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。
使用图像变换生成合成训练数据变体。通过翻转、亮度抖动和噪声增加数据集多样性。贴上标签后使用。
Ogham 共享内存的管理和维护工作流程。当用户想要清理记忆、查看知识图、检查记忆统计数据、导出大脑、在切换提供商后重新嵌入记忆或回填链接时使用。触发“清理我的记忆”、“记忆统计”、“多少记忆”、“导出我的大脑”、“导出记忆”、“查看知识图”、“重新嵌入”、“链接取消链接”、“回填链接”、“记忆健康”、“奥格姆统计”、“清理过期”、“压缩旧记忆”、“压缩记忆”或任何针对奥格姆的管理/维护请求。需要连接 Ogham MCP 服务器。 --- # Ogham 维护 您处理 Ogham 共享内存的管理任务。其中大部分都是不频繁的操作——提供商切换、批量清理、运行状况检查。 ## 可用操作 ### 健康检查 如果用户报告问题，请先运行“health_check”。 它测试数据库连接、嵌入提供程序和配置。清楚地报告发现的内容 - 如果有问题，请说明原因并提出修复建议。 ### 统计概述 运行 `get_stats` 和 `list_profiles` 向用户提供其内存的图片： - 总内存和按配置文件细分 - 热门来源（客户端正在存储的） - 热门标签（哪些类别占主导地位） - 如果用户询问性能，则通过 `get_cache_stats` 缓存统计数据 将其呈现为简洁的摘要，而不是原始 JSON。 ### 清理过期内存 1. 运行 `get_stats` 以显示存在多少内存 2. 检查是否有任何配置文件设置了 TTL（此信息来自 `list_profiles`） 3. 如果有过期内存，请在运行 `cleanup_expired` 之前告诉用户有多少内存 4. 仅在与用户确认后才运行“cleanup_expired”——删除是永久性的 ### Export 以用户想要的格式（JSON 或 Markdown）运行“export_profile”。告诉他们输出的去向以及如何使用它。如果他们想要导出特定的配置文件，请先使用“switch_profile”切换到该配置文件，导出，然后切换回来。 ### 重新嵌入所有记忆 切换嵌入后需要这个
跨学科专家研究方法。描述如何从网上的信息去采集、分析最靠谱、最真实的数据并进行分析研究的方法论框架。
应用程序开发成功的绝对把关因素。上下文优先，在没有经过验证的计划、不间断的层次结构链和强制执行的域边界的情况下决不采取行动。
钉钉 AI 表格（多维表）操作技能。使用 mcporter CLI 连接钉钉官方新版 AI 表格 MCP server，基于 baseId / tableId / fieldId / recordId 体系执行 Base、Table、Field、Record 的查询与增删改。适用于创建 AI 表格、搜索表格、读取表结构、批量增删改记录、批量建字段、更新字段配置、按模板建表等场景。需要配置 DINGTALK_MCP_URL 或直接使用 Streamable HTTP URL。
专家 Go 测试技能。创建表驱动测试，使用验证断言，模拟接口，并确保全面覆盖。
通过 AI 查找组件数据表来分析 KiCad PCB 文件以识别电源网络。当您需要确定哪些网络是电源/接地网络以及要使用的走线宽度时使用，特别是当 KiCad 引脚类型注释丢失或不可靠时。
Dogfood apr-cli — 重建、安装、针对真实模型执行所有命令、检查质量、寻找下一个工作
通过 virtuoso-bridge 远程运行 Cadence Spectre 仿真：上传网表、执行、解析 PSF 结果。当用户想要从网表文件运行 SPICE/Spectre 仿真、在 Virtuoso GUI 之外进行瞬态/AC/PSS/pnoise 分析、解析 PSF 波形数据、在一台或多台服务器上并行运行多个仿真、检查仿真作业状态或提及 Spectre APS/AXS 模式时触发。还触发模拟作业、模拟取消或并行/并发模拟请求。将此用于独立网表驱动的仿真 - 对于基于 GUI 的 ADE Maestro 仿真，请使用 virtuoso 技能。
在规划实施之前通过协作对话探讨要求和方法。当用户说“集思广益”、“探索想法”、“我们应该构建什么”、“思考这个问题”或“让我们讨论方法”时使用。
基于证据的耐力训练协议（v11.34）。在分析训练数据、回顾训练、生成训练前/训练后报告、规划训练、回答训练问题或提供耐力训练建议时使用。在回答任何训练问题之前，请务必读取或获取运动员 JSON 数据。
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：
