Assesses whether an existing Python, bash, or hybrid pipeline is a good fit for Seamless (content-addressed caching, reproducible execution, local-to-cluster scaling). Triggers when wrapping scripts or functions without rewriting them, avoiding recomputation, comparing workflow frameworks (vs Snakemake, Nextflow, CWL, Airflow, Prefect), migrating a pipeline, or setting up remote/HPC execution. Covers direct/delayed decorators, seamless-run CLI, nesting, module inclusion, scratch/witness patterns, deep checksums, and execution backends (local, jobserver, daskserver). Provides safe guidance on remote execution and determinism — avoids naive "copy code to server" suggestions.
NVIDIA DeepStream SDK 9.0 development with Python pyservicemaker API. Use when building video analytics pipelines, GStreamer-based video processing, TensorRT inference integration, object detection/tracking, or Kafka/message broker integration.
- 📁 assets/
- 📁 references/
- 📁 scripts/
- 📄 .gitignore
- 📄 LICENSE
- 📄 README.md
AI 虚拟试穿 Agent。用户提供服装信息（图片或文字描述均可）， Agent 全程引导完成：服装图预处理 → AI 生成模特 → 虚拟试穿合成 → 生成展示视频。 支持阿里云百炼试衣 API、豆包 Seedream 生图、豆包 Seedance 生视频。 当用户提到"试穿"、"试衣"、"穿上效果"、"模特上身"、"虚拟试衣"、 "看看穿上什么样"、"帮我生成穿衣效果"、"virtual try-on"、"上身图"、 "换装"、"我想看穿上的效果"时，必须立即触发此 Agent。 --- # AI 虚拟试穿 Agent ## 职责 引导用户完成虚拟试穿全流程，输出试穿效果图和展示视频。 不涉及上架、文案、定价。有上架需求告知使用 shopify-quick-listing。 --- ## 配置说明（告知用户时必须按此说明） **.env 文件的唯一标准位置是 `scripts/` 目录：** ``` ~/.claude/skills/ai-tryon/scripts/.env ← 正确位置 ~/.claude/skills/ai-tryon/.env ← 错误，不要放这里 ``` 告知用户配置的标准话术： > 请在 Skill 的 scripts 目录下创建 .env 文件： > ```bash > cp ~/.claude/skills/ai-tryon/scripts/.env.example \ > ~/.claude/skills/ai-tryon/scripts/.env > # 然后编辑填入 Key > ``` 不要让用户在 `ai-tryon/` 根目录或其他位置创建 .env。 --- ## 输出目录约束（最高优先级规则） **所有脚本调用都必须传 `--output-dir`，绝对禁止省略。** 输出目录的唯一真实来源是 `.env` 中的 `TRYON_OUTPUT_DIR` 环境变量： ```bash # .env 示例 TRYON_OUTPUT_DIR=/Users/xxx/Desktop/tryon_output ``` ### 对话开始时锁定 Session（必须在首次调用任何脚本前执行） **每次对话开始时，立即运行以下命令锁定本次任务目录，整个对话全程复用此 `OUTPUT_DIR`：** ```bash # 一行命令：获取（或创建）当前 session 目录，同时确保目录存在 OUTPUT_DIR=$(python scripts/output_manager.py --get-session) echo "本次任务目录：$OUTPUT_DIR" ``` - **24 小时内**再次运行同一命令，返回同一个 `task_YYYYMMDD_HHMMSS` 目录（文件不会覆盖） - 用户明确说「开始新任务」/「重新来」时，改用： ```bash OUTPUT_DIR=$(python scripts/output_manager.py --new-session) echo "新任务目录：$OUTPUT_DIR" ``` 然后每次调用脚本**必须传入同一个 `$OUTPUT_DIR`**： ```bash python scripts/image_gen_tryon.py --desc "..." --output-dir "$OUTPUT_DIR" python scripts/tryon_runner.py --garment g.jpg --output-dir "$OUTPUT_DIR" python scripts/video_gen.py --image img.jpg --output "$OUTPUT_DIR" ``` ### 为什么必须这样做 - 不传 `--output-dir` 时脚本会 fallback 到 `TRYON_OUTPUT_DIR` 环境变量或当前终端 pwd 下的 `tryon_output/` - **但 Agent 子进程的 pwd 不可控**，可能导致文件散落到意外位置 - 多轮对话后 Agent 容易遗忘，显式传参是唯一可靠保证 ### 输出文件名控制（可选） `image_gen_tryon.py` 支持 `--output-filename`，生成后会将第一个结果复制为指定文件名： ```bash python scripts/image_gen_tryon.py --desc "..." --output-dir "$OUTPUT_DIR" \ --output-filename model_ruyan_custom.jpg ``` ### 目录结构 每次对话/试穿任务自动创建独立的 session 子目录（以日期
BookLib — curated skills from canonical programming books. Covers Kotlin, Python, Java, TypeScript, Rust, architecture, DDD, data-intensive systems, UI design, and more. Install individual skills via npx skillsadd booklib-ai/booklib/<name>.
- 📁 diskcleaner/
- 📁 docs/
- 📁 references/
- 📄 AGENT_QUICK_REF.txt
- 📄 disk-cleaner.skill
- 📄 INSTALL.md
Cross-platform disk space management toolkit with intelligent optimization. REQUIREMENTS: Python 3.7+. UNIVERSAL COMPATIBILITY: Works with ALL AI IDEs (Cursor, Windsurf, Continue, Aider, Claude Code, etc.). PLATFORM-INDEPENDENT: Works at any location - global, project, or user level. SELF-CONTAINED: No pip install needed, includes intelligent bootstrap. 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 SCANNING: 3-5x faster with os.scandir(), concurrent scanning, intelligent sampling. AGENT WORKFLOW: (1) Check Python, (2) Find skill package (20+ locations auto-detected), (3) Run diagnostics, (4) Use progressive scanning for large disks. The skill package includes all optimization modules - no features are lost!
AdVooster_Electron 프로젝트(/Users/tk/AdVooster_Electron)의 Python 코드를 분석하여 viruagent-cli에 포팅할 비즈니스 로직, API 엔드포인트, 인증 흐름, 데이터 구조를 추출한다. 'AdVooster 분석', '카페 API 분석', '카페 가입 분석', 'AdVooster에서 가져와', 'advooster', '기존 코드 분석' 등을 언급하면 이 스킬을 사용할 것.
FastAPI engineering choices. To be used when asked to "create router", "create crud router", "add new endpoint" or similar in a fastapi codebase.
Build, integrate, or migrate WorkOS Widgets in modern web apps. Use this skill when implementing User Management, User Profile, Admin Portal SSO Connection, or Admin Portal Domain Verification widgets across Next.js, React Router, TanStack Router, TanStack Start, Vite, SvelteKit, Ruby, Python, Go, PHP, or Java stacks. Detect the active stack, auth/token strategy, data-layer style, and UI conventions; then implement widget integration with correct access-token flow and API calls based on the bundled Widgets OpenAPI spec.
- 📁 examples/
- 📁 references/
- 📄 SKILL.md
Interactive reactive Python notebook development with marimo - best practices, UI components, MCP integration, and deployment workflows
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":
Generate action scaffold code for an Orca machine in TypeScript, Python, or Go. Use when the user has a verified machine and wants implementation stubs for the action functions. When the machine file also contains decision tables, compiled evaluator functions and wired action stubs are included automatically.
Nerve backend (Python) and frontend (React/TS) development and code contribution. Use when writing Python code for Nerve, fixing bugs, adding features, reviewing Nerve PRs, building the frontend, running tests, or working with the Nerve codebase. Triggers on "nerve code", "nerve PR", "fix nerve", "nerve feature", "nerve test", "build nerve UI", "nerve migration".
