使用 Magpie 执行 GPU 内核正确性和性能评估以及 LLM 推理基准测试。分析单个或多个内核 (HIP/CUDA/PyTorch)，比较内核实现，通过分析和 TraceLens 运行 vLLM/SGLang 基准测试，并对 torch 跟踪运行间隙分析。创建内核配置 YAML、发现项目中的内核并查询 GPU 规格。当用户提及 Magpie、内核分析或比较、HIP/CUDA 内核评估、vLLM/SGLang 基准测试、差距分析、TraceLens、创建内核配置或发现 GPU 内核时使用。
为买家进行结构化 B2B 软件供应商评估。研究您的公司，询问领域专家问题，通过 Salespeak Frontdoor API 与供应商 AI 代理互动，在 7 个维度上对供应商进行评分，并生成证据透明的比较建议。当被要求评估、比较或研究 B2B 软件供应商时使用。
用于优化研究的自主实验循环。当用户想要执行以下操作时使用： - 通过系统实验（ML 训练损失、测试速度、包大小、构建时间等）优化指标 - 运行自动研究循环：尝试一个想法、测量它、保持改进、恢复回归、重复 - 为具有可测量优化目标的任何代码库设置自动研究 通过基于 MAD 的置信度评分、git 分支隔离和结构化实验日志记录来实现自动研究模式。 --- # 自动研究
撰写学术经济学论文摘要的指南。每当用户需要帮助撰写、起草、修改或构建经济学论文的摘要时，无论是实证微观、发展经济学、应用经济学还是相关领域，都可以使用此技能。当用户提到“摘要”、“论文摘要”或询问如何将他们的发现压缩为简短描述时也会触发。该技能综合了 David Evans (CGDev)、Marc Bellemare 的最佳实践以及顶级经济学期刊（AER、QJE、AEJ：Applied 等）中观察到的模式。 --- # 如何撰写经济学论文的摘要 很多人只会阅读论文的摘要来决定它是否值得阅读、分享或引用。有些人甚至连头衔都过不了。 摘要是最压缩的推销内容：它必须清晰、快速地告诉读者你做了什么和发现了什么。这项技能主要基于 David Evans 对顶级经济学期刊摘要的分析，并辅以 Marc Bellemare 的写作建议、对摘要可读性的实证研究以及 AER、QJE 和 AEJ：应用论文的常见模式。 ## 有效的证据 在开始构建之前，有两个值得了解的经验事实： **可读性预测引用。** Dowling 和其他人检查了《经济学快报》中的摘要，发现单词更简单和句子更短的摘要与更多的引用相关。正如贝尔马尔所说：不要将缺乏可理解性与智力严谨性混为一谈。 **可访问性扩大了你的受众。** Bellemare 的经验法则：如果你的标题不令人反感，并且你的摘要对于你狭窄的子领域之外的人来说是可以理解的，那么你就已经将引用的范围扩大了十倍 - 因为许多人引用的论文他们只阅读了摘要。 --- ## 顶级经济学期刊中的核心结构摘要遵循引言公式的压缩版本。埃文斯指出了好的产品的五种成分
通过人工智能支持的多语言摘要和电子邮件传送，从多个来源（arXiv 等）获取、分类和总结论文。
亚马逊卖家数据分析工具。功能：市场研究、产品选择、竞争对手分析、ASIN 评估、定价参考、品类研究。使用scripts/apiclaw.py调用APIClaw API，需要APICLAW_API_KEY。 --- # APIClaw — 亚马逊卖家数据分析 > 人工智能驱动的亚马逊产品研究。以用户的语言回复。 ## 文件 |文件|目的| |------|---------| | `scripts/apiclaw.py` | **执行**所有 API 调用（为参数运行 `--help`）| | `references/reference.md` |当您需要准确的字段名称或过滤器详细信息时加载 | ## 凭证
使用本地矢量数据库和在线文献搜索回答研究问题，并自动摄取新论文。当您需要查找相关学术著作或验证某个想法是否新颖时使用。
管理 Google Ads、Meta Ads、LinkedIn Ads 和 TikTok Ads 中的广告活动。当用户想要通过 Adspirer MCP 服务器分析广告系列效果、研究关键字、创建广告系列、优化预算或管理广告帐户时使用。
在本存储库中创建、更新、审查或合并 PR 时使用。涵盖首次推送变基、审查和简化过程、基准基线要求以及合并后“$postmortem”运行。
在所有文件中更改 FutureSearch SDK 版本。当发布新的 SDK 版本、更新版本号或用户说“凹凸版本”、“发布版本”、“版本凹凸”时使用。
OpenClaw个性化论文推荐技巧。当用户在飞书中调用 /aminer-rec5 或 /skill aminer-rec5 时，立即运行 {baseDir}/scripts/ 下的本地管道，接受 aminer_user_id、学者提示、种子论文标题、papers_file 或自由格式主题文本，构建统一的 ResearchProfile，检索论文，使用 AMiner 进行丰富，发送飞书卡片，并返回 NO_REPLY。
在准备与目标客户互动、在外展前研究公司或构建通话前情报时使用。触发因素：“研究这家公司”、“[公司]的账户简介”、“公司研究”、“我需要了解[公司]什么”、“预外展研究”。
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：
