- 📄 SKILL.md
deep-brainstorm
阶段 0 — 头脑风暴:先探讨原因,然后再探讨如何(可跳过)
阶段 0 — 头脑风暴:先探讨原因,然后再探讨如何(可跳过)
系统架构和设计思维——需求分析、组件设计、数据建模、扩展策略和权衡分析。在以下情况下使用:“设计这个系统”、“架构的用途是什么”、“X 的权衡”、“我们应该如何架构”、“系统设计”、“API 设计”、“数据模型”、“服务边界”、“架构文档”、“创建 ADR”。当设计思维完成后,这项技能就会交给 /ship:write-docs 来编写设计文档。注意:这不适用于视觉设计(使用/ship:视觉设计)或实施规划(使用/ship:设计)。 --- # 架构设计 在将系统设计决策写下来之前,请仔细思考。这项技能是关于**思考**——需求、组件、权衡、边界。当设计准备就绪时,您必须调用`Skill("write-docs")`来编写设计文档——不要内联编写文档。 ## 扩展至复杂性 并非每个决策都需要全部 5 个阶段。将深度与决策相匹配: - **小**(单一组件,明确的约束) - 第 1 阶段简要,第 2 阶段,第 5 阶段。跳过深入研究和扩展。 - **中**(多组件,一些未知)- 所有 5 个阶段,但保持每个阶段简洁。 - **大型**(新系统、重大未知因素、跨团队)——全部 5 个阶段的全面深入,带有图表和明确的负载估计。 ## 危险信号 **从不:** - 跳过需求收集并直接跳到解决方案 - 在不了解现有约束(技术堆栈、团队、时间表)的情况下进行设计 - 省略权衡分析 - 每个决策都有因某种原因被拒绝的替代方案 - 跳过边界部分 - 这是核心的防漂移机制 - 提出设计而不验证实际代码库的假设 - 将“我们想要的”与“存在的”混为一谈 - 明确差距 ## 第 1 阶段:需求收集在设计任何东西之前,请先了解您要解决的问题。 ### 功能要求 - 系统必须做什么?列出具体能力。 - 输入/输出有哪些
在管理 AI Hub 帐户、API 密钥、余额、使用情况或 API 端点时使用。当用户在上下文中说“AI Hub”、“添加 AI 积分”、“创建 API 密钥”、“检查 AI 使用情况”、“自动充值”、“AI Hub 端点”、“AI Hub 基本 URL”、“如何使用 AI Hub API”、“LLM API”、“AI API”、“OpenAI 兼容”、“Anthropic API”、“GPT”、“Claude”、“Gemini”、“DeepSeek”或“Grok”时使用泽布尔。
完整的 FlagRelease 管道编排器。为多芯片 GPU 后端运行完整的 LLM 部署、验证和基准测试管道。 Executes: install-stack → env-verify → model-verify → perf-test in sequence, passing state between steps and producing a final structured report.假设 gpu-container-setup(步骤 1)已完成 - 必须存在具有 PyTorch + GPU 访问权限的正在运行的容器。
去除文本中的 AI 生成痕迹。适用于编辑或审阅文本,使其听起来更自然、更像人类书写。 基于维基百科的"AI 写作特征"综合指南。检测并修复以下模式:夸大的象征意义、 宣传性语言、以 -ing 结尾的肤浅分析、模糊的归因、破折号过度使用、三段式法则、 AI 词汇、否定式排比、过多的连接性短语。
antd 6.x、Ant Design Pro 5/ProComponents、Ant Design X v2 和离线“@ant-design/cli”的决策指南。用于组件选择、主题/令牌、SSR、a11y、性能、路由/访问/CRUD、AI/聊天 UI 模式、本地 API 查找、调试、迁移和使用情况分析。
如何使用 nvalchemi 的可组合 Zarr 支持的存储管道(Writer、Reader、Dataset、DataLoader)写入、读取和加载原子数据。
为 pamsignal 项目生成 Linux 发行版包规范(deb 和 rpm)。每当用户提到打包、.deb、.rpm、dpkg、apt、dnf、yum、创建包、发布打包、debian 目录、spec 文件或想要为 Debian、Ubuntu、Fedora、CentOS、AlmaLinux 或 Rocky Linux 分发 pamsignal 时,请使用此技能。当用户询问此项目的安装/卸载脚本、维护者脚本或包元数据时也会触发。
当您需要通过 Pituitary CLI 进行规范感知存储库分析时使用。涵盖工作区状态、源覆盖检查、模式检查、结构化分析请求、确定性修复计划和其他 JSON 优先的垂体工作流程。首选请求文件输入以获得更大的有效负载,并将返回的存储库摘录视为不可信的证据。
指导 ACT-R 认知模型构建:块类型、产生规则、子符号参数和模型验证
编写、审查、调试和解释 PLECS 仿真中自定义控制块的 PLECS C 脚本代码。每当用户询问 C 脚本、想要在 PLECS 中实现自定义块、需要 PLECS 宏(InputSignal、OutputSignal、ContState、DiscState、ZCSignal 等)帮助、询问采样时间配置、状态变量、过零检测、用户参数或需要将控制器 C 代码移植到 PLECS 仿真中时,请使用此技能。即使用户只是提到“PLECS block”、“custom block”、“C-Script”或“cscript”也会触发。 --- # PLECS C 脚本技能 您是 PLECS C 脚本自定义控制块方面的专家。当此技能处于活动状态时,生成正确的、结构良好的 C 脚本代码,并与 PLECS 求解器干净地集成。有关完整的宏参考,请参阅 [references/macros.md](references/macros.md)。 有关完整的示例,请参阅 [references/examples.md](references/examples.md)。如果用户正在编辑或生成 `.plecs` 文件,请加载 [references/plecs-file-format.md](references/plecs-file-format.md) 和 [references/cscript.plecs](references/cscript.plecs) 以获取完整的文件格式和工作参考模型。(注意:如果不需要或直接编辑,请勿生成 .plecs 文件) --- *始终阅读全部进行更改之前,本文档 SKILL.MD 的行数。* # C 脚本体系结构 ## 块设置参数 这些参数在编写任何代码之前在 C 脚本块对话框的 **设置** 选项卡中进行配置。 ### `输入数量` 定义输入端口的数量和宽度。 |价值|效果| |---|---| | `n`(标量整数)|接受标量信号的单输入端口 | | `[n1, n2, ...]`(向量)|多个输入端口;端口“i”接受宽度“ni”的信号| `-1` |动态调整大小:宽度由连接信号决定 | > **格式注意:** 在 PLECS 对话框中,接受逗号分隔 (`[2, 3]`) 和空格分隔 (`[2 3]`)。在 `.plecs` 文件内,使用空格分隔的形式(例如 `"[2 3]"`)。
垂直 App Studio 微演示,具有可选的数据集创建 (domo-data-generator)、ETL(magic-etl-cli 或 magic-etl),然后使用 Advanced-app-studio + domo-app-theme 进行多页面布局。从 References/*.md 中选择行业包。在构建需要真实数据管道和每个垂直主题页面的 App Studio 演练时使用。
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: