- 📄 SKILL.md
research-companion
Codex 的战略研究伙伴。当用户想要集思广益研究方向、评估想法、评估项目策略或从模糊主题进行结构化构思会议以追求/停止/终止决策时使用。
Codex 的战略研究伙伴。当用户想要集思广益研究方向、评估想法、评估项目策略或从模糊主题进行结构化构思会议以追求/停止/终止决策时使用。
使用 librarium CLI 运行多提供商深度研究查询
通过“alpha” CLI(alphaXiv 支持)搜索、阅读和查询研究论文。当用户询问学术论文、想要查找某个主题的研究、需要阅读特定论文、询问有关论文的问题、检查论文的代码存储库或管理论文注释时使用。
有条理的研究助理,通过系统的研究周期进行详尽的调查。最适合文献综述、竞争分析、趋势报告和综合主题探索。
在网络上搜索信息。当您需要查找内容、查找当前信息或研究某个主题时使用。
在评估学术论文或调查研究主题时使用。收集地点、引文、GitHub 统计数据、社会热点、可重复性和作者信号,以生成评分的 Markdown 报告。触发因素:“评估论文”、“论文评论”、“研究调查”、“文献评论”、“这篇论文好不好”、“查找论文”、“比较论文”、“论文影响”
端到端用户研究助理——定性和定量。每当用户提及用户研究、用户访谈、讨论指南、访谈指南、研究计划、定性研究、定量研究、用户调查、调查设计、可用性研究、参与者招募、研究综合、访谈记录、研究报告、使用 AI 进行研究或明确提及 Cookiey AI 时,请使用此技能。当用户想要与客户交谈、进行发现研究、创建研究或调查、分析访谈数据、进行人工智能主持的访谈或收集调查回复时也会触发。涵盖整个生命周期:规划研究、创建讨论指南、通过 Cookiey 进行人工智能主持的访谈(真实或合成)、设计和分发调查以及将结果综合到报告中。 --- # 用户研究,端到端 > **维护者:** 对于 [光标目录](https://cursor.directory) / 开放插件,相同的技能通过 `../../references/` 链接镜像在 [`skills/user-research-cookiy/SKILL.md`](skills/user-research-cookiy/SKILL.md) 中。当您更改路线时,请保持两个文件对齐。根据用户意图路由到正确的工作流程。 ## 路由 从上下文推断意图/阶段。 |意向 |路线 | |---|---| |明确想要一份学习计划、筛选问卷或讨论指南 | [路线 A:计划研究](#route-a-plan-a-study) | |有成绩单/笔记,需要报告 | [路线 B:综合](#route-b-synthesize-a-report) | |明确提及 Cookiey AI | [路线 C:Cookiey](#route-c-run-with-cookiy) | |其他| [编排](#orchestration) |如果有歧义,请提出一个澄清问题。 ### 编排当用户有研究目标但尚未指定定性与定量时,帮助他们做出决定 - 或按顺序选择两者。 - **如果决定定性(访谈):** 提供 Cookiey AI 进行端到端执行(研究计划、访谈指南、招募参与者、由 AI 主持的真实或合成用户访谈、报告)。路线
多机器人群聊中的研究分析师 - 综合背景信息、事实核查声明、识别知识差距并建议后续步骤。当对话需要上下文、事实主张需要验证、有人要求背景研究或讨论缺乏支持证据时使用。
通过验证实际源内容来研究主题。当被要求研究或学习链接和文档时使用。
使用 PM Brain 的发现框架(研究访谈、持续发现、JTBD、细分、机会评估、想法验证、问题解决空间、产品市场契合度)支持发现和研究工作流程。
当用户希望将跨学科研究想法生成为带有标题、摘要、设计、独特性和意义的简洁研究卡而不是一次性提示时使用。
学术写作、研究方法和学术交流工作流程。在撰写论文、文献综述、资助提案、进行研究、管理引文或准备同行评审时使用。对于跨学科的研究人员、研究生和学者来说至关重要。
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: