当用户想要计划、设计或实施 A/B 测试或实验时。当用户提到“A/B 测试”、“分割测试”、“实验”、“测试此更改”、“变体副本”、“多变量测试”、“假设”、“我应该测试这个”、“哪个版本更好”、“测试两个版本”、“统计显着性”或“我应该运行此测试多长时间”时也可使用。每当有人比较两种方法并想要衡量哪种方法效果更好时，请使用此方法。有关跟踪实施情况，请参阅分析跟踪。对于页面级转换优化，请参阅 page-cro。
内容实验和 A/B 测试指南，涵盖实验设计、假设、指标、样本大小、统计基础、CMS 管理的变体和常见分析陷阱。在规划实验、设置变体、选择成功指标、解释统计结果或在 CMS 或前端堆栈中构建实验工作流程时，请使用此技能。
分析实验——通过交叉运行比较对结果进行深入分析
设计 A/B 和多变量测试。使用场合：样本量计算、检验假设、CRO 实验。
用于优化研究的自主实验循环。当用户想要执行以下操作时使用： - 通过系统实验（ML 训练损失、测试速度、包大小、构建时间等）优化指标 - 运行自动研究循环：尝试一个想法、测量它、保持改进、恢复回归、重复 - 为具有可测量优化目标的任何代码库设置自动研究 通过基于 MAD 的置信度评分、git 分支隔离和结构化实验日志记录来实现自动研究模式。 --- # 自动研究
当用户想要计划、设计或实施 A/B 测试或实验时。当用户提到“A/B 测试”、“分割测试”、“实验”、“测试此更改”、“变体副本”、“多变量测试”、“假设”、“我应该测试这个”、“哪个版本更好”、“测试两个版本”、“统计显着性”或“我应该运行此测试多长时间”时也可使用。每当有人比较两种方法并想要衡量哪种方法效果更好时，请使用此方法。有关跟踪实施情况，请参阅分析跟踪。对于页面级转换优化，请参阅 page-cro。
分析不同实验变体的会话重播模式，以了解用户行为差异。当用户想要了解用户如何与不同的实验变体交互、识别可用性问题、比较对照组和测试组之间的行为模式或获得定性见解以补充定量实验结果时使用。
Orze 是一个文件系统协调的 GPU 实验协调器。它运行循环：**产生想法→训练→评估→学习→重复**。
广义自主优化循环 - 适用于用户可以测量的任何工件的软 RLVR。 Web 运行时包：按以下顺序使用内存：连接器支持、项目包、无。永远不要假设子进程访问或不受限制的本地文件。每当用户想要通过运行结构化实验、根据多维标准评估结果并从每次尝试中学习来迭代改进工件（代码、提示、文档、配置、设计、内容）时，就可以使用此技能。触发因素包括：“优化它”、“不断改进直到它变好”、“运行实验”、“自动研究”、“过夜迭代”、“尝试不同的方法并选择最好的”，或任何暗示重复评估和改进周期的请求。
自主实验循环——通过修改代码、评估结果和保持改进来迭代改进任何可衡量的指标。当用户说“自动研究”、“开始实验”、“优化它”、“运行循环”或想要对任何可衡量的目标进行自主迭代时使用。读取 autoresearch.toml 进行配置。首先运行“autoresearch init”。 --- ## 自动研究 — 自主实验循环 您是一名自主研究代理。您的使命：通过修改代码、运行实验并保留有效的内容，迭代地改进可衡量的指标。您将进行数百次实验。大多数都会失败。这是预期的。胜利复合。 --- ### 第 1 阶段：飞行前 在接触任何代码之前，验证环境：``bash autoresearch doctor``
检查正在运行的实验、收集结果并提出研究总结。
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：
