通用数字永生框架：从聊天记录、社交媒体、文档等多平台数据中蒸馏任何人的数字分身——支持自己、同事、导师、亲人、伴侣/前任、朋友、公众人物 7 种角色模板，接入国内外 12+ 数据平台。
安全地创建常规提交。防止提交到 main，验证格式、阶段和提交。
证据门 v2 — 第 0 层（预检查）+ 第 1 层（机械）+ 第 2 层（合同+Rubric）。返回通过/失败/阻止/错误。
OpenClaw 的安装、配置、操作和故障排除综合指南 — 一个自托管的多通道 AI 代理网关。当用户询问 OpenClaw 设置、配置、频道管理（WhatsApp/Telegram/Discord/Slack/iMessage/等）、模型提供程序设置、网关操作、多代理路由、安全强化、故障排除或与其本地 OpenClaw 安装相关的任何维护任务时使用。当遇到来自“openclaw”CLI 命令或网关守护程序的错误时也可使用。
当用户想要分析 Google Search Console 数据时，请使用 GSC API 或解释搜索性能。当用户提及“GSC”、“Search Console”、“索引报告”、“核心网络生命周期”、“增强功能”、“见解报告”、“搜索性能”、“搜索查询”、“搜索性能报告”、“网址检查”、“展示次数”、“点击率”、“平均排名”、“索引覆盖率”、“GSC 数据分析”、“Search Console API”或“searchanalytics.query”时也可使用。当用户想要重写标题标签（不仅仅是报告它们）时，请使用 title-tag。对于元描述重写，请使用元描述。
使用 Brev CLI 管理 GPU 和 CPU 云实例，以实现 ML 工作负载和一般计算。当用户想要创建实例、搜索 GPU 或 CPU、通过 SSH 连接到实例、打开编辑器、复制文件、端口转发、管理组织或使用云计算时使用。支持微调、强化学习、训练、推理、批处理和其他 ML/AI 工作负载。触发关键字 - brev、gpu、cpu、实例、创建实例、ssh、vram、vcpu、A100、H100、云 gpu、云 cpu、远程机器、finetune、fine-tune、RL、RLHF、训练、推理、部署模型、服务模型、批处理作业。
内容分析器 — 将任何内容（URL、文本、文字记录）转化为结构化分析报告，并提供可操作的见解。当用户要求分析、总结或从内容中提取关键要点时使用。
当用户想要浏览 arXiv 预印本、直接搜索 arXiv、通过 arXiv ID 或 URL 获取 PDF，或直接将预印本发送到摄取管道时使用。
唯一可以自行观察的记忆技能。没有数据库。没有向量。无需手动保存。只是一个法学硕士观察者，将您的对话压缩成优先笔记，在它们增长时进行整合，并恢复任何遗漏的内容。五层冗余，零维护。 ~$0.00/月（使用免费套餐模型）。虽然其他记忆技能要求你记住要记住，但这个记忆技能只是集中注意力。
进行竞争对手研究并生成具有市场定位见解的详细分析报告。涵盖功能比较、定价分析、SWOT 和战略建议。
将供应商/openclaw 更新到特定提交，通过 AI 审查重放 EasyClaw 的供应商补丁堆栈、重建、测试并确定每个补丁是否仍然属于其中。当要求升级、更新或将供应商/openclaw 固定到新版本或提交哈希时使用。
当用户想要使用高度优化的 Unsloth 库微调语言模型或执行强化学习（SFT、DPO、GRPO、ORPO、KTO、SimPO）时，应该使用此技能。涵盖环境设置、LoRA 修补、VRAM 优化、视觉/多模态微调、TTS、嵌入训练和 GGUF/vLLM/Ollama 部署。应该在涉及快速、内存高效的本地或云 GPU 训练的任务中调用，特别是当用户提到 Unsloth 或硬件限制妨碍标准训练时。
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：
