掌握波士顿市政策分析和公民创新的工作流程技能。对于涉及波士顿城市数据、城市服务、社区公平、公共政策、政府绩效、311 分析、住房、安全、交通或任何公民问题的任何请求，请始终使用此技能 - 即使用户没有明确要求“全面分析”。该技能协调了五个子技能：城市问题框架（受彭博社启发）、城市政策分析（受 J-PAL 启发）、城市沟通（受 GovLab/InnovateUS 启发）、城市基准测试（使用旧金山、西雅图和华盛顿数据的跨城市比较）和城市绩效管理（美国结果/PerformanceStat）。 将此技能用于：“全面分析”、“政策简报”、“数据驱动的建议”、“城市改善项目”、“调查[问题]”、“将波士顿与其他城市进行比较”、“数据显示什么”、“帮我写一份备忘录”，或出于政府或公民目的而结合问题定义、数据分析和沟通的任何请求。
针对应用程序代码中的 Memory.sh SDK 包进行构建。在使用 `@memories.sh/core` 或 `@memories.sh/ai-sdk` 时使用，包括：(1) 初始化 `MemoriesClient`，(2) 从后端代码、路由处理程序、worker 或脚本读取、写入、搜索或编辑内存，(3) 通过 `memoriesMiddleware`、`memoriesTools`、`preloadContext` 将内存与 Vercel AI SDK 集成，或`createMemoriesOnFinish`，(4) 选择并应用 `tenantId` / `userId` / `projectId` 范围，(5) 管理 SDK 技能文件或管理 API，或 (6) 调试 TypeScript 或 JavaScript 应用程序中的内存 SDK 使用情况。使用 `memories-cli` 进行 CLI 工作流程，使用 `memories-mcp` 进行 MCP 设置，使用 `memories-dev` 进行 monorepo 内部。
使用 Canvas 2D 搭建支架并构建 Splunk 自定义可视化
通过重复运行、根据二进制评估对输出进行评分、改变提示并保持改进，自动优化任何克劳德代码技能。基于 Karpathy 的自动研究方法。使用时间：优化此技能、改进此技能、运行自动研究、使此技能更好、自我改进技能、基准技能、评估我的技能、运行评估。输出：改进的 SKILL.md、结果日志以及尝试的每个突变的变更日志。
当您需要评估、改进或优化现有 LLM 代理的输出质量时，请使用此选项 - 包括提高工具选择准确性、答案质量、降低成本或解决代理给出错误/不完整响应的问题。使用 MLflow 评估与数据集、评分器和跟踪系统地评估代理。重要信息 - 在开始任何工作之前，始终加载 Instrumenting-with-mlflow-tracing 技能。涵盖端到端评估工作流程或单个组件（跟踪设置、数据集创建、评分器定义、评估执行）。
您必须在任何创造性工作之前使用它 - 创建功能、构建组件、添加功能或修改行为。在实施之前探索用户意图、要求和设计。
在浏览器仪表板中显示已安装的 Claude Code 技能、插件、挂钩、MCP 服务器和命令
将网页总结为清晰的要点。
提供 Claude Agent SDK（以前称为 Claude Code SDK）的本地文档。
AUD 工件的规范对账运行表。创建或更新审计，处理每项发现，协调规范/合同，并仅在审计状态支持时才移交关闭。
分析备忘录（Analytical Memo）生成工具。研究者在编码过程中或编码后，直接 说出脑子里的想法——一个编码、一段资料、一个困惑、一个"这里有什么"的感觉—— skill 自动生成结构化的分析备忘录并保存为 Markdown 文件到本地。 适用于主题分析（TA）、扎根理论（GT）及一切质性研究方法。 与 memo-coach 的区别：analytic-memo 由 AI 代写分析内容； memo-coach 由研究者自己写，AI 只负责追问（专用于程序化扎根理论）。 当用户提到"写备忘录""记录分析思路""写 memo""分析笔记""帮我记下这个想法" "这个编码有点意思""这里好像有什么""这个值得记录" "这个受访者说的很奇怪"，或在编码/主题分析过程中表达任何需要捕捉的分析直觉时触发。 --- # 分析备忘录（Analytical Memo） 分析备忘录是质性研究中捕捉分析动能的核心工具。Charmaz（2014）将备忘录定义为 研究者与数据之间持续进行的智识对话，而非填写分类表格的形式操作。 此 skill 的设计原则：**研究者只管说出想法，工具负责追问和结构化**。 ## 启动：获取必要信息 触发后，只需收集两项信息（其余由 skill 自动判断）： 1. **触发内容**：用户输入的编码片段、类属名称、原始资料段落、初步想法或困惑 （直接使用用户的原始表述，不要要求用户重新整理或分类） 2. **保存路径**（可选）：若未提供，默认保存到 `~/Documents/research-memos/` 若用户在之前对话中已提供研究背景（研究主题、研究问题），直接沿用，不重复询问。 --- ## 内部识别逻辑（对用户不可见） 根据用户输入，自动判断分析方向，**不向用户暴露这个判断过程**： **→ 概念深化**（输入是单个编码或类属，附带描述或疑问） 追问：这个概念的核心含义和边界是什么？在哪些条件下更显著或消退？ 与已有理论概念有何联系或张力？它暗示了什么理论主张？ **→ 关系假设**（输入涉及两个或以上概念，且包含关系词：关系、影响、导致、联系、之间） 追问：这个关系的性质是什么（因果、条件、并行、对立）？ 数据中有哪些直接证据？在什么情境下成立或不成立（边界条件）？ **→ 负面案例**（输入包含反差信号：但是、例外、不符合、反而、奇怪、矛盾、和别人不一样） 追问：这是真正的反例，还是揭示了边界条件？ 是否需要修订现有类属或理论假设？修订方向是什么？ **→ 反身性**（输入包含研究者自我指涉：我觉得、我担心、我是否、我的立场、我注意到自己） 追问：研究者的哪种预设或情绪可能影响了这段分析？ 这个反思对理论抽样或研究设计有什么启示？ **→ 综合展开**（输入混合多种信号，或信号不明确） 先用一句话锚定这段想法的核心，再沿最主要的分析方向展开。 --- ## 发展阶段判断（参考 Birks, Chapman & Francis, 2008） 根据用户描述的研究进展，在文件 frontmatter 中自动标注阶段： - `preliminary`：研究者处于开放编码早期，想法贴近数据、印象式 - `interim`：开始跨类属思考，建立概念间联系 - `advanced`：涉及核心类属、理论命题或整体理论框架 判断依据： - "刚开始编码"/"第一份访谈" → preliminary - 提到多个类属的关系/"开始看到模式" → interim - 提到核心类属/"理论框架"/"饱和" → advanced - 无法判断 → 留空，不强行填写 --- ## 备忘录生成 按以下结构生成分析内容（对话中展示，同时写入文件）： ### 文件 frontmatter ```yaml ---
评估现有的 Python、bash 或混合管道是否适合无缝（内容寻址缓存、可重复执行、本地到集群扩展）。在包装脚本或函数而不重写它们、避免重新计算、比较工作流框架（与 Snakemake、Nextflow、CWL、Airflow、Prefect）、迁移管道或设置远程/HPC 执行时触发。涵盖直接/延迟装饰器、无缝运行的 CLI、嵌套、模块包含、暂存/见证模式、深度校验和以及执行后端（本地、jobserver、daskserver）。提供有关远程执行和确定性的安全指导 - 避免幼稚的“将代码复制到服务器”建议。
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：
