从agentic_kb知识库中搜索和检索知识。当用户请求搜索知识库、询问“我如何...”应该查阅知识库的问题、想要记录新知识或在会话开始时更新知识库子模块时使用。当用户想要用新知识更新知识库时也可以使用。当您在任务期间学习新的、可重用的知识时，知识捕获。支持 Typesense（快速全文搜索）、FAISS（语义向量搜索）和 ripgrep（精确模式匹配）。所有知识库均采用 Obsidian 格式，可以使用 Obsidian 中的网络地图轻松直观地浏览。
当提取的规则手册 Markdown 需要拆分为语义文档文件和导航时使用。从“init-doc”、未来的追加/添加文档流程或每当重新生成的“_pages.md”源使现有章节图无效时触发此技能。不要使用此技能进行临时翻译分块；属于单独的仅草稿翻译工作流程。
使用 NotebookLM 进行基础研究 — 文档查询、堆栈比较、会话日志搜索。
收集 DOC：会议记录、概括并提出回购文档（.claude/rules/、docs/）。
Livewire Flux UI 组件文档查找。通过 CLI 提供对 Fluxui.dev 文档的离线访问。
知识库使用的研究 MCP 服务器的配置模板。 /knowledge-vault:setup-sources 和 /knowledge-vault:collect 使用的内部技能。
通过自动规则检查和迭代细化创建和验证 ASCII 电路图。当用户请求 ASCII/文本格式的电路图或使用嵌入式电路原理图创建技术文档时使用。自动确保图表遵循黄金规则（没有结点的线路不会交叉、线路不会与标签交叉、正确的组件连接、正确的极性）。包括使用等宽渲染的预览验证。
将 Markdown 支出报告转换为适合电子邮件发送或浏览器查看的样式化、独立的 HTML 文档。在生成 HTML 版本的支出报告时使用。
AI-driven PDCA project management with Feishu/Lark integration. Use for: project setup (new), active project tracking (ongoing), experience retrieval (achieve), PDCA cycles, SMART goal validation, quality improvement (OEE, defects), manufacturing optimization, or structured problem-solving with Feishu Bitable + docs. Also use for project transitions, proactive AI alerts, or template-based experience reuse. --- # PDCA 项目管理系统 基于 PDCA 循环的结构化问题解决系统，由 AI 驱动实现主动巡检、SMART 目标校验和飞书工具链集成。 ## 何时使用 | 触发症状 | 不适用场景 | |---------|-----------| | 问题需要结构化分析（5W1H、鱼骨图、5Why） | 简单单次任务（直接用任务管理工具） | | 需要量化目标和可衡量指标 | 纯技术研究（无需流程闭环） | | 需要主动进度监控和预警 | 紧急故障处理（先修复，后复盘） | **触发示例**： - "启动一个 PDCA 项目来降低产品缺陷率" - "用飞书 Bitable 管理我们的质量改善项目" - "我需要 SMART 目标校验，目标是将 OEE 提升到 85%" ## 系统依赖 **必需平台**： - **OpenClaw**：AI CLI 框架（https://github.com/open-claw/open-claw） - **飞书插件**：提供 `feishu-bitable`、`feishu-create-doc` 等 API 本 skill 通过这些 API 创建 Bitable 应用、Wiki 文档、任务和日程。 **项目存储位置**：所有项目统一存储在 Wiki 知识空间「PDCA」下。 ## 核心工作流 1. **评估与启动 (new)**：评估问题是否适合立项，在 Wiki 知识空间创建项目文档 + Bitable 应用 + 项目甘特图 2. **计划与校验 (Plan)**：执行 SMART 校验与因果逻辑审查 3. **执行与巡检 (Do)**：AI 通过 Bitable 数据记录主动巡检并汇总进展 4. **检查与评估 (Check)**：分析数据偏差 5. **决策与沉淀 (Act)**：生成标准化 SOP 并归档经验 ## 全局交互规范：AskUserQuestion 选项设计 **适用范围**：PDCA **每个阶段** 中 AI 主动发起的 AskUserQuestion 对话，不限于项目启动阶段。 设计选项时遵循三大原则： ### 1. MECE 原则 — 基于框架设计选项 选项必须"相互独立、完全穷尽"。根据当前对话的问题类型，选择对应的 MECE 框架，用其维度作为选项基础： | 问题类型 → 框架 | |------| | 生产/制造 → 4M1E | | 个人健康 → TREND | | 软件/技术 → PPTD | | 销售/营销 → 5P | | 学习/教育 → COMET | | 财务/投资 → 3RL-TD | | 团队协作 → GRCT | | 客户服务 → 5S | | 个人效率 → TIME | | 流程/服务 → SIPOC | | 其他管理/组织 → 5P2E | 每个框架的逐维度详细说明见 [mece-frameworks.md](assets/references/mece-frameworks.md)。 ### 2. 多选优先 — 原因/因素往往不止一个 问题涉及"哪些方面"、"什么原因"、"什么因素"时，使用 `multiSelect: true`。 ### 3. 允许自定义 — 必须有 Other 选项 你无法预先覆盖所有情况，所有问题必须包含 "Other" 选项。 ### AskUserQuestion 模板 ```yaml
处理 Firefox 书签导出 (JSON) 以按类别组织链接、生成摘要并生成可视化 HTML 提要。当用户提及“书签”、“书签管理员”、“组织书签”、“导出操作系统书签”或“书签源”时激活。 --- # Bookmark Curator Process Firefox 书签 JSON 导出为有组织的、分类的输出：用于培训导师技能的结构化 Markdown 文件和用于浏览的可视化 HTML 提要。 ## 输入 Firefox 书签 JSON 导出。默认位置：“~/Downloads/bookmarks-YYYY-MM-DD.json”（或询问用户文件名）。如果未找到该文件，请要求用户导出： > Firefox > 书签 > 管理书签 > 导入和备份 > 备份 > 另存为 JSON ## 处理管道 ### 步骤 0：检查进度 阅读“references/progress.md”（在此技能的文件夹中）。该文件跟踪哪些 URL 已被处理。 如果不存在，则创建它。将 JSON 中的所有书签 URL 与处理后的列表进行比较。仅处理尚未在列表中的新 URL。
对任意代码仓库进行合规审计并生成可取证报告（Markdown + JSON findings），覆盖“是否遵循 AGENTS.md/仓库规则/用户指令”“文档索引/规格/工作记录/任务总结”“TDD 与离线回归证据”“可复现性（.env.example 等）”“潜在密钥泄露与仓库卫生”等；并支持在**人类勾选 finding.id** 后执行选择性低风险整改（默认不改业务逻辑）。触发场景：仓库交付前自检、接手陌生仓库、需要合规审计报告、需要把整改条目做成可选择的执行清单。
文件驱动的结构化脑暴。只在用户直接触发时使用。适用场景：(1) 用户手动调用本 skill 并给出脑暴主题，(2) 用户要求对某个问题进行发散讨论和方案收敛。作为有立场的思维伙伴，通过逐个问题与用户碰撞观点，结论实时回写到脑暴文档。
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：
