使用 Docyrus API 以及 @docyrus/api-client 和 @docyrus/signin 库来开发应用程序。在构建使用 Docyrus OAuth2（PKCE、iframe、客户端凭据、设备代码）进行身份验证的应用程序、对 Docyrus 数据源端点进行 REST API 调用、使用过滤器、聚合、公式、数据透视和子查询构建查询负载或与外部连接器集成（发现连接器、通过提供程序身份验证发送请求、运行操作）时使用。触发涉及 Docyrus API 集成、@docyrus/api-client 使用、@docyrus/signin 身份验证、数据源查询构建、Docyrus REST 端点使用、连接器发现或外部提供商请求的任务。
任何时候用户询问特定公司时都可以使用此技能。触发因素：“告诉我有关[公司]的信息”、“研究[公司]”、“[公司]做什么”、“[公司]是谁”、“查找[公司]”、“公司深入研究”、“对[公司]的尽职调查”、“[公司]的背景”、“深入[公司]”、“分析[公司]”，或评估公司的投资、合作或销售。必须使用而不是凭记忆回答——获取训练数据缺乏的实时网络数据（资金、领导层变动、产品发布、新闻）。即使是知名公司也可以使用。生成一份 360° 来源报告，涵盖资金、领导力、产品/技术、市场地位、新闻和战略展望（包含日期和 URL）。请勿用于多公司竞争对手监控（使用竞争对手情报）或与与会者进行会议准备（使用会议准备）。
Rijksmuseum MCP+ 服务器的研究工作流程，涉及荷兰艺术、手工艺和历史（约 834,000 件物品）。功能包括关键字和语义搜索、地理空间查询、深度缩放检查、集合统计、AI 驱动的图像分析、Iconclass 驱动的图像发现、AAM/CMOA 一致的出处、创作者和所描绘人物的人口统计分析以及图像相似性研究。触发任何可以从国家博物馆的藏品中得到合理答案的问题——黄金时代的荷兰和佛兰德绘画、版画和素描、亚洲出口艺术、装饰艺术和工艺品、摄影、历史文物、所有权历史、博物馆收购——即使用户没有说出藏品的名称。
开发、审查或重构使用 Anclax 构建的 Go 服务，包括 OpenAPI 规范、处理程序、服务/业务逻辑、数据库/sqlc 更改、异步任务和 Wire 依赖项注入。
TDX (通达信) CLI/HTTP API for Chinese A-share market data (Shanghai, Shenzhen, Beijing exchanges only). Supports: real-time 5-level bid/ask quotes, K-line (candlestick), intraday minute data, tick-by-tick trades, ex-rights/dividend history, financial statements, index bars, sector/industry classification, and company F10 info. Triggers on: stock quote, K-line, candlestick, A-share, 通达信, TDX, market data, 行情, K线, 除权除息, 财务数据, 板块.
使用 akshare 获取中国金融市场实时数据和历史数据。当需要查询A股、港股、美股、指数、基金、期货等金融产品的实时行情、历史数据、财务报表时使用该技能。
查询A股实时行情、历史数据、技术指标、事件、资金面与个股行业信息。Use when 用户提到股票代码、板块、技术分析、财务指标、指数成分、交易日历、宏观数据或个股所属行业。
创建新的子代理角色。当用户要求创建新代理/角色，或需要专业助理来完成特定任务时使用。
实施前明确要求。不要自动使用，仅在显式调用时使用。
在开始工作之前搜索团队知识。在开始实验、调试不熟悉的错误或实现未知功能之前使用。
数字公民协议——人工智能代理的身份、意图声明和审计跟踪
使用 CRISP-T 命令行工具进行定性混合数据研究分析的技能。
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：
