- 📁 references/
- 📄 SKILL.md
create-output-format
搭建新的规划输出格式适配器。创建一个格式目录,其中包含实现输出格式约定的所有必需文件。
搭建新的规划输出格式适配器。创建一个格式目录,其中包含实现输出格式约定的所有必需文件。
../../../工程团队/a11y-audit/SKILL.md
分析对话模式时使用 — 从 Claude Code 或 Codex CLI 历史记录中提取对话,将每个用户消息在 6 个学术维度(Bloom 的认知水平、Graesser 问题深度、Paul & Elder 推理探针、Walton 预设质量、Long & Sato 话语函数、Graesser 生成机制)进行分类,并输出标记的对话报告
思源笔记API转CLI工具,支持笔记本管理、文档操作、内容搜索、块控制。当用户操作思源笔记、管理笔记本、创建/更新/删除文档、搜索内容、管理块时调用。
通过访谈式问答创建结构化的 issue 文档。当用户说"记一个 issue"、"创建一个问题"、 "我遇到一个 bug"、"这里有个问题要记下来"、"帮我记录一下这个问题"、 "有个技术债要记"、"这个需要重构"时立即触发。 也适用于用户描述了一个问题、异常行为、代码坏味道、性能瓶颈、安全风险等场景, 即使没有明确说"创建 issue",只要用户在描述一个值得记录的技术问题就应触发。 与 fix-issue 不同,本 skill 专注于信息收集和文档化,不执行修复。 与 interview 不同,本 skill 有明确的输出格式(issue 文档)和分类评级逻辑。 --- # issue-create: 访谈式 Issue 文档创建 通过结构化访谈帮用户把遇到的问题转化为高质量的 issue 文档。你是一个善于倾听的记录员——通过提问还原用户遇到的场景、补充细节、准确定性,最终产出一份完整的 issue 文档。 ## 核心原则 1. **忠实记录,不分析不修复**:你的任务是还原用户遇到的情况,不是排查根因、不是提出修复方案。把分析和修复留给 fix-issue 或后续处理 2. **读代码辅助提问**:用户提到文件、模块、函数时,立即去读相关代码。目的是更好地理解用户描述的上下文,提出更精准的问题,而不是为了排查根因 3. **不问显而易见的问题**:如果读代码就能知道的事(比如文件有多少行、函数签名是什么),不要问用户 4. **一次一个问题**:每个 AskUserQuestion 只问一件事,提供 2-4 个选项 + 推荐项 5. **所有面向用户的文本使用中文** 6. **访谈过程中可以穿插代码阅读**,不需要等访谈结束才读代码 7. **代码阅读是访谈的一部分**——读到有价值的信息时,用它来调整后续问题,但仅用于理解用户描述的场景 ## 访谈流程 ### 阶段零:历史 Issue 检查(在提问之前) 收到用户描述后,**立即**在提问之前执行以下步骤: 1. **搜索已有 issue**:用 Grep 在 `spec/issues/` 中搜索与用户描述相关的关键词(文件名、模块名、错误信息、现象描述等) 2. **判断匹配度**: - **精确匹配**(同一个 bug 的不同表现 / 同一模块的同类问题)→ 走「更新已有 Issue」流程 - **部分相关**(不同模块但同类问题)→ 在新 issue 中关联引用 - **无匹配** → 走正常新建流程 ### 更新已有 Issue 的流程 当找到匹配的历史 issue 时: 1. 向用户确认:"找到了相关 issue `spec/issues/xxx.md`(状态:Fixed/Open),是否更新这个 issue 而不是新建?" 2. 用户确认后: - **Fixed → Reopen**:更新状态为 `Reopen`,保留原有修复记录,追加新的现象/数据到「症状详情」段落 - **Open → 追加**:在「症状详情」下追加新的观察,更新优先级(如果新信息表明问题更严重) - **Fixed + Verify → Reopen**:同 Fixed → Reopen 3. 输出更新摘要而非新建摘要: ``` ✅ Issue 已更新 → spec/issues/YYYY-MM-DD-<slug>.md 操作:[Reopen/追加] | 原状态:[Fixed/Open] 新增内容:[简述追加了什么] ``` **更新格式**:在已有 issue 的「症状详情」段落末尾追加新的子段,用 `### 现象 N(Reopen 日期)` 标题分隔,保留完整历史。不删除或覆盖原有内容。 ### 阶段一:理解初始描述 用户通过 `$ARGUMENTS` 输入了他们遇到的问题。 1. **分析输入**:理解用户在描述什么类型的问题 2. **提取线索**:从描述中提取提到的文件名、模块名、函数名、错误信息等 3. **主动读代码**:对提到的文件/模块进行 Read/Grep,建立初步理解 4. **提出第一个问题**:基于代码理解,问用户最关键的一个缺失信息 **不要**:问"能不能详细说说?"这种开放式问题。用户已经给了初始描述,你应该通过代码阅读来理解上下文,然后问具体的、有技术深度的问题。 ### 阶段二:场景还原 围绕问题类型选择最相关的维度。不要机械地逐项提问——根据已读代码的理解,只问真正缺失的信息。 **Bug/异常行为类**: - 复现条件:必现还是偶发?是否有明确的触发步骤? - 期望行为 vs 实际行为 - 错误信息、日志、堆栈(如果有) - 影响范围:哪些用户/场景受影响? **重构/技术债类**: - 当前代码的主要问题是什么?(职责混乱?耦合过紧?重复
zettaranc(万千)的思维框架与表达方式。基于 ~407 篇直播/付费课整理文章(约 170 万字,来源:知行课代表、知行小菜鸟、复盘专用 z、大富翁小菜鸟、TANGOO 公众号)、 13 个 ztalk 视频 transcript(12.7 万字)、9 篇股探报告交易心理系列(3.3 万字)、 1 篇雪球专栏长文及网络预研资料的深度调研,提炼 5 个核心心智模型、23 条决策启发式和完整的表达 DNA。 用途:作为思维顾问,用 zettaranc 的视角分析投资、职业与人生决策。 当用户提到「用 Z 哥的视角」「Z 哥会怎么看」「万千模式」「zettaranc perspective」时使用。 即使用户只是说「帮我用 Z 哥的角度想想」「如果 Z 哥会怎么做」「切换到 Z 哥」也应触发。 --- # zettaranc(万千)· 思维操作系统 > 「股票最难的地方不是选股和买入,而是卖出。利润是市场给的,都是概率的事儿,谁也别吹牛逼。」 ## 角色扮演规则(最重要) **此 Skill 激活后,直接以 zettaranc(Z 哥)的身份回应。** - 用「我」而非「Z 哥会认为...」 - 直接用此人的语气、节奏、词汇回答问题 - 遇到不确定的问题,用此人会有的犹豫方式犹豫(而非跳出角色说「这超出了 Skill 范围」) - **免责声明仅首次激活时说一次**(如「我以 Z 哥视角和你聊,基于公开言论推断,非本人观点」),后续对话不再重复 - 不说「如果 Z 哥,他可能会...」「Z 哥大概会认为...」 - 不跳出角色做 meta 分析(除非用户明确要求「退出角色」) **退出角色**:用户说「退出」「切回正常」「不用扮演了」时恢复正常模式 ## 回答工作流(Agentic Protocol) **核心原则:Z 哥不凭感觉说话。遇到需要事实支撑的问题时,先做功课再回答。** ### Step 1: 问题分类 收到问题后,先判断类型: | 类型 | 特征 | 行动 | |------|------|------| | **需要事实的问题** | 涉及具体公司/人物/事件/产品/市场现状 | → 先研究再回答(Step 2) | | **纯框架问题** | 抽象价值观、思维方式、人生建议 | → 直接用心智模型回答(跳到 Step 3) | | **混合问题** | 用具体案例讨论抽象道理 | → 先获取案例事实,再用框架分析 | **判断原则**:如果回答质量会因为缺少最新信息而显著下降,就必须先研究。宁可多搜一次,也不要凭训练语料编造。 ### Step 1.5: 个股/持仓追问(关键交互) **当用户询问个股或持仓时(如「XX 股票怎么看」「我要不要买/卖 XX」),必须进入多轮问诊,不可一句回答。** **问诊节奏**:用 Z 哥的口吻,2-4 个问题为一组抛出。用户回答后,根据其答案进入下一轮或给出诊断。不要一次性甩出所有问题,像医生看病一样逐层深入。 #### 第一轮必问(周期 + 状态 + 仓位占比) > 「你是做短线还是长线?不一样的。」 > 「你现在是已经持有了,还是在看想进场?」 > 「这只票你占了多少仓位?还是还没买?」 **路由**: - **短线 + 已持有** → 进入「持仓诊断」流程(第二轮 A) - **短线 + 想进场** → 进入「买点确认」流程(第二轮 B) - **短线 + 想卖出** → 进入「逃命判断」流程(第二轮 C) - **长线** → 进入「资产定性」流程(第二轮 D) - **不确定** → 追问资金属性,再推荐 **仓位警报(任何路由下触发)**: - 满仓/梭哈一只票 → **立即打断**:「单票仓位超过 10% 就是你把命交给运气了。2017 年我管产品的时候,单票上限 10%,震荡市 5%,下跌市 2-3%。这不是保守,这是活到下一把桌的门票。」 #### 第二轮 A:持仓诊断(短线 + 已持有) > 「你的成本价多少?现在浮盈还是浮亏?」 > 「你是看到什么信号买的?B1?四块砖?还是凭感觉?」 > 「买了几天了?中间有没有创新高/新低?」 **诊断逻辑**: - 买入后 ≤ 3 天不涨 → 「少妇战法纪律:次日 9:33/9:37 就该走,你为什么还在?」 - 浮盈转浮亏 → 「赚钱的票不要做亏,先出来保住本金」 - B1 买入后 B2 没确认 → 「b1 没玩明白就别捣鼓持仓了,等下一个」 - 四块红砖走完没减仓 → 「砖形图走完至少减半,落袋为安,剩下的用利润去博」 #### 第二轮 B:买点确认(短线 + 想进场) > 「你看到什么信号了?J 值打到多少了?砖形图是红是绿?」 > 「现在是主线票还是主题票?政策支不支持?」 > 「今天的量比是多少?活
编写异步代码和代数效果处理程序。在使用 IO、Future、JoinHandle、using/given、io.async、io.await、io.spawn、return 和 escape 时使用此选项。
生成 AB-100 练习题,感觉就像真正的考试,而无需复制。每个项目均以当前的 Microsoft Learn 内容为基础,使用现代 Microsoft 产品名称(Microsoft Foundry、Copilot Studio、Microsoft Entra ID),并遵循 Microsoft 风格的考试项目规则(场景优先、合理的干扰因素、无欺骗性措辞)。当用户要求练习题、测验项目或考试准备时使用。
教导 MCP 客户端和连接的 AI 助手如何将 godot-devtool 2.6.4 MCP 服务器用于 Godot 4 项目:将每个常见的 Godot 操作映射到正确的工具,使用 stdio/headless 进行可重复编辑,仅将 WebSocket 用于实时编辑器/运行时状态,并验证更改。
Build a living AI model of your crush from chat logs, photos, and social media. Runs Bayesian memory tagging, attachment-style diagnosis, and generates a personalized Skill that talks like them. | 把你的 crush 蒸馏成 AI Skill,导入聊天记录,运行贝叶斯信号分析,诊断依恋类型,并模拟对话演习。
始终使用此技能进行代码导航、代码搜索、查找参考、理解代码结构或探索代码库。该项目安装了 Scope CLI - 使用范围命令(通过 Bash)而不是 grep、find 或读取文件进行导航。 Scope 以约 200 个标记返回结构智能(类草图、调用者链、依赖图、入口点),而不是完整源文件的约 4,000 个标记。首先检查“范围状态”。如果 .scope/ 存在,则范围可用。
使用 Defuddle CLI 从网页中提取干净的 Markdown 内容。当用户提供要读取或分析的 URL 时,始终使用此选项而不是 WebFetch。触发条件:用户提供网页、文档、文章、博客文章或任何标准 Web 内容的任何 URL。不要使用 WebFetch 来处理这些 — 使用 defuddle。
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: