法律事务的运营计费执行。每月账单准备和账单说明、信用证发票审核和支付处理、客户账单查询响应、现金流建模（信用证付款义务与客户收据）以及杠杆和消耗分析（人员配置、预测总成本、利润轨迹）。触发条件：“准备帐单”、“帐单指示”、“月末帐单”、“信用证发票”、“本地律师发票”、“作为支出传递”、“客户查询发票”、“帐单争议”、“现金流缺口”、“我们什么时候收到付款”、“信用证到期付款”、“杠杆分析”、“人员配置”、“预计总额”成本”、“按等级划分的燃烧率”、“我们是否步入正轨”、“这件事的成本是多少”。
将生成的冲刺片段组装成一个完整的、可构建的项目。这是“codd Implement”之后绿地管道中的最后一步。
Git 上下文控制器 (GCC) v2 — 由真实 git 支持的精益代理内存。存储哈希 + 意图 + 可选决策注释，而不是详细的降价。当可用时自动桥接到 aiyoucli 矢量内存。双模式：git 支持（精益索引.yaml）或独立（markdown 回退）。在 /gcc 命令或自然语言上触发，例如“提交此进度”、“分支尝试替代方案”、“合并结果”、“恢复上下文”。
钉钉 AI 表格（多维表格）操作。当用户提到"钉钉AI表格"、"AI表格"、"多维表格"、"工作表"、"字段"、"记录"、"新增记录"、"查询记录"、"更新记录"、"删除记录"、"新建字段"、"删除字段"、"dingtalk AI table"、"dingtalk notable"、"able文件"时使用此技能。支持工作表管理、字段管理、记录的增删改查等全部操作。
将编码任务委托给 Blackbox AI CLI 代理。具有内置判断功能的多模型代理，可通过多个 LLM 运行任务并选择最佳结果。需要 blackbox CLI 和 Blackbox AI API 密钥。
Apache Cassandra 的数据建模和架构设计。在设计表、选择分区键、建模时间序列数据或查看现有架构时使用。
管理 Omni Analytics 实例 - 通过 REST API 管理连接、用户、组、用户属性、权限、计划和架构刷新。每当有人想要管理用户或组、在仪表板或文件夹上设置权限、配置用户属性、创建或修改计划、管理数据库连接、刷新架构、设置访问控制、配置用户或“添加用户”、“授予访问权限”、“设置权限”、“谁有权访问”、“配置连接”、“刷新架构”或“安排交付”的任何变体时，请使用此技能。
带有 PostgreSQL + pgvector + OpenAI 嵌入的矢量内存引擎。存储、搜索上下文记忆并将其注入 LLM 提示中。包括 OpenClaw 的自动注入钩子和完整的备份/恢复系统。
Markster OS 的轻量级指南和路由器。用于解释系统，向用户引导完整的 Git 支持的工作区设置，并帮助他们决定是否批准完整的 Markster OS 安装。
对来自 CKAN 门户和 CSV 文件的数据集执行探索性数据分析 (EDA)。在分析数据集、检查数据质量、浏览 CSV 文件或用户要求检查、分析或验证数据时使用。
> 使用 SwiftMesh 的全面 AI 参考 — 一个 Alamofire + Codable 包装器，具有异步/等待、组合、流畅配置、文件上传/下载、JSON 键路径解析、弹性 Codable 包装器和内置日志记录。
Longbridge 平台专家，负责投资分析和开发任务。触发以下任何一项：(1) 任何语言的任何股票/市场分析请求——价格表现、投资组合建议、买入/卖出决策、市场情绪； (2) 提及的任何股票名称或股票代码（带或不带市场后缀，如.US/.HK/.SH）； （3）投资组合相关查询——“持仓”/“我的持仓”/持仓/持仓/账户余额； （4）通过CLI（`longbridge`命令）查询行情数据； (5) 使用‘longbridge’ SDK编写Python/Rust； (6)配置Longbridge MCP服务器； (7)将Longbridge文档集成到LLM/RAG中。覆盖香港、美国、中国（上海/深圳）、新加坡、加密货币市场。
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：
