- 📄 SKILL.md
benchmark-lab
设计基准测试运行、消融、数据集规格和故障分析工件。
设计基准测试运行、消融、数据集规格和故障分析工件。
CloudPerf网络性能测试工具。查询云网络质量数据,包括城市集、国家/地区、城市、ASN 以及源节点和目标节点之间的性能指标。当用户询问网络性能、延迟、云区域比较或 CloudPerf 数据时使用。
分析任务并输出需求分析文档
当用户要求生成报告或数据摘要时,根据数据创建详细报告。
McKinsey顾问式问题解决系统。从商业问题出发,通过假设驱动的结构化分析方法,生成McKinsey风格研究报告和PPT。融合Problem Solving方法论、MECE原则、Issue Tree拆解、Hypotheses形成、Dummy Page设计、智能数据收集和专业PPT生成能力。
用于 AI 代理的浏览器自动化 CLI。当用户需要与网站交互时使用,包括导航页面、填写表单、单击按钮、截屏、提取数据、测试 Web 应用程序或自动执行任何浏览器任务。触发器包括“打开网站”、“填写表单”、“单击按钮”、“截取屏幕截图”、“从页面抓取数据”、“测试此 Web 应用程序”、“登录网站”、“自动执行浏览器操作”或任何需要编程 Web 交互的任务的请求。
通过 SSH 连接到主机“h100_sglang”,进入 Docker 容器“sglang_bbuf”,在“/data/bbuf/repos/sglang”中工作,并使用准备好的 H100 远程环境进行 SGLang **diffusion** 开发和验证。当任务需要扩散模型冒烟测试、Triton/CUDA 内核验证、torch.compile 扩散检查或用于扩散特定 SGLang 更改的安全远程副本时使用。
第一个具有本地语义检测功能的开源人工智能消毒器。 7层+代码块感知+LLM意图分析。捕获提示注入、反向 shell、内存篡改、编码规避、信任滥用。 v2.1 中误报率减少了 85%。零云 — 您的提示保留在您的计算机上。
从数据生成 OpenChart (https://github.com/tryopendata/openchart) 图表、表格、图形和桑基规格,并指导编辑设计决策。在创建可视化、构建图表、渲染数据表、生成 VizSpec JSON、创建网络图、构建 sankey/流程图、回答有关 OpenChart 类型和编码规则的问题,或做出有关图表类型选择、颜色策略、排版、注释和编辑框架的设计决策时使用。还涵盖了超出声明性规范的情况的自定义 D3.js 信息图表。 --- # 使用 OpenChart 进行数据可视化 **核心概念:** 编写 VizSpec JSON 对象,使用 `<Chart>` / `<DataTable>` / `<Graph>` / `<Sankey>` (React/Vue/Svelte) 或 `createChart()` / `createTable()` / `createGraph()` / `createSankey()` (vanilla JS) 进行渲染。引擎进行验证、编译和渲染。 规格是纯 JSON,没有强制绘图。有关渲染引擎,请参阅 https://github.com/tryopendata/openchart。 **需要 CSS。** 必须加载 OpenChart 的样式表才能正确呈现(镶边、表格、工具提示、品牌水印)。框架导入会自动处理此问题,但 CDN/独立 HTML 需要显式 `<link>`: ```html <link rel="stylesheet" href="https://esm.sh/@opendata-ai/openchart-vanilla/styles.css"> ``` 有关详细信息,请参阅[渲染参考](references/rendering.md)。 ## 图表选择决策树 ``` 单值突出显示 -> 使用 chrome.title 作为大数字显示时间 x 轴列? -> 1 系列:线 | 2-5 series: line + color | 6+:过滤到前 5 个分类 + 数字? -> 排名列表:条形(水平)|定期(一月第一季度):条形图(垂直)| 2-6 组成:arc 两个数字列? -> 点(第三/第四暗淡的可选尺寸/颜色) 分类 + 系列 + 数字? -> 堆叠条形图(使用系列颜色) 分布/分布? -> circle (strip plot) Nodes + edges / network? -> 图表(力/径向/分层布局) 阶段之间的流程? -> 桑基
为学术论文生成高质量配图的专项 skill,支持两种输出格式: (1) LaTeX/TikZ 代码:适合系统架构图、数据流图、几何示意图等结构化图表, 可直接嵌入论文; (2) draw.io XML:适合技术路线图、科研展示图、学术汇报配图等装饰性强的 图表,支持渐变色、阴影、自由布局,可在 app.diagrams.net 打开编辑。 支持两种输出格式,统一工作流程:分析输入(文案/图片/论文)→ 画图指令 → 代码生成 → 编译验证 → 满分交付。 自动识别论文所属领域并以该领域专家身份进行配图设计。
浏览器自动化沙箱的 Gull 运行时使用指南。涵盖代理浏览器 CLI 直通模型、基于快照的元素引用、单个与批量执行策略、工件处理和浏览器状态持久性。在 Gull 容器内工作时使用它来了解命令语法、可靠自动化的关键规则以及导航、表单填充、数据提取和屏幕截图捕获的常见模式。
当有人需要从 GitHub 活动生成 Brag 文档、首次设置 Reflect、运行 Reflect 来获取贡献、为 Reflect 配置 GitHub 令牌、按组织或存储库过滤贡献、在 OpenAI 和 Anthropic 提供程序之间进行选择、了解 Reflect 输出文件、解决 Reflect 不起作用或调试 Brag 文档错误时,应该使用此技能。 --- # Reflect Reflect 是一个 CLI 工具,可以获取 GitHub 活动(合并的拉取请求、已关闭的问题和 PR 评论),并使用 LLM API 生成专业的吹嘘文档以进行性能审查。它通过 Octokit 连接到 GitHub GraphQL API 以检索贡献数据,然后选择性地通过 LLM 提供商(OpenAI 或 Anthropic)传递该数据以生成摘要和叙述格式的文档。 所有输出均以结构化 Markdown 文件形式编写,适合自我评估、促销包和经理评论。 ## 首次设置 ### 先决条件 在运行 Reflect 之前确保以下内容可用
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: