OpenClaw v2.0 的令牌保存执行层。在沙盒子进程中运行技能命令，其中只有紧凑的摘要进入上下文窗口。通过 SQLite 事件跟踪提供会话连续性，可在对话压缩中幸存下来。支持意图驱动的过滤、批量多技能执行和渐进式内存加载。包括自动安装程序，可通过单个命令将上下文保护程序连接到 AGENTS.md、TOOLS.md 和 cron 作业中。使用此技能包装任何数据量大的操作，以减少 70-98% 的令牌消耗。
使用 Nia AI 索引和搜索代码存储库、文档、研究论文、HuggingFace 数据集、本地文件夹、Slack 工作区、Google Drive、X (Twitter) 和软件包。包括身份验证引导、Oracle 自主研究、GitHub 实时搜索、Tracer 代理、依赖性分析、上下文共享、代码顾问、文档代理、数据提取、文件系统操作和通用连接器。
通过 ADB 自动进行 Android UI 树调试。当应用程序阻止 UI 检查或可访问性节点丢失时使用；收集 uiautomator 转储、重点窗口信息和 logcat 层次结构转储以进行分析。
个人预算和财务规划技能。在以下情况下使用：(1) 按类别或时间段分析支出模式，(2) 比较预算与实际支出，(3) 计算储蓄率，(4) 预测现金流，(5) 规划具有税务意识的财务决策。工具：用于预算/交易数据的actual-mcp，用于投资组合上下文的ghostfolio-mcp。 --- # 个人预算## 工具映射|任务| MCP 服务器 |关键工具| |------|------------|------------| |交易历史、余额、预算 |实际预算| `交易（操作=“列表”）`，`帐户（操作=“列表”）`，`预算（操作=“月”|“月”）` | |类别细分 |实际预算| `analytics（操作 =“spending_by_category”）`、`category（操作 =“groups_list”）` | |投资余额和分配|鬼影-MCP | `get_portfolio_summary`、`get_portfolio_positions` | |净资产计算|两者 |实际（现金/债务）+ Ghostfolio（投资）| ## 支出分析 ### 类别细分 1. 使用带有日期范围过滤器的“transaction(operation="list")` 提取目标期间的交易 2. 按类别分组 — 报告绝对金额和占总支出的百分比 3. 标记超出预算分配的类别 4. 将结果显示为排名表：类别|预算|实际 |方差|占总数的百分比 ### 月度趋势 1. 提取 3-6 个月的交易数据 2. 计算每个类别的每月总计 3. 计算每月变化（绝对值和百分比） 4. 标记持续增长的类别（连续 3 个月以上增长） 5. 区分经常性/固定费用（租金、保险、订阅）和可变费用（杂货、餐饮、娱乐） ### 异常检测 - 标记单个交易 >类别平均交易规模的 2 倍 - 标记当月支出超过过去 3 个月平均支出 > 25% 的类别 - 标记前几个月未见过的新收款人（潜在的新订阅）## 预算与实际差异分析
运行竞争分析——深入分析、景观分析、综合分析或监控。
用于查找和汇总的数据集成。每当用户需要有关其 Google 日历活动（时间表）、GMail 电子邮件或 Slack 消息的信息时使用。
使用 SoMark 进行准确的文档解析，审查合同和法律协议（PDF、Word、图像）中的风险、不公平条款、缺失条款和关键义务。提供结构化风险分析和严重程度评级。需要 SoMark API 密钥 (SOMARK_API_KEY)。
出版级医学预测工作流程，具有严格的防数据泄漏控制、表型定义保护、基于谱系的泄漏检测、分割协议验证、类不平衡策略验证、超参数调整隔离检查、伪造测试和再现性门。在 EHR/索赔/注册数据中构建、审查或调试疾病风险或预后模型时使用，特别是当目标定义、诊断代码、实验室标准、药物、时间窗口和派生特征可能泄漏目标信息时。
在发布到网络之前从图像中去除敏感的 EXIF 元数据。在处理博客文章、网站或公共内容的图像时，或者在提及 EXIF、元数据、GPS 数据或图像隐私时激活。
评估是否可以使用 Bauplan 湖屋中的可用数据来回答业务问题。将业务概念映射到表和列，检查相关子集的数据质量，验证语义匹配，并给出结论：可回答、部分可回答或不可回答。生成结构化的可行性报告。当用户提出业务问题、询问“我们可以回答这个问题吗”、想知道数据是否支持分析或在构建一次性分析或管道之前使用。
在跨店面、IO、无头、市场、支付或任何其他 VTEX 模块界定、审查或记录横切 VTEX 商务架构时应用。架构完善的商务框架的基础是技术基础（可靠性、信任、完整性、安全性、基础设施、合规性）、面向未来（创新、简单、效率、可扩展和适应性强的解决方案）以及卓越运营（准确性、问责制、数据驱动的改进；流程和客户体验）。将实施细节路由到产品轨道（IO 缓存和路径、主数据策略、市场集成）。用于解决方案设计、架构审查和 RFP 级技术结构。
通过代理数据协议 (ADP) MCP 工具查询和操作数据的指南。该技能教授如何有效地使用 adp_discover、adp_describe、adp_validate 和 adp_execute 工具。每当用户想要通过 ADP 探索可用数据资源、查询数据、查找记录、插入新数据或更新现有数据时，即可使用此技能 - 即使他们没有明确提及“ADP”。触发器包括“查找数据”、“查询记录”、“查找客户”、“插入行”、“更新条目”、“可用数据”、“搜索相似项目”、“显示架构”或连接 ADP MCP 工具的任何数据探索和操作任务。 --- # ADP 技能 — 通过代理数据协议进行数据访问 此技能可帮助您通过连接到 ADP Hypervisor 的四个 ADP MCP 工具与数据进行交互。 Hypervisor 是一个策略执行网关，它抽象出单个基于意图的接口背后的后端差异（SQL 数据库、MongoDB、向量存储、文件系统）。 ## 核心工作流程 始终遵循此顺序 - 每个步骤都建立在上一步的基础上： ``` 发现 → 描述 → 验证（可选）→ 执行 ``` 1. **发现** — 查找可用的数据资源 2. **描述** — 读取特定资源的使用契约（字段架构、允许的运算符、必需的谓词） 3. **验证** — 在执行前试运行您的意图以捕获错误（推荐但可选） 4. **执行** — 运行意图并获取结果跳过“describe”会导致格式错误的意图，因为您不知道存在哪些字段、需要哪些谓词或允许哪些运算符。在建立意图之前始终进行描述。 ## 四个 MCP 工具 ### 1. `adp_discover` — 浏览可用资源查找可用数据。使用过滤器来缩小结果范围。 **参数：** - `domain_prefix`（可选）：按域过滤，例如`"com.acme"` - `intent_class`（可选）：`"LOOKUP"`、`"QUERY"`、`"INGEST"` 或 `"REVISE"` - `keyword`（可选）：自由文本搜索 acr
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：
