- 📄 SKILL.md
build
完整的构建管道:获取 PRD,将其分解为任务,并行实现它们,并检查结果。编排prd-任务规划器→并行任务编排器→代码审查器。
完整的构建管道:获取 PRD,将其分解为任务,并行实现它们,并检查结果。编排prd-任务规划器→并行任务编排器→代码审查器。
基于控制论的多代理编排复杂任务。协调规划器→生成器→评估器→带有干净上下文子代理、每个检查点漂移预防和持续复古学习的复古管道。
通过在 localhost:19384 上运行的 Cogpit(代理窗口)HTTP API 创建和管理 Claude Code 会话。当代理需要在项目目录中生成新的 Claude Code 会话、向现有会话发送消息、停止会话、列出项目或查询活动会话时使用。触发诸如“启动会话”、“在项目 X 中运行 claude”、“向会话 Y 发送消息”、“列出 cogpit 项目”或与代理窗口服务器的任何编程交互等请求。
为新功能生成产品需求文档 (PRD)。在规划功能、启动新项目或要求创建 PRD 时使用。触发条件:创建 prd、为其编写 prd、规划此功能、需求、规范。
个人人工智能导师——生成学习路径,通过 Telegram 发送日常任务,评估进度并适应学习者。
使用基于结果的错误处理、重试和断路器模式与 trembita 构建弹性、类型安全的 HTTP 集成。 --- # Trembita 技能 使用此存储库作为代理使用“trembita”实现 HTTP 客户端的实用参考。 ## 何时使用 - 为第三方 REST API 构建 TypeScript 集成。 - 添加强大的错误处理,无需异常驱动的控制流。 - 以最小的依赖性实现重试、断路器和超时。 - 通过注入 `fetchImpl` 编写可测试的 API 代码。 ## 核心模式 1. 使用 `createTrembita()` 初始化一次并处理 init `Result`。 2. 使用 client.request() 来解析 JSON 正文响应。 3. 当需要 HTTP 元数据(“statusCode”、“body”)时,使用“client.client()”。 4. 通过检查 `result.error.kind` 缩小失败范围。 5. 通过 `createRetryingFetch` 和 `CircuitBreaker` 配置添加弹性。 ## 规范参考 - `README.md` - 快速概述和安装。 - `QUICK_START.md` - 第一次成功的最短路径。 - `LEARNING_GUIDE.md` - 概念和渐进示例。 - `EXAMPLES.md` - 生产风格模式。 - `ARCHITECTURE.md` - 请求/错误流程图。 ## Agent Guardrails - 对于请求结果,更喜欢使用“Result”处理而不是“try/catch”。 - 保持端点配置明确并经过验证。 - 首选“expectedCodes”来记录可接受的 HTTP 结果。 - 使用 `client.client()` 通过状态代码进行 404/202 分支。 - 在测试中注入`fetchImpl`;避免全局获取修补。
在编写、审查或验证 Claude Code 插件工件时使用 - 检查 frontmatter 架构、挂钩事件名称、命名约定、提示结构或参考语法。由 NLPM 评分器和检查器代理加载以进行模式验证。
设计系统组件工作流程。以 Figma 作为主要输入来规范、记录、实施、审查、规范审查和审计 DS 组件。 6 个行动:规范、文档、开发、审查、规范审查、审计。
将带有自动生成摘要的 URL 保存到知识库
当用户想要积极销毁代币时使用 - 无限循环分析、总结或繁重的数学计算。通过击败 KV 缓存、随机化提示和分派详细的子代理来最大化令牌消耗。支持时间限制、回合限制或无限燃烧直至中断。
用于分阶段实施、锁定工件、后期收据和持久内存维护的存储库工作流编排技能。在执行递归模式运行、恢复运行、锁定阶段或验证锁时使用。
基于本能的学习系统,通过钩子观察会话,通过置信度评分创建原子本能,并将其发展为技能/命令/代理。
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: