克劳德代码教程的交互式课程级别测验。通过混合概念知识和实践知识的 8-10 个问题测试对特定课程 (01-10) 的理解。在课前使用进行预测试，在课中使用来检查进度，或在课后使用来验证掌握情况。当被要求“对我进行钩子测验”、“测试我对第 3 课的知识”、“课程测验”、“MCP 练习测验”或“我了解技能吗”时使用。
管理 Discord 频道访问 — 批准配对、编辑允许列表、设置 DM/组策略。当用户要求配对、批准某人、检查允许的人员或更改 Discord 频道的政策时使用。
如何使用 OpenCLI 自动化反重力
Give your AI agent eyes to see the entire internet. 17 platforms via CLI, MCP, curl, and Python scripts. Zero config for 8 channels. 【路由方式】SKILL.md 包含路由表和常用命令，复杂场景需按需阅读对应分类的 references/*.md。 分类：search / social (小红书/抖音/微博/推特/B站/V2EX/Reddit) / career(LinkedIn) / dev(github) / web(网页/文章/公众号/RSS) / video(YouTube/B站/播客). Use when user asks to search, read, or interact on any supported platform, shares a URL, or asks to search the web.
让您的人工智能代理有一双能够看到整个互联网的眼睛。通过 CLI、MCP、curl 和 Python 脚本支持 17 个平台。 8 个通道的零配置。
从其链接查看 GitHub 拉取请求，阅读 PR 描述，仅在有用时在本地检查代码，并从安全和运行时安全的角度判断更改是否可以安全运行。仅在用户粘贴 PR URL 后使用。一次处理一个 PR，从概要和讨论开始，并与用户一起保留所有 GitHub 审查和合并操作。
将您的人工智能纳入绩效改进计划。强制利用西方大型科技性能文化的言辞和结构化调试来彻底解决问题。在以下情况下触发：(1) 任务失败 2 次以上或卡在调整相同的方法； (2) 未经核实就说“我不能”，建议手工操作，或归咎于环境； （3）被动——不搜索、不看源码，只是等待； (4) 用户挫败感：“更加努力”、“停止放弃”、“搞清楚”、“再次？？？”或类似内容。也适用于复杂的调试、环境问题、配置/部署失败。所有任务类型：代码、配置、研究、写作、部署、基础设施、API。不要在首次尝试失败或执行已知修复时触发。
当用户明确希望连接到已运行的 Chrome 浏览器（connect_cdp）、扫描本地 CDP 端口、或以暴露 CDP 端口的方式启动浏览器（start + cdp_port）时，使用本 skill。用户没有明确提到 CDP、共享浏览器或远程调试时，启动浏览器不得携带 cdp_port，也不得使用 connect_cdp。CDP 模式会暴露浏览器历史、Cookies 等敏感信息，使用前须告知用户；同一 workspace 同时只能运行或连接一个浏览器。
基于您现有知识并使用您的实际代码库作为示例的个性化编码教程。利用人工智能、间隔重复和测验的力量，创建一个持续的学习轨迹，随着时间的推移，该学习轨迹会不断复合。
当用户提出诸如“我如何做 X”、“为 X 找到一项技能”、“是否有一项技能可以...”或表达对扩展功能的兴趣等问题时，帮助用户发现并安装代理技能。当用户正在寻找可能作为可安装技能存在的功能时，应使用此技能。
从 YouTube 和其他平台下载视频以供离线观看、编辑或存档。处理各种格式和质量选项。
KFL2（Kubeshar 过滤器语言）参考。在编写、构建或建议任何 KFL 过滤器表达式之前必须加载此技能。 KFL 是静态类型的 — 不正确的字段名称或语法将无提示地失败或出错。如果没有加载此技能，请勿猜测 KFL 语法。触发任何提及 KFL、CEL 过滤器、流量过滤、显示过滤器、查询语法、过滤表达式、编写过滤器、构建查询、构建 KFL、创建过滤器表达式、“如何过滤”、“仅向我显示”、“查找流量位置”、特定于协议的查询（HTTP 状态代码、DNS 查找、Redis 命令、Kafka 主题）、Kubernetes 感知过滤（按命名空间、pod、服务、标签、注释）、L4 连接/流过滤器、基于时间的查询、或 Kubeshark 中切片/搜索/缩小网络流量的任何请求。 当其他技能需要构建过滤器时也会触发 - KFL 是所有 Kubeshark 流量分析的查询语言。 --- # KFL2 — Kubeshark 过滤语言 您是 KFL2 专家。 KFL2 基于 Google 的 CEL（通用表达语言）构建，是所有 Kubeshark 流量分析的查询语言。它充当**显示过滤器** - 它不会影响捕获的内容，只会影响您所看到的内容。将 KFL 视为数据库的 SQL 或网络的 Google 搜索语法。 Kubeshark 捕获并索引所有集群流量； KFL 是您搜索它的方式。有关完整的变量和字段参考，请参阅“references/kfl2-reference.md”。 ## 核心语法 KFL 表达式是布尔 CEL 表达式。空过滤器匹配所有内容。 ### 运营商 |类别 |运营商| |----------|------------| |比较| `==`、`!=`、`<`、`<=`、`>`、`>=` | |逻辑 | `&&`、`\|\|`、`!` | |算术| `+`、`-`、`*`、`/`、`%` | |会员资格 | `在` | |三元| `条件？ true_val : false_val` | ### 字符串函数 ``` str.contains(substring) // 子字符串搜索 str.startsWith(prefix) // 前缀匹配 str.endsWith(suffix) // 后缀匹配 str.matches(regex)
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：
