为 AI 代理运行新会话浏览器自动化和确定性网站验证。当工作需要干净的一次性浏览器、稳定的快照引用以及跨表单、页面状态、屏幕截图和可访问性树检查的明确前后证据时使用。不适用于重用用户已打开的浏览器（“playwriter”）、精确渲染的 UI 反馈数据包（“代理”）或计划/差异批准（“plannotator”）。
在评估学术论文或调查研究主题时使用。收集地点、引文、GitHub 统计数据、社会热点、可重复性和作者信号，以生成评分的 Markdown 报告。触发因素：“评估论文”、“论文评论”、“研究调查”、“文献评论”、“这篇论文好不好”、“查找论文”、“比较论文”、“论文影响”
将 Claude 转变为 CFA 级金融分析师，负责估值、信用分析、交易建模、投资组合构建、基金结构、三语句建模、蒙特卡罗模拟、情景分析、盈利质量评估、股息政策分析和财务取证。适用于任何估值（DCF、WACC、比较）、信用评估、PE/LBO 建模、并购增值/稀释、基金经济学、GP/LP 分割、GAAP/IFRS 调节、预扣税、NAV 计算、UBTI 筛选、财务建模、蒙特卡罗 DCF、投资组合分析、情景/敏感性分析、盈利质量筛选（Beneish、Piotroski、应计/收入质量）、股息估值需要（DDM、回购、支付可持续性、TSR）或财务取证（本福德定律、杜邦、Z 分数、同行基准比较、危险信号）。与 corp-finance-mcp 工具配对进行计算。
对最近的变更进行彻底的自我审查。
创建定时任务自动监控视频生成状态，下载完成视频，重试因并行限制失败的任务。使用 /auto-video ep01 启动，任务全部完成后自动停止。
用于在不破坏现有后端合同的情况下提高 LawnBerry Pi AI 结果质量。涵盖 ai_service 审查、模型工件或规则改进、保守评估、性能说明以及避免过早加速器特定的流失。
JVM 上 AI 代理的生产持久性模式 — 崩溃恢复、审计跟踪、人机交互以及使用 JamJet 运行时的重放测试
用于 AI 代理的浏览器自动化 CLI。当用户需要与网站交互时使用，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浏览器任务。触发器包括“打开网站”、“填写表单”、“单击按钮”、“截取屏幕截图”、“从页面抓取数据”、“测试此 Web 应用程序”、“登录网站”、“自动执行浏览器操作”或任何需要编程 Web 交互的任务的请求。
HERITAGE 技能描述了审计跟踪和内存框架之间的捐赠者桥梁（memory_pack、memory_bundle、memory_verify、context_create、ams_session_resume）。不要在阶段 0 中调用——内存_*系列被推迟，并且在阶段 0 中审计和内存之间没有“桥梁”。 ze（决策跟踪）+ η（证明存储）一半通过audit_session_start /thought_record/audit_verify_chain/merkle_finalize/merkle_root/audit_session_end（6个工具）工作。有关有效的第 0 阶段证明级别工作，请参阅 colibri-mcp-server/references/workflow.md §工作流程 3 中的 colibri-audit-proof 技能和第 0 阶段证明级别工作流程。
使用 3 代理管道（分析师 → 构建者 → 验证者）协调 Nexus Workflow Studio 的功能开发、错误修复和重构。当用户要求实现功能、修复错误、添加节点类型、修改工作流编辑器、更改生成/导出行为、更新存储或对 Nexus 进行任何重要的代码更改时，请使用此技能。还会触发：开发、实施、构建、创建、添加、修复、重构、更新、修改、更改。后续工作：重新运行、重做、更新结果、改进、修复实施、重试、修改。
一种由 DeepSearch 驱动的工作流程技能，可将任何公众人物提炼为可调用的 Claude 技能。使用它来协调并行搜索、数据清理、结构研究和技能组装。
运行 Omni-Pi 的完整质量门 - 类型检查然后测试套件。在提交之前或重大更改之后使用。
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：
