- 📁 references/
- 📄 SKILL.md
accessorysetupkit
使用 AccessorySetupKit 发现并配置蓝牙和 Wi-Fi 配件。在呈现隐私保护附件选择器、定义 BLE 或 Wi-Fi 设备的发现描述符、处理附件会话事件、从 CoreBluetooth 基于权限的扫描迁移或设置附件而不需要广泛的蓝牙权限时使用。
使用 AccessorySetupKit 发现并配置蓝牙和 Wi-Fi 配件。在呈现隐私保护附件选择器、定义 BLE 或 Wi-Fi 设备的发现描述符、处理附件会话事件、从 CoreBluetooth 基于权限的扫描迁移或设置附件而不需要广泛的蓝牙权限时使用。
检查验证代理质量的维度 - 模板合规性、安全性、测试和优先级验证
通过WebSocket长连接连接飞书(Lark)机器人和Clawdbot。不需要公共服务器、域或 ngrok。在将飞书/Lark 设置为消息通道、对飞书网桥进行故障排除或管理网桥服务(启动/停止/日志)时使用。涵盖飞书开放平台上的机器人创建、凭证设置、桥接启动、macOS launchd 自动重启和群聊行为调整。
通过分析应用程序的代码库、发现核心优势以及使用 Nano Banana Pro 创建 ASO 优化的屏幕截图图像,生成高转化率的 App Store 屏幕截图。
巴逆逆反指标分析。触发时机:使用者要求追踪巴逆逆、分析反指标、抓取社群贴文并推送 Telegram 时。 能力范围:透过 CLI 抓取 Facebook 贴文、反指标逻辑分析、连锁效应推导、Telegram 推送。 目标:由 Claude 作为分析引擎,产出直白中文的反指标分析报告。 --- # banini-tracker — 巴逆逆反指标分析 追踪「股海冥灯」巴逆逆(8zz)的 Facebook 贴文,由你(Claude)进行反指标分析,推送结果到 Telegram。 ## 前置条件 ```bash # 首次使用:初始化设定 npx @cablate/banini-tracker init --apify-token <TOKEN> --tg-bot-token <TOKEN> --tg-channel-id <ID> # 确认设定 npx @cablate/banini-tracker config ``` ## 工作流程 ### Step 1:抓取贴文 ```bash npx @cablate/banini-tracker fetch -s fb -n 3 --mark-seen ``` 输出是 JSON 阵列,每篇贴文包含: - `id` / `source` - `text`(贴文内容) - `ocrText`(图片 OCR 文字,可能包含下单截图) - `timestamp` / `url` / `likeCount` - `mediaType` / `mediaUrl` `--mark-seen` 会自动记录已读,下次不重复抓。 ### Step 2:你来分析 读取 Step 1 的 JSON 后,进行反指标分析。分析要点: **核心逻辑**(方向完全相反,不要搞混): | 她的状态 | 反指标解读 | |---------|-----------| | 买入/加码 | 该标的可能下跌 | | 被套(还没卖) | 可能继续跌(她还没认输) | | 停损/卖出 | 可能反弹上涨(她认输 = 底部讯号) | | 看多/喊买 | 该标的可能下跌 | | 看空/喊卖 | 该标的可能上涨 | **分析原则**: - 只根据贴文明确提到的操作判断,不要脑补 - 停损 = 她之前买了(做多),现在卖掉认赔。不是「放空」 - 标的用正式名称(信骅、钛升),不用她的昵称(王、渣男) - 当天贴文最重要,注意时序(她的想法可能几小时内改变) - 语气越笃定/兴奋 → 反指标信号越强 - 善用 WebSearch 查询标的最新走势,丰富分析 **连锁效应推导**: - 她买油正二被套 → 油价可能继续跌 → 原物料成本降 → 制造业利多 - 她停损钛升 → 钛升可能反弹 → IC 设计族群连动上涨 - 她停损卖出油正二 → 油价可能反弹 → 通膨压力回来 ### Step 3:推送 Telegram 将分析结果写入暂存档再推送(多行讯息用 `-m` 会被 shell 截断,务必用 `-f`): ```bash # 写入暂存档后推送(推荐) npx @cablate/banini-tracker push -f /tmp/report.txt # 短讯息可用 -m npx @cablate/banini-tracker push -m "短讯息" # 纯文字(不解析 HTML) npx @cablate/banini-tracker push -f /tmp/report.txt --parse-mode none ``` ## 其他指令 ```bash # 去重管理 npx @cablate/banini-tracker seen list # 列出所有已读 ID npx @cablate/banini-tracke r seen mark <id...> # 手动标记已读 npx @cablate/banini-tracker seen clear # 清空已读纪录 # 查看/修改设定 npx @cablate/banini-tracker config # 显示设定(token 遮蔽) # 手动编辑: ~/.banini-tracker.json ``` ## 费用参考 Facebook 每次抓取约 $0.02(Apify CU 计费)。 ## 报告格式建议 推送到 Telegram 时建议用以下 HTML 格式。注意: - 每篇贴文附上原文连结(从 fetch 的 `url` 栏位取得) - `<` `>` `&` 必须转义(`<` `>` `&`),避免 HTML 解析错误 - 多行内容务必写入档案后用 `-f` 推送 ``` <b>巴逆逆反指标速
用于 v2/v3 API 兼容性的气流适配器模式。在使用适配器、版本检测或添加需要跨 Airflow 2.x 和 3.x 工作的新 API 方法时使用。
从模板动态创建专门的工作代理。当编排器需要生成特定于任务的工作人员以并行执行时使用。处理代理生命周期:创建 -> 执行 -> 清理。
API 参考:应用程序意图。查询 Siri、快捷方式、Spotlight 集成、公开应用程序功能。
在写作前通过问答指导交互式模块设计。当用户想要一起设计模块、类或功能时,或者当他们说“/spec-design”时使用。
作为独立专家咨询法典。向 codex exec 发送问题或任务并返回响应。
通过使用 ffmpeg 提取和分析视频帧,向文字记录添加视觉描述。使用视频剪辑的定期视觉描述创建视觉记录。当所有文件都存在音频转录本 (transcript) 但尚未创建视觉转录本 (visual_transcript) 时使用。
通过 CLI 分析失败的 Revyl 测试和工作流程报告,对真正的错误、不稳定的测试、基础设施问题或测试设计改进进行分类。
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: