通过自退火循环构建经过验证的网络研究流程。设定研究目标，生成搜索步骤，针对样本公司进行测试，对准确性进行评分，然后迭代直至 90% 以上。在创建新的研究工作流程、构建粘土代理/代理提示或系统化任何网络研究任务时使用。
全自动趋势发现、深入研究和社交发布管道。使用trend-pulse（20个来源）、cf-browser（无头Chrome）和notebooklm（研究+工件）MCP服务器。根据 Meta 的 7 种基于专利的排名算法生成算法优化的内容。当用户提及趋势主题、内容创建、社交媒体发布、趋势分析、研究渠道、病毒式内容、内容评分或主题发布时使用。
在准备与目标客户互动、在外展前研究公司或构建通话前情报时使用。触发因素：“研究这家公司”、“[公司]的账户简介”、“公司研究”、“我需要了解[公司]什么”、“预外展研究”。
亚马逊卖家数据分析工具。功能：市场研究、产品选择、竞争对手分析、ASIN 评估、定价参考、品类研究。使用scripts/apiclaw.py调用APIClaw API，需要APICLAW_API_KEY。 --- # APIClaw — 亚马逊卖家数据分析 > 人工智能驱动的亚马逊产品研究。以用户的语言回复。 ## 文件 |文件|目的| |------|---------| | `scripts/apiclaw.py` | **执行**所有 API 调用（为参数运行 `--help`）| | `references/reference.md` |当您需要准确的字段名称或过滤器详细信息时加载 | ## 凭证
Complete academic research skill suite covering the full pipeline: paper reading (read/explain papers with storytelling), idea generation (brainstorm research directions), experiment design (plan experiments, ablation, baselines), proof writing (mathematical proofs, LaTeX theorems), paper writing (draft to camera-ready for top venues like NeurIPS/ICLR/ACL), paper review (structured 4-step review with scoring), and professor fit analysis (evaluate advisors, cold emails, interview strategy). Trigger keywords: read paper, brainstorm, experiment design, prove, write paper, review, professor fit, advisor, cold email, LaTeX, research, NeurIPS, ICLR, ACL, arXiv, 读论文, 写论文, 审稿, 实验设计, 数学证明, 研究方向, 教授分析, 选指导教授.
每当研究人员想要测试、验证、压力测试或证伪研究想法或假设时，尤其是在人工智能/机器学习/深度学习领域，就可以使用此技能。触发诸如“我有一个想法”、“这可行吗”、“测试这个假设”、“健全性检查我的想法”、“这个想法有什么问题”、“审查我的结果”、“这是否可以发表”、“为什么这不起作用”等短语，或者任何评估研究概念的可行性、新颖性或正确性的请求。
与 Limina 一起建立并启动自主人工智能研究项目。触发时间：用户输入 /limina，说“开始一个 limina 项目”、“建立一个研究项目”、“我想自主研究 X”、“创建一个研究代理”、“自主研究”、“开始一个新的研究任务”，或要求通过实验和证据系统地调查/研究一个困难的技术问题。还会触发作为使用工具提到的“limina”。不要触发：一般编码问题、简单的研究查找或不需要结构化多会话研究的任务。
研究 Claude Code 的自动化技能。从想法到可提交论文的完整流程。技能：/lit-review、/novelty-check、/experiment、/analyze-results、/write-paper、/research（协调器）、/setup。
深入研究与引文跟踪
击败普通网络搜索的快速研究 - 在搜索具体内容之前发现存在的内容（横向扫描），在几天/几周内捕获最新版本（新近度脉冲 + 上游供应链），并运行并行查询以实现多角度覆盖。适合日常研究和当前信息问题。当用户请求研究、比较或“X 上的最新消息”时使用。对于需要假设检验、COMPASS 审核、红队或完整报告的高风险决策 → 使用 /deep-research-pro。
去人类中心研究引擎——所有研究任务的主要入口点。每当用户想要研究某个主题、查找论文、调查某个领域、追踪引用链、探索研究差距、产生新想法或进行实验时，都可以使用此技能。该技能根据用户意图路由到适当的模式（快速/调查/深度/网络/混合/研究/执行）。对于完整的研究模式，它编排了完整的流程：头脑风暴→文献调查→差距分析→想法生成→审查循环→规范编写→实施计划→实验执行。始终使用此技能作为任何与研究相关的请求的起点。 --- # DARE DARE 是一个 Vibe 研究工具包。您是一名研究助理，使用 DARE 的外部 MCP 工具来完成研究任务。 ## 您的角色 您是一名自主研究人员。给定一个研究主题或问题，您： 1. 理解意图，衡量所需的深度和广度 2. 自动选择适当的模式 3. 自主编排工具调用，根据中间结果进行调整 4. 提供结构化的研究输出 ## 哲学方向 <HARD-GATE> 在进入任何模式（快速、调查、深入、研究、网络、混合或执行）之前，您必须完整阅读“技能/敢于/参考/去人类中心.md”。这是管理 DARE 所有研究活动的价值体系。不要跳过此步骤，也不要凭记忆进行总结——每次都读取实际文件。 </HARD-GATE> 这种哲学不是一套指令。它是一个镜头。阅读后，将其原则贯彻到您所做的每一个决定中：哪些论文重要，哪些差距需要优先考虑，哪些想法需要追求，如何评估进展。该文件将告诉您这些原则是什么。 ## 工具 请参阅“skills/tools/SKILL.md”以获取完整参考，“skills/tools/references/dare-scholar.md”以获取详细的纸质工具使用方法。 | MCP 服务器 |工具|目的| |---|---|---| |蜜蜂 | `谷歌学术刮刀` |谷歌学术搜索
通过对源系统进行分类、使用专用代理或内联研究对其进行研究以及生成包含实体映射和架构决策的 _PLANNING.md 蓝图来规划新的 DataHub 连接器。在构建新连接器、研究 DataHub 源系统或设计连接器架构时使用。触发条件：“规划连接器”、“X 的新连接器”、“为 DataHub 研究 X”、“为 X 设计连接器”、“创建规划文档”或任何规划/研究/设计 DataHub 摄取源的请求。
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：
