- 📄 SKILL.md
brain-monitor
启动 Brain Monitor TUI,这是一个实时终端仪表板,用于观察 Claudia 的记忆系统。触发“大脑监视器”、“显示仪表板”、“内存仪表板”、“终端大脑”。
启动 Brain Monitor TUI,这是一个实时终端仪表板,用于观察 Claudia 的记忆系统。触发“大脑监视器”、“显示仪表板”、“内存仪表板”、“终端大脑”。
秘書から始める仮想組織スキル。 3ステップで即運用開始。部署は必要に応じて自然に増える。
通过交互式批量表单流程配置 CCA(连续清算拍卖)智能合约参数。当用户说“配置拍卖”、“cca 拍卖”、“设置代币拍卖”、“拍卖配置”、“连续拍卖”或提及 CCA 合约时使用。
指导用户通过 Power Apps Studio 将数据源、连接或 API 连接器添加到 Canvas 应用,然后验证并继续。当用户要求添加数据源、添加连接、添加 API、添加连接器、连接到 SharePoint/Dataverse/SQL/Excel/OneDrive/Teams/Office 365 或任何类似请求以使新数据可供应用程序使用时使用。当用户要求列出或描述现有数据源时请勿使用 - 请直接调用 list_data_sources 或 list_apis。
创建 Java + Spring Boot 项目:Web 应用程序、使用 Vue.js 或 Angular 或 React 或 vanilla JS、PostgreSQL、REST API 和 Docker 的全栈应用程序。在创建 Spring Boot 项目、设置 Java 微服务或使用 Spring 框架构建企业应用程序时使用。
克劳德技能示例
适用于 AI 代理的反检测浏览器自动化 CLI。当用户需要通过机器人检测、验证码或反机器人块与网站交互时使用,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需要绕过指纹检查的浏览器任务。
该插件是 OpenClaw 和 LycheeMem 之间的瘦适配器。它不会取代 `memory-core`,不会声明 `plugins.slots.memory`,并且不会重复 LycheeMem 算法。
为 RAG 系统提供分块策略。生成块大小建议(256-1024 个标记)、重叠百分比 (10-20%) 和语义边界检测方法。验证语义一致性并评估检索精度/召回指标。在构建检索增强生成系统、矢量数据库或处理大型文档时使用。
确保此 dotfiles 存储库跨 macOS (Intel/ARM)、Ubuntu 和 Fedora 的跨平台兼容性。检测并自动修复硬编码路径、特定于平台的假设、包可用性问题和测试覆盖范围差距。在添加功能、更新配置、碰撞 Nix flake 或调查特定于平台的错误时使用。关键词:跨平台、兼容性、macOS、Linux、Ubuntu、Fedora、平台、可移植性、Nix flake、Docker 测试、CI
🇺🇸 AI 产品全球发布手册 — 来自 Manus 和 Devin 等病毒产品的经过实战检验的策略。完整的 Product Hunt 推出 SOP、KOL 推广、UGC 增长策略。 🇨🇳 AI 产品全球发布剧本 — 基于 Manus、Devin 等。包容且完整的 Product Hunt SOP、KOL 协作、UGC 长期策略。 🇯🇵 AI 产品全球发布指南 — 基于 Manus 和 Devin 等病毒产品的实际经验。包括 Product Hunt 发布 SOP、KOL 推广和 UGC 增长策略。 🇰🇷 AI 产品搜寻 SOP、KOL 협업、UGC 포함。
代理的 CLI 参考 — 如何领取任务、记录进度、提交审核
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: