- 📁 references/
- 📄 SKILL.md
clever-tools
CLI 用于在 Clever Cloud PaaS 上部署和管理应用程序、附加组件和配置。当用户需要部署应用程序、查看日志、管理环境变量、配置域或与 Clever Cloud 服务交互时使用。
CLI 用于在 Clever Cloud PaaS 上部署和管理应用程序、附加组件和配置。当用户需要部署应用程序、查看日志、管理环境变量、配置域或与 Clever Cloud 服务交互时使用。
具有智能优化功能的跨平台磁盘空间管理工具包。要求:Python 3.7+。通用兼容性:适用于所有 AI IDE(Cursor、Windsurf、Continue、Aider、Claude Code 等)。独立于平台:可在任何位置工作 - 全局、项目或用户级别。独立:无需 pip 安装,包括智能引导程序。 KEY FEATURES: (1) PROGRESSIVE SCANNING: Quick sample (1s) + Progressive mode for large disks, (2) INTELLIGENT BOOTSTRAP: Auto-detection of skill location and auto-import of modules, (3) CROSS-PLATFORM ENCODING: Safe emoji/Unicode handling on all platforms, (4) DIAGNOSTIC TOOLS: check_skill.py for quick verification, (5) OPTIMIZED扫描:使用 os.scandir()、并发扫描、智能采样,速度提高 3-5 倍。 代理工作流程:(1) 检查 Python,(2) 查找技能包(自动检测 20 多个位置),(3) 运行诊断,(4) 对大磁盘使用渐进式扫描。技能包包括所有优化模块 - 不会丢失任何功能!
通过家庭助理控制智能家居设备。在以下情况下使用:(1) 在扬声器或电视上播放音乐/媒体/收音机,(2) 控制灯光、开关或恒温器,(3) 使用 Roomba 吸尘,(4) 检查设备状态,(5) 打开/关闭任何智能家居设备,(6) 将媒体投射到 Chromecast/Google Home/电视。匹配提及的请求:电视、厨房、客厅、Roomba、真空吸尘器、智能家居、灯光、扬声器、演员、播放音乐、播放广播、打开、关闭。
AI-driven PDCA project management with Feishu/Lark integration. Use for: project setup (new), active project tracking (ongoing), experience retrieval (achieve), PDCA cycles, SMART goal validation, quality improvement (OEE, defects), manufacturing optimization, or structured problem-solving with Feishu Bitable + docs. Also use for project transitions, proactive AI alerts, or template-based experience reuse. --- # PDCA 项目管理系统 基于 PDCA 循环的结构化问题解决系统,由 AI 驱动实现主动巡检、SMART 目标校验和飞书工具链集成。 ## 何时使用 | 触发症状 | 不适用场景 | |---------|-----------| | 问题需要结构化分析(5W1H、鱼骨图、5Why) | 简单单次任务(直接用任务管理工具) | | 需要量化目标和可衡量指标 | 纯技术研究(无需流程闭环) | | 需要主动进度监控和预警 | 紧急故障处理(先修复,后复盘) | **触发示例**: - "启动一个 PDCA 项目来降低产品缺陷率" - "用飞书 Bitable 管理我们的质量改善项目" - "我需要 SMART 目标校验,目标是将 OEE 提升到 85%" ## 系统依赖 **必需平台**: - **OpenClaw**:AI CLI 框架(https://github.com/open-claw/open-claw) - **飞书插件**:提供 `feishu-bitable`、`feishu-create-doc` 等 API 本 skill 通过这些 API 创建 Bitable 应用、Wiki 文档、任务和日程。 **项目存储位置**:所有项目统一存储在 Wiki 知识空间「PDCA」下。 ## 核心工作流 1. **评估与启动 (new)**:评估问题是否适合立项,在 Wiki 知识空间创建项目文档 + Bitable 应用 + 项目甘特图 2. **计划与校验 (Plan)**:执行 SMART 校验与因果逻辑审查 3. **执行与巡检 (Do)**:AI 通过 Bitable 数据记录主动巡检并汇总进展 4. **检查与评估 (Check)**:分析数据偏差 5. **决策与沉淀 (Act)**:生成标准化 SOP 并归档经验 ## 全局交互规范:AskUserQuestion 选项设计 **适用范围**:PDCA **每个阶段** 中 AI 主动发起的 AskUserQuestion 对话,不限于项目启动阶段。 设计选项时遵循三大原则: ### 1. MECE 原则 — 基于框架设计选项 选项必须"相互独立、完全穷尽"。根据当前对话的问题类型,选择对应的 MECE 框架,用其维度作为选项基础: | 问题类型 → 框架 | |------| | 生产/制造 → 4M1E | | 个人健康 → TREND | | 软件/技术 → PPTD | | 销售/营销 → 5P | | 学习/教育 → COMET | | 财务/投资 → 3RL-TD | | 团队协作 → GRCT | | 客户服务 → 5S | | 个人效率 → TIME | | 流程/服务 → SIPOC | | 其他管理/组织 → 5P2E | 每个框架的逐维度详细说明见 [mece-frameworks.md](assets/references/mece-frameworks.md)。 ### 2. 多选优先 — 原因/因素往往不止一个 问题涉及"哪些方面"、"什么原因"、"什么因素"时,使用 `multiSelect: true`。 ### 3. 允许自定义 — 必须有 Other 选项 你无法预先覆盖所有情况,所有问题必须包含 "Other" 选项。 ### AskUserQuestion 模板 ```yaml
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: