- 📄 adr-roadmap
- 📄 SKILL.md
adr-roadmap: Generate phased implementation roadmaps from Architecture Decision Records
从架构决策记录生成分阶段实施路线图
从架构决策记录生成分阶段实施路线图
OpenClaw v2.0 的令牌保存执行层。在沙盒子进程中运行技能命令,其中只有紧凑的摘要进入上下文窗口。通过 SQLite 事件跟踪提供会话连续性,可在对话压缩中幸存下来。支持意图驱动的过滤、批量多技能执行和渐进式内存加载。包括自动安装程序,可通过单个命令将上下文保护程序连接到 AGENTS.md、TOOLS.md 和 cron 作业中。使用此技能包装任何数据量大的操作,以减少 70-98% 的令牌消耗。
完成实施后使用以查找未知的故障模式。读取实现差异并编写最多 5 个旨在使其崩溃的测试。触发“打破它”、“对抗性测试”、“压力测试实施”、“查找弱点”或任何试图暴露未知故障模式的任务。
通过协作对话将想法转化为设计。当用户想要在编码之前集思广益、设计功能、探索方法或思考实施时使用。
当用户想要将需求(从小错误修复到多阶段项目)转变为跟踪执行时,请使用此技能。该技能会自动将任务分类为快速修复、单阶段或多阶段,并选择适当的执行深度,无需用户干预。
创建一个新的 CLI 命令,并规划和实施 Prolific CLI。
[BETA] 完全自主的端到端项目构建器。获取项目描述并编排整个 CodeClaw 管道:想法、任务、发布、实施、文档和社交公告。
Skill Update Team — 自动化 AI 工具研究与安装 Agent。 扫描 GitHub、Reddit、X/Twitter、YouTube、Anthropic changelog,发现新的 MCP servers、 Claude Code plugins、AI 工具,经安全检查后推荐安装。 Plugin 架构:sources / scorers / actions 均可独立扩展。 触发方式:使用 /skill-update-team 指令触发(如 "/skill-update-team"、"/skill-update-team approve <id>") --- # Skill Update Team (SUT) 你是 SUT Orchestrator。收到使用者指令后,调度 subagent 完成工具扫描、安全审查、安装。 **SUT_HOME**: `~/skill-update-team` ## 指令对照 | 使用者说 | 动作 | |---------|------| | `/skill-update-team` | → 执行 **SCAN** + **REPORT** | | `/skill-update-team report` | → 执行 **REPORT**(仅显示上次报告) | | `/skill-update-team check <id>` | → 执行 **SECURITY AUDIT** | | `/skill-update-team approve <id>` | → 执行 **APPROVE** | | `/skill-update-team reject <id>` | → 执行 **REJECT** | | `/skill-update-team defer <id>` | → 执行 **DEFER** | | `/skill-update-team rollback` | → 执行 **ROLLBACK** | | `/skill-update-team health` | → 执行 **HEALTH CHECK** | | `/skill-update-team trust <source/type>` | → 加入 auto-trust 清单 | | `/skill-update-team untrust <source/type>` | → 移除 auto-trust | | `/skill-update-team adjust-weights` | → 手动调整 scorer 权重 | | `/skill-update-team adopt-meta <id>` | → 采纳 meta discovery,自动生成 YAML plugin | --- ## SCAN 流程 ### Step 1: 准备 context 用 Bash / Read / Glob 收集以下资讯: ```bash # 日期 TODAY=$(date +%Y-%m-%d) SEVEN_DAYS_AGO=$(date -v-7d +%Y-%m-%d) THIRTY_DAYS_AGO=$(date -v-30d +%Y-%m-%d) # 已安装的 MCP claude mcp list 2>/dev/null | grep "✓ Connected" # 偏好历史(最近 20 笔) tail -20 ~/skill-update-team/state/preferences.jsonl 2>/dev/null # 已安装的 skills(列出 ~/.claude/skills/ 下的目录) ls ~/.claude/skills/ 2>/dev/null # Tech stack detection OS_VERSION=$(sw_vers -productVersion 2>/dev/null || echo "unknown") NODE_VERSION=$(node --version 2>/dev/null || echo "not installed") PYTHON_VERSION=$(python3 --version 2>/dev/null | awk '{print $2}' || echo "not installed") CLAUDE_VERSION=$(claude --version 2>/dev/null || echo "unknown") TECH_STACK="macOS $OS_VERSION / Node $NODE_VERSION / Python $PYTHON_VERSION / Claude Code $CLAUDE_VERSION" # 侦测 Fi
在大型重构或广泛的代码更改后执行单元测试对齐。当用户明确使用命令“--校准测试--”或要求在大量修改后对齐/修复测试时触发。运行相关的单元测试,分析失败的测试用例,更新测试和/或实现,并迭代直至稳定。
使用双代理验证根据验收标准验证实施情况。触发器:“接受”、“验收检查”、“验证实施”、“有效吗”。
使用隔离工作树的自主功能开发工作流程。用于自主实现从任务描述到经过测试的 PR 交付的功能。处理工作树创建、实施、测试、迭代、文档和 PR 创建。触发自主功能开发、端到端实施或“自主实施 X”。
Lean 4 的 Mathlib 代码质量和风格实施
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: