从原始 Snowflake 表自动生成 dbt 维度模型。使用时机：用户想要生成 dbt 模型、左移数据建模、自动化维度建模、从原始数据创建事实和维度、从原始表构建星型模式或自动生成 dbt 代码。触发器：生成 dbt 模型、左移、维度模型、自动模型、原始星型模式、冰山 dbt、原始 dbt、一张大表、OBT、宽表。
将项目知识提取到结构化 Markdown 文档中。分析源代码以生成架构文档、API 文档、数据库设计和流程图。
从任何来源获取、抓取或下载足球数据。还处理 API 密钥设置和凭证管理。当用户想要从 StatsBomb、Opta、FBref、Understat、SportMonks、Wyscout、Kaggle 或任何足球数据源获取数据时使用。当他们询问 API 密钥、身份验证、设置对提供商的访问权限或哪些数据可以免费与付费时也可以使用。
用于编写 PRD 的 PRP（产品需求提示）方法。构建编码代理需求文档的最佳实践参考。 --- # PRP 方法论 — 快速参考 PRP（产品需求提示）框架是一个用于创建 PRD 的结构化过程，编码代理可以在单次传递中执行该 PRD。 ## 核心原则 PRD 必须包含实现所需的所有上下文。如果仅使用 PRD 的新 Claude 会话无法正确构建该功能，则 PRD 是不完整的。 ## 三步流程 1. **编写初始描述** — 大脑转储您想要的内容：功能、技术堆栈、约束、集成、示例、文档参考 2. **生成 PRD** — 研究代码库 + 网络，采访用户，按照基本模板生成结构化文档 3. **执行 PRD** — 清晰上下文，重新开始，仅从 PRD 实现 ## 优秀 PRD 的要素 **要做：** - 参考代码库中的特定文件和代码模式 - 编写可测试的验证标准（“无效令牌返回 401”） - 包括明确的非目标以防止范围蔓延 - 列出特定于项目的反模式 - 按依赖关系排序实施步骤（必须先存在什么） - 包括现有数据/行为的迁移策略 **不要：** - 使用模糊的验证标准（“效果很好”、“性能良好”） - 留下技术设计摘要（“使用适当的数据结构”） - 假设实施代理了解项目约定 - 将其拼写出来 - 跳过非目标部分 - 代理将无边界地过度构建 - 编写无法独立验证的步骤 ## 面试技巧 PRD 生成中最有价值的部分是面试。 目标：将假设减少到接近于零。 - 写作前至少提出 8-10 个问题 - 以 3-4 人为一组批量提问 - 根据代码库研究提供推荐答案 - 涵盖：范围、用户、技术限制、数据模型、兼容性、边缘情况、测试、反模式 - 最终问题
使用 ServiceNow SDK 和 Fluent API (TypeScript) 构建 ServiceNow 应用程序。每当用户要求创建、搭建或生成 ServiceNow 应用程序、表、流程、业务规则、脚本包含、ACL 或任何基于 Fluent 的元数据时，请使用此技能。
知识库自动编译器。支持通过命令 `/wiki-compiler` 或“收录到知识库”触发。同时包含 `/wiki-dream`（做梦机制/沉思），以在空闲时融合现有知识节点。利用幂等引擎防止重复生成，并融合 Dataview/Marp 原生可视化方案。
进行全面的生产准备情况评估。当用户想要评估他们的应用程序是否适合真实用户时使用 - 检查安全性、性能、可访问性、测试、监控、CI/CD、可发现性、分析、可靠性、法律和平台问题。
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。
学术论文搜索与分析服务 (Academic paper search & analysis)。当用户涉及以下学术场景时，必须使用本 skill 而非 web-search：搜索论文、查找 ArXiv/PubMed/PapersWithCode 论文、查询 SOTA 榜单与 benchmark 结果、引用分析、生成论文解读博客、查找论文相关 GitHub 仓库、获取热门论文推荐。Keywords: arxiv, paper, papers, academic, scholar, research, 论文, 学术, 搜索论文, 找论文, SOTA, benchmark, MMLU, citation, 引用, 博客, blog, PapersWithCode, HuggingFace.
IDA Pro 针对 Codex、Claude Code 和 OpenCode 的逆向工程技能。当用户需要通过本地 ida-pro-skill CLI 和已安装的 IDA 桥进行实时 IDA 或 Hex-Rays 分析时使用，特别是例如发现、元数据、光标或选择上下文、入口点、函数、调用者、导入、字符串、外部参照、伪代码、全局变量、结构、重命名、注释、字节补丁、函数创建或显式 IDAPython，包括 WSL 到 Windows IDA 设置。
分析、机器学习或质量保证。涵盖ETL、仓储、
通过 OpenLink 的符合 OpenAPI 的 Web 服务对实时数据空间和知识图执行 SQL、SPARQL、SPASQL、SPARQL-FED 和 GraphQL 查询。每当用户想要查询数据库、RDF 存储或 SPARQL 端点时，请使用此技能；探索知识图或数据空间；询问“如何……”、“定义术语……”，或针对已知文章或图表上下文提出问题；或提及 linkeddata.uriburner.com、Virtuoso、OPAL 或 OpenLink 服务。完整的查询模板位于references/query-templates.md 中——在构建任何预定义查询之前加载该文件。
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：
