使用 Google TimesFM 基础模型进行零样本时间序列预测。在预测任何单变量时间序列（销售、传感器读数、股票价格、能源需求、患者生命体征、天气或科学测量）时使用此技能，无需训练自定义模型。支持具有动态和静态外生变量的基本预测和高级协变量预测 (XReg)。在加载模型之前自动检查系统 RAM/GPU，在处理之前验证数据集拟合，支持 CSV/DataFrame/数组输入，并返回具有校准预测间隔的点预测。包括一个预检系统检查器脚本，必须在首次使用之前运行，以验证机器可以加载模型并处理您的特定数据集。
使用 Tinker API 的核心指南 — 安装、模型选择、SDK 基础知识、类型、CLI 和超参数。每当用户询问有关 Tinker 入门、选择模型、使用 SDK、API 类型、CLI 命令或调整超参数时，请使用此技能。这是基本技能——针对任何一般 Tinker 问题触发它。
自动评估和比较多个 AI 模型或代理，无需预先存在测试数据。从任务描述生成测试查询，从所有目标端点收集响应，自动生成评估标准，通过判断模型运行成对比较，并通过报告和图表生成胜率排名。支持检查点恢复、增量端点添加、判断模型热插拔。当用户要求在自定义任务上对多个模型或代理进行比较、基准测试或排名，或运行竞技场式评估时使用。 --- # Auto Arena Skill 使用 OpenJudge `AutoArenaPipeline` 进行端到端自动化模型比较： 1. **生成查询** — LLM 根据任务描述创建不同的测试查询 2. **收集响应** — 同时查询所有目标端点 3. **生成细则** — LLM 从任务 + 示例查询中生成评估标准 4. **成对评估** - 判断模型比较每个模型对（位置偏差交换） 5. **分析和排名** - 计算胜率、胜率矩阵和排名 6. **报告和图表** - Markdown 报告 + 胜率条形图 + 可选矩阵热图 ## 先决条件 ```bash # 安装 OpenJudge pip install py-openjudge # auto_arena （图表生成）的额外依赖项 pip install matplotlib ``` ## 之前从用户处收集跑步|信息 |必需的？ |笔记| |------|---------|--------| |任务描述|是的 |模型/代理应该做什么（在配置 YAML 中设置）| |目标端点|是的 |至少 2 个 OpenAI 兼容端点可供比较 | |判断端点|是的 |用于成对评估的强大模型（例如“gpt-4”、“qwen-max”）| | API 密钥 |是的 |环境变量：`OPENAI_API_KEY`、`DASHSCOPE_API_KEY`等。 | |查询数量 |没有 |默认值：`20` | |种子查询 |没有 |指导生成风格的示例查询 | |系统提示|没有 |每个端点系统提示| |输出目录 |没有 |默认值：`./evaluation_results` | |报告语言 |没有 | `"zh"`（默认）或 `"en"` | ## 快速启动 ### CLI `
构建 ForgeCAD 模型，同时积极寻找 API 摩擦 — 缺少帮助程序、笨拙的模式、错误的默认值、冗长的样板文件。当被要求进行测试、对 API 进行压力测试或构建模型以改进 ForgeCAD 时使用。
检查外部预测模型实现并使其适应 EasyTSF 任务合约。当用户提供模型代码、类定义、前向逻辑或配置片段并希望 Codex 将目标任务分类为“sequence_prediction”、“graph_prediction”或“grid_prediction”时使用，确定当前存储库适合度，并生成直接适应计划或存储库扩展计划。
在线束模型注册表中添加或更新模型。当用户想要添加新的 AI 模型、更新模型定价或更改线束的默认模型时使用。
向 vLLM-Omni 添加新的扩散模型（文本到图像、文本到视频、图像到视频、文本到音频、图像编辑），包括 Cache-DiT 加速和并行支持（TP、SP/USP、CFG-Parallel、HSDP）。在集成新的扩散模型、将扩散器管道或自定义模型存储库移植到 vllm-omni、创建新的 DiT 转换器适配器、添加扩散模型支持或为现有模型启用多 GPU 并行性和缓存加速时使用。
使用 Mermaid.js ER 图和定义实体、关系、数据类型和验证规则的属性表创建实体模型文档。当用户要求“创建实体模型”、“设计数据模型”、“绘制 ERD”、“定义数据库模式”、“模型实体”或提及实体关系图、ER 图、数据库设计或数据建模时使用。 --- # 实体模型 ## 使用说明 根据 `docs/requirements.md` 在 `docs/entity_model.md` 创建或更新实体模型。该文档包含 ER 图和属性表。 ## 不要 - 在美人鱼图中添加属性/列 - 编写散文描述，例如“关键属性：姓名、电子邮件...” - 创建“关系”表 - 跳过属性表 ## 文档结构 ```markdown # 实体模型 ## 实体关系图 ```mermaid erDiagram ROOM_TYPE ||--o{ ROOM : "categorizes" GUEST ||--o{ RESERVATION : "makes" ``` ### ENTITY_NAME 描述实体的一句话。 |属性 |描述 |数据类型|长度/精度 |验证规则 | |------------|-------------|------------------------|--------------------------------|------------------------| |编号 | ... |长| 19 | 19主键、序列| | ... | ... | ... | ... | ... | ## 每个实体所需的格式
指导 ACT-R 认知模型构建：块类型、产生规则、子符号参数和模型验证
当用户询问“AI安全”、“ML管道攻击”、“提示注入”、“模型反序列化”、“不安全模型加载”、“Jupyter注入”、“LLM安全”，或者需要识别使用机器学习框架的代码库中特定于AI/ML的漏洞时，应该使用此技能。
与其他 LLM（Gemini、GPT、ChatGPT、Codex、o3、DeepSeek、Qwen、Grok、Mistral 等）进行对话，并将结果折叠回您的上下文中。触发时间：用户要求与另一个法学硕士或模型交谈、聊天、使用、通话或产生；用户提及 Gemini、GPT、ChatGPT、Codex、o3、DeepSeek、Claude（作为 sidecar 目标）、Qwen、Grok、Mistral 或任何非当前模型的名称；用户要求从另一个模型获得第二意见；用户希望使用不同的模型进行并行探索；用户说“sidecar”、“fork”或“fold”。
使用 build123d 根据文本描述生成 3D 模型，并将其渲染在浏览器查看器中。当要求“渲染”、“制作 3D 模型”、“创建零件”、“设计”、“建模”或任何 3D 建模请求时使用。
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：
