深入分析、景观分析、综合分析或监控。
升腾（Ascend）推理生态开源代码仓库智能问答专家旨在为 vLLM、vLLM-Ascend、MindIE-LLM、MindIE-SD、MindIE-Motor、MindIE-PyMotor、MindIE-Turbo 以及 msModelSlim (MindStudio-ModelSlim) 等仓库提供专家级且易于理解的解释。在处理升腾（Ascend）推理生态相关项目的用户询问时，务必触发此技能（Skill），可解答使用方法、部署流程、支持模型、支持特性、系统架构、配置管理、调试、测试、故障排查、性能优化、定制开发、源码解析以及其他技术问题。支持中英文双语回复，并可借助 deepwiki MCP 工具检索仓库知识库，生成具备上下文感知且基于证据的回答。 Ascend inference ecosystem open-source code repository intelligent question-and-answer (Q&A) expert. Provide expert-level yet comprehensible explanations for repositories such as vLLM, vLLM-Ascend, MindIE-LLM, MindIE-SD, MindIE-Motor, MindIE-PyMotor, MindIE-Turbo, and msModelSlim (MindStudio-ModelSlim). 在解决与这些升腾推理生态系统项目相关的用户询问时，请使用此技能，包括使用、部署过程、支持的模型、支持的功能、系统架构、配置管理、调试、测试、故障排除、性能优化、定制开发、源代码分析以及有关这些项目的任何其他技术问题等主题。支持中英文回复。使用 deepwiki MCP 工具查询存储库知识库并生成上下文感知、基于证据的响应。
分析、机器学习或质量保证。涵盖ETL、仓储、
skill-sample/ ├─ SKILL.md ⭐ 必备：技能说明入口：用途 / 安装 / 用法 / 示例 / 依赖 ├─ manifest.sample.json ⭐ 推荐：机器可读元信息：用于索引 / 校验 / 自动填表 ├─ LICENSE.sample ⭐ 推荐：授权与使用范围：开源 / 限制 / 商用说明 ├─ scripts/ │ └─ example-run.py ✅ 可运行示例脚本：让用户导入后立刻验证“能用” ├─ assets/ │ ├─ example-formatting-guide.md 🧩 输出规范：统一排版 / 结构 / 风格 │ └─ example-template.tex 🧩 模板资源：报告/文档模板，快速生成标准产物 └─ references/ 🧩 参考资料库：方法论 / 结构指南 / 最佳实践 ├─ example-ref-structure.md 🧩 结构参考：章节框架 / 目录组织 ├─ example-ref-analysis.md 🧩 分析参考：常用套路 / 指标口径 └─ example-ref-visuals.md 🧩 视觉参考：图表规范 / 可视化建议
更多 Agent Skills 规范 详见Anthropic官方文档：https://agentskills.io/home
├─ ⭐ 必备：YAML Frontmatter（必须存在，放在文件最顶部） │ ├─ ⭐ name ：技能唯一名；须符合命名规则，并建议与目录名一致 │ └─ ⭐ description ：技能描述；建议包含触发关键词（便于检索/匹配） │ ├─ ✅ 可选：Frontmatter 扩展字段（规范允许，但非强制） │ ├─ ✅ license ：许可证标识（也可配合单独 LICENSE 文件） │ ├─ ✅ compatibility ：兼容性/运行环境要求（仅在确实有限制时写） │ ├─ ✅ metadata ：任意键值对（如 author/version/source_url 等） │ └─ 🧩 allowed-tools ：允许工具白名单（规范标注为 experimental） │ └─ ✅ 推荐：Markdown 正文（自由格式，但建议按“渐进式披露”组织） ├─ ✅ Overview / Purpose ：一句话说明目标 + 不做什么（边界） ├─ ✅ When to use ：触发条件/适用场景（让模型/用户知道何时调用） ├─ ✅ Step-by-step ：步骤化流程（最好 3–6 步，保证可复现） ├─ ✅ Inputs / Outputs ：输入格式、输出格式、产物位置（文件/文本/JSON等） ├─ ✅ Examples ：至少 1 个可复制示例（越“能跑”越好） ├─ 🧩 Files & References ：引用assets/、references/、scripts/（相对路径） ├─ 🧩 Edge cases ：边界情况/限制（大文件、速率限制、失败回退） ├─ 🧩 Troubleshooting ：常见错误与解决（依赖缺失、路径不对、权限问题） └─ 🧩 Safety notes ：涉及联网/写文件/执行命令时给出提醒（建议写）
在 GitHub 和各类社区里，技能文件分散、难检索、也难判断是否可靠。SkillWink 把开源技能集中整理成可搜索、可筛选、可直接下载使用的技能库，让你更快找到“正好能用”的那一个。并且支持在SkillWink上直接上传skills。
我们提供 AI 语义搜索 + 关键字检索，支持 版本更新与多维排序（下载/点赞/评论/更新），并为每个技能提供 SKILL.md 开放标准与来源信息。你还可以在详情页直接 评论讨论、交流用法与改进建议。
快速上手：
支持下载与导入 skills（.zip/.skill），本地放置后即可生效：
~/.claude/skills/（Claude Code）
~/.codex/skills/（Codex CLI）
~/.gemini/skills/（Gemini CLI）
同一份 SKILL.md 跨平台通用。
你需要了解的：技能是什么、怎么运行的、怎么找、怎么导入、怎么判断可信、怎么参与共建。
这里的“skills（技能）”是一种可复用的任务能力包，通常包含 SKILL.md 说明（用途、输入输出、使用方法）以及可选的脚本/模板/示例文件。
你可以把它理解为：给 AI 助手或工具链用的“插件说明书 + 资源包”，可被反复安装与分享。
技能系统采用“渐进式披露”策略，高效管理上下文信息，具体流程如下：
发现阶段：系统启动时，智能体仅加载各技能的名称与简要描述——信息精简，足以判断其适用场景，避免冗余加载。
激活阶段：当任务需求与某技能描述匹配时，智能体才将对应的完整 SKILL.md 说明文档动态载入上下文。
执行阶段：智能体严格遵循文档指引执行操作，并按需调用关联文件或运行内置代码模块。
核心优势：该设计使智能体始终保持轻量高效，同时具备“按需扩展上下文”的能力，既保障响应速度，又确保复杂任务拥有充分执行依据。
推荐 3 种方式组合使用：
注：以上导入方式文件大小控制在10M之内。
常见路径如下（不同系统略有差异，以你本机为准）：
同一份 SKILL.md 通常可以跨工具复用。你在 SkillWink 导入后，也可以查看“放置指引/安装说明”。
可以。很多技能本质是标准化说明 + 资源，只要目标工具支持读取该格式，就能共享使用。
比如：检索类技能 + 写作类技能 + 自动化脚本，形成“发现 → 处理 → 输出”的工作流。
一部分skills来源于公开的 GitHub 仓库。我们会筛掉低质量仓库（至少 2 星），并扫描基本质量指标，还有一部分是SkillWink平台的创作者独立上传的。作为使用者，在安装前应始终审查代码，对安全问题负责。
最常见原因是这几类：
我们会尽量避免。你可以用 排序 + 评论 让“好用的”更靠前：
