NotebookLM CLI (`nlm`) 和 MCP 服务器的专家指南 - Google NotebookLM 的接口。当用户想要以编程方式与 NotebookLM 交互时，请使用此技能，包括：创建/管理笔记本、添加源（URL、YouTube、文本、Google Drive）、生成内容（播客、报告、测验、抽认卡、思维导图、幻灯片、信息图表、视频、数据表）、进行研究、与源聊天或自动化 NotebookLM 工作流程。在提及“nlm”、“notebooklm”、“notebook lm”、“播客生成”、“音频概述”或任何与 NotebookLM 相关的自动化任务时触发。
将编码任务委托给 Blackbox AI CLI 代理。具有内置判断功能的多模型代理，可通过多个 LLM 运行任务并选择最佳结果。需要 blackbox CLI 和 Blackbox AI API 密钥。
量子环路自主开发流程的一部分（集体讨论→规范→计划→执行→审查→验证）。在实施之前对功能理念进行深入的苏格拉底式探索。一次提出一个问题，提出 2-3 种权衡的替代方法，逐节提出设计以供批准，并保存批准的设计文档。在开始新功能、探索想法或编写规范之前使用。触发点：集思广益、探索想法、设计、思考、ql-集思广益。
使用“gh” CLI 与 GitHub 交互。使用“gh issues”、“gh pr”、“gh run”和“gh api”来处理问题、PR、CI 运行和高级查询。
精简 Orchestrator 引导提示。在采取行动之前，请阅读 Multorum 提供的编排器方法。
同步 AI 工作区文档到 iWiki、从 iWiki 回写本地、做日常增量对齐时使用。只要用户提到“同步到 iWiki”“从 iWiki 拉取”“双向更新”“补齐映射”“重传文档”“个人空间目录对齐”，都应立即使用本 Skill。
使用 Local Falcon MCP（人工智能驱动的本地搜索智能平台）的专家指南，可监控 AI 可见性（ChatGPT、Gemini、Grok、Google AI 概览、AI 模式）、分析地理网格地图排名、评估 AI 情绪分析、评估竞争对手情况以及管理 Google 商家资料绩效。每当用户使用本地 Falcon 数据时，请使用此技能，包括：AI 搜索监控、扫描报告、趋势分析、活动管理、Falcon Guard 监控、评论分析、竞争对手研究或关键字跟踪。涵盖指标解释（SoLV、SAIV、ARP、ATRP、RVS、RQS）、跨 8 个平台的多平台分析、工作流程模式、信用意识扫描策略以及可操作的本地 SEO 和 AI 搜索优化建议。 当用户询问人工智能驱动的搜索存在、本地搜索可见性、地图包排名或任何企业的英镑优化时也可以使用。 --- # Local Falcon MCP 技能 ## 概述 Local Falcon 是一个由 AI 驱动的本地搜索智能平台，可跨 AI 搜索引擎（ChatGPT、Gemini、Grok、Google AI Overviews、AI Mode）和传统地图平台（Google 地图、Apple 地图）监控业务可见性，通过 AI 驱动的扫描报告提供 AI 情绪分析，并提供深入的研究审查报告。 Local Falcon MCP 提供 37 种工具，用于 AI 可见性监控、地理网格排名分析、竞争情报、活动管理、英镑监控、评论分析和知识库访问。各个工具的描述解释了每个工具的用途及其参数。 这项技能教您如何战略性地思考本地猎鹰数据：结合哪些工具来执行常见任务，如何在上下文中解释指标，以及如何将原始数据转化为可行的建议。请始终使用“Google 商家资料”或“英镑”一词。切勿说“Google 我的商家”或“GMB”——它于 2021 年重新命名。## 核心指标 - 快速参考 ### 排名指标 **ARP（平均 R
学术论文搜索、引用分析与元数据提取专用 Skill。 【自动触发条件——出现以下任一信号时立即加载本 Skill，无需用户显式说明】 意图信号（中文）： - 搜论文 / 找论文 / 查论文 / 调研论文 / 检索文献 / 文献综述 / 综述 - 顶会 / 顶刊 / CCF / NeurIPS / ICML / ICLR / ACL / EMNLP / CVPR / KDD / SIGIR / WWW - 引用数 / 被引 / 引用关系 / 引用量 - BibTeX / 参考文献格式 / 导出引用 - 作者发表列表 / 某人的论文 / 某人在哪发了什么 - arXiv / Semantic Scholar / Google Scholar / PubMed / ACM DL / IEEE - 知网 / CNKI / 中国知网 / 学位论文 / 硕士论文 / 博士论文 / 中文文献 / 中文期刊 - PDF 链接 / 论文 PDF / 开放获取 - 摘要 abstract / 元数据 意图信号（英文）： - search paper / find paper / look up paper / literature review / survey - citation count / citation graph / citing / cited by - BibTeX / reference export - top conference / top journal / venue ranking - author publication list / papers by X URL 信号（出现以下域名的链接时自动触发）： - arxiv.org / ar5iv.org - semanticscholar.org - scholar.google.com - dl.acm.org - ieeexplore.ieee.org - pubmed.ncbi.nlm.nih.gov - paperswithcode.com - cnki.net / kns.cnki.net 覆盖平台：arXiv、Semantic Scholar、G oogle Scholar、ACM DL、IEEE Xplore、PubMed、Papers with Code、CNKI（中国知网）
当您需要在 JavaScript/TypeScript 代码上运行 auto-cr 或解释如何配置它时，请使用此技能。
>-
完整的 App Store 优化工具包 - 生成任何语言的元数据、分析竞争对手、优化关键字、设置 IAP/订阅，并通过直接 API 提交到 App Store Connect
为任何优化目标设置并运行自主实验循环。收集要优化的内容，然后立即开始循环。当被要求“运行自动研究”、“循环优化 X”、“为 X 设置自动研究”或“开始实验”时使用。
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：
