评估现有的 Python、bash 或混合管道是否适合无缝（内容寻址缓存、可重复执行、本地到集群扩展）。在包装脚本或函数而不重写它们、避免重新计算、比较工作流框架（与 Snakemake、Nextflow、CWL、Airflow、Prefect）、迁移管道或设置远程/HPC 执行时触发。涵盖直接/延迟装饰器、无缝运行的 CLI、嵌套、模块包含、暂存/见证模式、深度校验和以及执行后端（本地、jobserver、daskserver）。提供有关远程执行和确定性的安全指导 - 避免幼稚的“将代码复制到服务器”建议。
使用 Python pyservicemaker API 进行 NVIDIA DeepStream SDK 9.0 开发。在构建视频分析管道、基于 GStreamer 的视频处理、TensorRT 推理集成、对象检测/跟踪或 Kafka/消息代理集成时使用。
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 — 来自规范编程书籍的精选技能。涵盖 Kotlin、Python、Java、TypeScript、Rust、架构、DDD、数据密集型系统、UI 设计等。通过 npx Skillsadd booklib-ai/booklib/<name> 安装个人技能。
具有智能优化功能的跨平台磁盘空间管理工具包。要求：Python 3.7+。通用兼容性：适用于所有 AI IDE（Cursor、Windsurf、Continue、Aider、Claude Code 等）。独立于平台：可在任何位置工作 - 全局、项目或用户级别。独立：无需 pip 安装，包括智能引导程序。 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扫描：使用 os.scandir()、并发扫描、智能采样，速度提高 3-5 倍。 代理工作流程：(1) 检查 Python，(2) 查找技能包（自动检测 20 多个位置），(3) 运行诊断，(4) 对大磁盘使用渐进式扫描。技能包包括所有优化模块 - 不会丢失任何功能！
分析 AdVooster_Electron 项目 (/Users/tk/AdVooster_Electron) 的 Python 代码，以提取要移植到 viruagent-cli 的业务逻辑、API 端点、身份验证流程和数据结构。如果您提到“AdVooster 分析”、“Cafe API 分析”、“Cafe 订阅分析”、“从 AdVooster 导入”、“advooster”、“现有代码分析”等，请使用此技能。
FastAPI 工程选择。当要求在 fastapi 代码库中“创建路由器”、“创建 CRUD 路由器”、“添加新端点”或类似内容时使用。
在现代 Web 应用程序中构建、集成或迁移 WorkOS Widget。在 Next.js、React Router、TanStack Router、TanStack Start、Vite、SvelteKit、Ruby、Python、Go、PHP 或 Java 堆栈中实现用户管理、用户配置文件、管理员门户 SSO 连接或管理员门户域验证小部件时，请使用此技能。检测活动堆栈、身份验证/令牌策略、数据层样式和 UI 约定；然后根据捆绑的 Widgets OpenAPI 规范，通过正确的访问令牌流和 API 调用来实现小部件集成。
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":
使用 marimo 进行交互式反应式 Python 笔记本开发 - 最佳实践、UI 组件、MCP 集成和部署工作流程
Nerve 后端 (Python) 和前端 (React/TS) 开发和代码贡献。在为 Nerve 编写 Python 代码、修复错误、添加功能、审查 Nerve PR、构建前端、运行测试或使用 Nerve 代码库时使用。触发“神经代码”、“神经 PR”、“修复神经”、“神经功能”、“神经测试”、“构建神经 UI”、“神经迁移”。
使用 TypeScript、Python 或 Go 为 Orca 机器生成操作脚手架代码。当用户拥有经过验证的计算机并需要操作功能的实现存根时使用。当机器文件还包含决策表时，会自动包含已编译的评估器函数和连线操作存根。
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：
