- 📁 tools/
- 📁 workflows/
- 📄 SKILL.md
art-style
从钩子创建视觉提示。预计钩子银行存在。输出用于 MCP 图像生成的提示.json。
从钩子创建视觉提示。预计钩子银行存在。输出用于 MCP 图像生成的提示.json。
使用 Obsidian Vault Pipeline 自动化整理知识库。 **触发场景:** - 用户说 "运行 WIGS 流程"、"整理 Obsidian Vault"、"处理知识库" - 用户说 "提取 Evergreen"、"更新 MOC"、"运行 Pipeline" - 用户提到 "整理笔记"、"知识管理"、"处理书签" - 用户说 "质检"、"质量检查"、"检查一致性" **Vault 位置设置:** 默认使用当前工作目录作为 vault 根目录,或通过 `--vault-dir` 参数指定。 只要用户提到 Obsidian、知识管理、WIGS、Pipeline、Evergreen、MOC 等关键词,就立即使用此 skill。 --- # Obsidian Vault Pipeline Skill ## 概述 此 skill 用于帮助用户运行 Obsidian Vault Pipeline 自动化知识管理流程。 ## 安装 ```bash pip install obsidian-vault-pipeline ``` ## Vault 位置设置 Pipeline 自动检测 vault 位置(按优先级): 1. **当前工作目录** - 默认使用 `cwd` 2. ** `--vault-dir` 参数** - 显式指定 3. **环境变量** - `VAULT_DIR` **最佳实践:** ```bash cd /path/to/my-vault # 进入 vault 目录 ovp --check # 检查环境 ovp --full # 运行完整 pipeline ``` ## 可用命令 | 命令 | 说明 | |------|------| | `ovp --check` | 检查环境配置 | | `ovp --init` | 初始化配置(交互式) | | `ovp --full` | 运行完整 pipeline | | `ovp-article --process-inbox` | 处理 50-Inbox/01-Raw/ 中的文章 | | `ovp-evergreen --recent 7` | 提取最近7天的 Evergreen 笔记 | | `ovp-moc --scan` | 扫描并更新 MOC 索引 | | `ovp-quality --recent 7` | 质量检查 | ## 标准操作流程 ### 1. 首次使用 ```bash # 进入 vault 目录 cd my-vault # 检查环境 ovp --check # 如果提示未配置,运行初始化 ovp --init ``` ### 2. 日常处理 ```bash # 放入新文章到 50-Inbox/01-Raw/ cp article.md my-vault/50-Inbox/01-Raw/ # 运行 pipeline ovp --full ``` ### 3. WIGS 完整性检查 ```bash # 5层一致性检查 ./60-Logs/scripts/check-consistency.sh # 自动修复低风险问题 ./60-Logs/scripts/repair.sh --auto ``` ## 配置文件 在 vault 根目录创建 `.env`: ```bash AUTO_VAULT_API_KEY=your_api_key AUTO_VAULT_API_BASE=https://api.minimaxi.com/anthropic AUTO_VAULT_MODEL=minimax/MiniMax-M2.5 ``` ## 触发词映射 | 用户说 | 执行命令 | |--------|----------| | "运行 WIGS 流程" | `./60-Logs/scripts/check-consistency.sh` | | "整理 Obsidian" | `ovp --full` | | "处理文章" | `ovp-article --process-inbox` | | "提取 Evergreen" | `ovp-evergreen --recent 7` | | "更新 MOC" | `ovp-moc --scan` | | "质量检查" | `ovp-quality --recent 7` | | "检查一致性" | `./60-Logs/scripts/check-consistency.sh` | ## 处理流程 ``` 50-Inbox/01-Raw/ → ovp-article → 20-Areas/深度解读 20-Areas/ →
Projitive 是一种 MCP 优先的治理技能,用于代理驱动的交付。在更改任务状态或编写治理工件之前使用它。核心流程:taskNext->taskContext->执行->验证->taskNext。始终更喜欢 Projitive MCP 方法来进行发现、上下文和主动任务推进。
创建具有清晰视觉方向的独特的生产级前端界面,同时尊重项目设计规范约束、现有设计系统和最小差异工程边界。在构建或重新设计页面、登陆屏幕、仪表板、营销界面或其他视觉质量对结果产生重大影响的前端 UI 时使用。
创建有效技能的指南。当用户想要创建新技能(或更新现有技能)以通过专业知识、工作流程或工具集成扩展代理功能时,应使用此技能。
AI 代理的 Datadog 技能。基本的监控、记录、跟踪和可观察性。
分析、总结 DeLive 转录会话并从中提取见解。触发时间:用户提及 DeLive、转录会话、会议记录、实时字幕或音频转录分析;用户想要搜索、检索、总结或处理记录的文字记录;用户询问 DeLive 的会议记录、行动项目或讨论摘要。需要 DeLive 应用程序通过其 MCP 服务器或 REST API 在本地运行。
使用 Xdebug 的 PHP 调试和分析工具。当要求跟踪、调试、分析或分析 PHP 代码的覆盖范围时使用。触发短语包括“跟踪此函数”、“分析此代码”、“检查覆盖率”、“调试 PHP”、“设置断点”、“查找瓶颈”、“为什么这么慢”、“跟踪”、“分析”、“覆盖率”。
检查您的 Tavilly API 密钥(从 .env 获取)的剩余积分。 *使用 /check-app-stats 进行应用程序使用情况统计
针对代理运行行为基准,检测故障模式,生成指导补丁,并通过自动恢复安全网应用它们。实现 Hermes PR #6120 中的闭环自我改进循环,并通过 GEPA 式进化优化和会话挖掘进行扩展。
四种扫描操作: (1) 模型性能扫描 — 找到模型的最佳批量大小/TGS。用于:扫描批量大小、调整 TGS、基准吞吐量、查找最佳配置。 (2) 节点性能扫描 — 比较每个节点的 GPU 性能以查找异常值。用于:检查节点、节点性能、查找慢节点、比较节点。 (3) 节点网络健康扫描——通过多节点平分检测节点间网络问题。用于:网络健康状况、IB 问题、RCCL 问题、节点对测试、隔离网络问题。 (4) 模型扫描 — 在一次或两次提交上运行所有模型配置。用于:回归测试、验证提交、测试所有模型、冒烟测试、CI、比较分支。
通过 homebutler CLI 管理 Homelab 服务器。检查系统状态、管理 Docker 容器、安装自托管应用程序、LAN 唤醒、端口扫描、警报、备份/恢复和多服务器 SSH。
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: