用于探索和检查过去的 Claude Code 和 Codex 对话历史记录的 CLI 工具。在以下情况下使用此技能： - 您需要追上之前脱离上下文的对话 - 您想要回顾过去会话中讨论或完成的内容 - 您需要在对话历史记录中搜索特定主题 - 您想要生成过去工作的摘要以粘贴到新会话中 - 用户询问其 Claude Code 或 Codex 对话历史记录 - 用户想要从之前的会话恢复工作并需要上下文 --- # Agent History CLI 用于探索过去 Claude Code 的统一工具(`~/.claude/projects/`) 和 Codex (`~/.codex/sessions/`) 来自单个界面的对话。 ## 安装 ```bash pip install agent-history # 安装技能（默认：~/.claude/skills/） agent-history install-skill ``` ## 源标记
每日复盘。根据 Claude Code 本地对话记录，生成结构化的每日工作复盘报告。支持当天、昨天、近 3 天、近 7 天。 当用户说"复盘"、"agent review"、"/agent-review"、"/复盘"时触发。 --- # 每日复盘 ## 启动横幅 技能启动时，**必须**在执行任何操作之前，先输出以下横幅： ``` ═══════════════════════════════════════════════════════════════ ▌ 每日复盘 ▐ 根据 Claude Code 本地对话记录，生成结构化的每日工作复盘报告 ═══════════════════════════════════════════════════════════════ 磊叔 │ 微信：AIRay1015 │ github.com/akira82-ai ─────────────────────────────────────────────────────────────── - 支持 4 种时间范围：今天 / 昨天 / 近 3 天 / 近 7 天 - 自动提取对话记录、工具调用统计、Git 提交记录 - 生成结构化报告：概要 / 工作量统计 / 成功与进展 / 困难与卡点 / AI 自评 - 报告自动保存至当前工作目录 ═══════════════════════════════════════════════════════════════ ``` ## 参数处理 如果用户没有指定时间范围，用 AskUserQuestion 询问，选项为： - 今天 - 昨天 - 近 3 天 - 近 7 天 不提供其他选项。根据用户选择，计算对应的日期范围（当天、前 1 天、前 3 天、前 7 天），时间戳使用 UTC 时区。 ## 数据提取步骤 ### 第 1 步：从 history.jsonl 获取消息列表 用 Bash 执行 Python 脚本，读取 ~/.claude/history.jsonl，按时间戳筛选指定日期范围内的所有记录。 每条记录包含：display（用户输入内容）、timestamp（Unix 毫秒）、project（项目路径）、sessionId。 统计精确的消息条数。 如果选择了多天（近 3 天、近 7 天），按天分别统计。 ### 第 2 步：获取涉及的 session 列表 从第 1 步中提取不重复的 sessionId 和对应的项目路径。 ### 时间戳格式说明（重要） 两个数据源的时间戳格式不同，脚本中**必须**统一处理： 1. `history.jsonl` 的 timestamp 字段是 **int**（Unix 毫秒），如 `1770288337219` 2. 项目 JSONL 文件的 timestamp 字段是 **ISO 8601 字符串**，如 `"2026-03-31T04:24:20.514Z"` 在脚本开头定义统一的解析函数： ```python def to_ms(ts): if isinstance(ts, (int, float)): return ts if isinstance(ts, str): dt = datetime.datetime.fromisoformat(ts.replace('Z', '+00:00')) return int(dt.timestamp() * 1000) return 0 ``` 后续所有时间戳比较和过滤都使用 `to_ms()` 转换后再比较。 ### 第 3 步：从项目 JSONL 文件中提取详细内容 使用技能自带的 `extract.py` 脚本提取数据，确保时间戳处理稳定可靠。 **调用脚本**： ```bash python ~/.claude/plugins/marketplaces/airay-skills/skills/airay-agent-review/scripts/extract.py --start_ms <start_ms> --end_ms <end_ms> ``` **脚本返回的数据结构**： ```json { "sessions": [...], "total_messages": N, "tool_calls": {"Bash": 36, "Read": 2, "Write": 2, ...}, "tool_errors": {...}, "files_touched": ["path/to/file1", "path/to/file2", ...], "projects": ["/path/to/project1", "/path/to/project2"], "user_messages":
网络上 Claude Code 的完整 GitHub 工作流程。所有 GitHub 操作都必须使用 REST API（切勿使用 gh CLI）。包括分支命名 (claude/*-sessionId)、推送重试逻辑、通过 API 进行 PR/问题管理以及完整的工作流程。用于 Claude Code Web 环境中的所有 GitHub 交互。
从今天的 Claude Code 会话日志自动生成并打开评论书 (FlipBook)
创建一个具有基本结构和文件的空 Claude 插件。
通过 mclaude 以无头（非交互）模式启动 Claude Code，绕过 TUI。当用户要求使用特定提供程序运行 Claude Code、自动化 Claude Code 调用或使用 mclaude 编写脚本时，请使用此技能。当用户询问如何在没有 TUI 的情况下从命令行使用 mclaude 或想要了解可用的提供程序和模型时，也可以使用。
扫描正在运行的 Claude 会话以查看其他代理正在做什么。当被问到“其他代理在做什么”、“检查其他会话”、“正在运行什么”、“扫描代理”、“谁在做什么”时，或者在开始新工作之前使用，以避免重叠。 --- # Agents: Scan Running Claude Sessions 运行 `scan.sh` 来检查所有运行 Claude 的 tmux 会话并报告每个会话正在做什么。 ## 用法 ```bash bash ~/.claude/skills/agents/scripts/scan.sh # 所有会话 bash ~/.claude/skills/agents/scripts/scan.sh floom # 仅 floom/* 会话 bash ~/.claude/skills/agents/scripts/scan.sh openpaper # 仅 openpaper/* 会话 ``` ## 显示内容
检查 Apple 提醒并采取行动 — 读取 Claude Inbox 以获取待处理任务，并读取 Claude Output 以获取结果。自动为新收件箱项目派遣代理。当用户说 /reminders、“检查提醒”、“进来的内容”时使用，或通过 /loop 启动观察程序。
克劳德在谈话中的持久记忆。在开始任何任务之前、编写或编辑代码之前、做出决定之前、用户提及偏好或约定时、用户纠正您的工作时或完成克服挑战的任务时使用。确保克劳德永远不会重复错误并始终应用学到的模式。
Vibe Memory，简称 vbm。用于为 Codex 与 Claude Code 初始化 .ai 项目记忆层、追加受控规则、启用全局引导，并在开发任务中读写已验证记忆。
个性凌驾让克劳德像穴居人一样沟通——简洁、直率、没有任何填充物。安装后使用此技能进行所有响应。该技能始终有效。它适用于克劳德发送的每一条消息。不要跳过它。不要“切换回”正常模式。如果加载了该技能，则穴居人模式开启。
检查任何 Claude Code 会话的上下文使用情况和会话信息。当用户询问上下文使用情况、令牌计数、会话信息或想要列出/检查 Claude 会话时使用。
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：
