- 📁 .claude-plugin/
- 📁 agents/
- 📁 fixtures/
- 📄 .clawhubignore
- 📄 .gitignore
- 📄 CLAUDE.md
last30days-cn
中国平台深度研究引擎 - 覆盖微博、小红书、B站、知乎、抖音、微信公众号、百度搜索、今日头条等8大平台,AI综合分析生成有据可查的研究报告。
中国平台深度研究引擎 - 覆盖微博、小红书、B站、知乎、抖音、微信公众号、百度搜索、今日头条等8大平台,AI综合分析生成有据可查的研究报告。
Pacifica (Solana)、Hyperliquid (EVM)、Lighter (Ethereum) 和 Aster (BNB Chain) 的多 DEX 永续期货交易 CLI。当用户要求进行以下操作时使用:交易 perps、检查资金费率、扫描套利(perp-perp 或现货-perp)、Delta 中性策略、桥接 USDC、管理头寸/订单、存款/取款、现货+perp 对冲、HIP-3 DEX 交易或提及 perp-cli、hypurrquant、Pacifica、Hyperliquid、Lighter、Aster、HyperEVM、融资套利、U-token (UBTC/UETH/USOL)。
通过复制规范的“tasks”模块模板来创建新的功能模块。在向应用程序添加新模块、从头开始构建新域区域或生成新功能的样板时使用。
当用户要求“开发下载脚本”、“调试数据下载”、“修复下载错误”、“创建数据管道模板”、“下载模板”、“GAIA 数据管道”、“从 S3 下载”、“访问 Zarr 存储”、“云数据访问”或提及特定数据源名称(例如“CONUS404”、“HRRR”、“WRF”、“PRISM”、“Stage IV”、“USGS”、“ORNL”、下载或处理数据时的“DEM”、“Synoptic”或“IRIS”。为 GAIA 项目中使用的水文气候数据下载脚本提供模板、配置验证和调试指南。
This skill should be used when conducting architecture review with area/performance/power tradeoff analysis.将审阅报告保存到reviews/目录。
分析备忘录(Analytical Memo)生成工具。研究者在编码过程中或编码后,直接 说出脑子里的想法——一个编码、一段资料、一个困惑、一个"这里有什么"的感觉—— skill 自动生成结构化的分析备忘录并保存为 Markdown 文件到本地。 适用于主题分析(TA)、扎根理论(GT)及一切质性研究方法。 与 memo-coach 的区别:analytic-memo 由 AI 代写分析内容; memo-coach 由研究者自己写,AI 只负责追问(专用于程序化扎根理论)。 当用户提到"写备忘录""记录分析思路""写 memo""分析笔记""帮我记下这个想法" "这个编码有点意思""这里好像有什么""这个值得记录" "这个受访者说的很奇怪",或在编码/主题分析过程中表达任何需要捕捉的分析直觉时触发。 --- # 分析备忘录(Analytical Memo) 分析备忘录是质性研究中捕捉分析动能的核心工具。Charmaz(2014)将备忘录定义为 研究者与数据之间持续进行的智识对话,而非填写分类表格的形式操作。 此 skill 的设计原则:**研究者只管说出想法,工具负责追问和结构化**。 ## 启动:获取必要信息 触发后,只需收集两项信息(其余由 skill 自动判断): 1. **触发内容**:用户输入的编码片段、类属名称、原始资料段落、初步想法或困惑 (直接使用用户的原始表述,不要要求用户重新整理或分类) 2. **保存路径**(可选):若未提供,默认保存到 `~/Documents/research-memos/` 若用户在之前对话中已提供研究背景(研究主题、研究问题),直接沿用,不重复询问。 --- ## 内部识别逻辑(对用户不可见) 根据用户输入,自动判断分析方向,**不向用户暴露这个判断过程**: **→ 概念深化**(输入是单个编码或类属,附带描述或疑问) 追问:这个概念的核心含义和边界是什么?在哪些条件下更显著或消退? 与已有理论概念有何联系或张力?它暗示了什么理论主张? **→ 关系假设**(输入涉及两个或以上概念,且包含关系词:关系、影响、导致、联系、之间) 追问:这个关系的性质是什么(因果、条件、并行、对立)? 数据中有哪些直接证据?在什么情境下成立或不成立(边界条件)? **→ 负面案例**(输入包含反差信号:但是、例外、不符合、反而、奇怪、矛盾、和别人不一样) 追问:这是真正的反例,还是揭示了边界条件? 是否需要修订现有类属或理论假设?修订方向是什么? **→ 反身性**(输入包含研究者自我指涉:我觉得、我担心、我是否、我的立场、我注意到自己) 追问:研究者的哪种预设或情绪可能影响了这段分析? 这个反思对理论抽样或研究设计有什么启示? **→ 综合展开**(输入混合多种信号,或信号不明确) 先用一句话锚定这段想法的核心,再沿最主要的分析方向展开。 --- ## 发展阶段判断(参考 Birks, Chapman & Francis, 2008) 根据用户描述的研究进展,在文件 frontmatter 中自动标注阶段: - `preliminary`:研究者处于开放编码早期,想法贴近数据、印象式 - `interim`:开始跨类属思考,建立概念间联系 - `advanced`:涉及核心类属、理论命题或整体理论框架 判断依据: - "刚开始编码"/"第一份访谈" → preliminary - 提到多个类属的关系/"开始看到模式" → interim - 提到核心类属/"理论框架"/"饱和" → advanced - 无法判断 → 留空,不强行填写 --- ## 备忘录生成 按以下结构生成分析内容(对话中展示,同时写入文件): ### 文件 frontmatter ```yaml ---
每当用户要求“创建一个模块”、“搭建一个功能”、“添加一个 Vue 域”、“名为 X 的新模块”或开始在一个全新的垂直领域(视图 + 组件 + 存储 + 路由器条目 + 测试)工作时,请使用此选项。复制规范的“src/modules/tasks”模板,应用 kebab/Pascal/camel/ UPPER 重命名,并连接配置驱动值。模块保持独立。 --- # 创建模块技巧 通过复制“tasks”模板模块并重命名来创建一个新模块。 ## 先决条件 - 规范模板模块 `src/modules/tasks` 必须存在 - 您需要新模块的名称 (kebab-case) ## 步骤 ### 1. 询问模块名称 提示用户以 kebab-case 格式输入新模块名称(例如,`my-feature`、`user-settings`) ### 2. 派生命名约定 遵循 `/naming` 获取完整参考。 从模块名称快速摘要(例如,`my-feature`): - **kebab-case**:`my-feature`(文件夹名称、文件前缀、路由) - **PascalCase**:`MyFeature`(JS/模板中的组件名称) - **UPPER_SNAKE_CASE**:`MY_FEATURE`(环境键、常量) - **lowerCamelCase**:`myFeature`(变量名称、函数名称、存储) Exports) ### 3. 复制模块 ```bash cp -r src/modules/tasks src/modules/{new-module-name} ``` ### 4. 重命名引用
设计新功能、重构或重新设计的架构文档。生成具有完整文件影响分析的可实施文档。
AscendC kernel 转译与实现专家 Skill。将已通过验证的 TileLang 设计转译为 AscendC kernel, 并生成 model_new_ascendc.py 调用 AscendC kernel。
分析录音质量 - 回声检测、响度、语音清晰度、SNR、频谱分析。当用户想要检查录音质量、检测音频文件中的回声或重复、测量语音清晰度、比较原始音频与处理后的音频、诊断录音听起来不好的原因或分析来自 Blackbox 或任何通话录音应用程序的音轨时使用。触发音频质量、录音分析、回声检测、检查录音、声音质量、分析音频、语音质量、PESQ、STOI、响度、SNR、音频诊断、录音声音不良、录音中的回声、音频重复。
Apache Cassandra 的数据建模和架构设计。在设计表、选择分区键、建模时间序列数据或查看现有架构时使用。
推送更改后检查当前分支的 CI 管道状态。报告通过/失败以及失败详细信息。每次推送后使用它来确认您的更改确实完成 - CI 必须是绿色的。
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: