免费获取 · 一键下载即用
将实验室仪器输出文件（PDF、CSV、Excel、TXT）转换为同素异形简单模型 (ASM) JSON 格式或扁平化 2D CSV。当科学家需要标准化 LIMS 系统、数据湖或下游分析的仪器数据时，可以使用此技能。支持自动检测仪器类型。输出包括完整的 ASM JSON、易于导入的扁平化 CSV 以及可供数据工程师导出的 Python 代码。常见的触发因素包括转换仪器文件、标准化实验室数据、准备上传到 LIMS/ELN 系统的数据或为生产管道生成解析器代码。
MCP 代理邮件 - 用于多代理工作流程的类似邮件的协调层。身份、收件箱/发件箱、文件保留、联系策略、线程消息传递、预提交防护、人工监督、静态导出、灾难恢复。 Git+SQLite 支持。 Python/FastMCP。
Databricks 开发指南，包括 Python SDK、Databricks Connect、CLI 和 REST API。使用 databricks-sdk、databricks-connect 或 Databricks API 时使用。
Heurist 技能市场的管理操作。当用户要求在 Heurist 市场中添加、摄取、批准、拒绝、删除、更新或列出技能时，请使用此技能。还可以触发检查上游更改、更新外部 API 依赖项、更新指标（星星/下载）、重新摄取技能或任何市场数据库管理任务。工作目录是 heurist-agent-framework。始终使用 uv run python 来运行脚本。
使用 python-pptx 以及 YAML 驱动的内容和样式生成和管理 PowerPoint 幻灯片 - 由 microsoft/hve-core 提供
使用线性模型和 pandas 使用 Python 进行面板数据分析。
通过捕获浏览器流量（HAR 文件）并生成可用于生产的 Python API 客户端，对 Web API 进行逆向工程。当用户想要为网站创建 API 客户端、自动化 Web 交互或了解未记录的 API 时使用。在提及“逆向工程”、“API 客户端”、“HAR 文件”、“捕获流量”或“自动化网站”的任务上激活。
自动评估和比较多个 AI 模型或代理，无需预先存在测试数据。从任务描述生成测试查询，从所有目标端点收集响应，自动生成评估标准，通过判断模型运行成对比较，并通过报告和图表生成胜率排名。支持检查点恢复、增量端点添加、判断模型热插拔。当用户要求在自定义任务上对多个模型或代理进行比较、基准测试或排名，或运行竞技场式评估时使用。 --- # Auto Arena Skill 使用 OpenJudge `AutoArenaPipeline` 进行端到端自动化模型比较： 1. **生成查询** — LLM 根据任务描述创建不同的测试查询 2. **收集响应** — 同时查询所有目标端点 3. **生成细则** — LLM 从任务 + 示例查询中生成评估标准 4. **成对评估** - 判断模型比较每个模型对（位置偏差交换） 5. **分析和排名** - 计算胜率、胜率矩阵和排名 6. **报告和图表** - Markdown 报告 + 胜率条形图 + 可选矩阵热图 ## 先决条件 ```bash # 安装 OpenJudge pip install py-openjudge # auto_arena （图表生成）的额外依赖项 pip install matplotlib ``` ## 之前从用户处收集跑步|信息 |必需的？ |笔记| |------|---------|--------| |任务描述|是的 |模型/代理应该做什么（在配置 YAML 中设置）| |目标端点|是的 |至少 2 个 OpenAI 兼容端点可供比较 | |判断端点|是的 |用于成对评估的强大模型（例如“gpt-4”、“qwen-max”）| | API 密钥 |是的 |环境变量：`OPENAI_API_KEY`、`DASHSCOPE_API_KEY`等。 | |查询数量 |没有 |默认值：`20` | |种子查询 |没有 |指导生成风格的示例查询 | |系统提示|没有 |每个端点系统提示| |输出目录|没有 |默认值：`./evaluation_results` | |报告语言 |没有 | `"zh"`（默认）或 `"en"` | ## 快速启动 ### CLI ```bash # 运行评估 python -m cookbooks.auto_arena --config config.yaml --save # 使用预先生成的查询 python -m cookbooks.auto_arena --config config.yaml \ --queries_file requests.json --save # 重新开始，忽略检查点 python -m cookbooks.auto_arena --config config.yaml --fresh --save # 使用新的判断模型重新运行成对评估 # (keeps查询、响应和评分） python -m cookbooks.auto_arena --config config.yaml --rerun-judge --save ``` ### Python API ```python import asyncio from cookbooks.auto_arena.auto_arena_pipeline import AutoArenaPipeline async def ma in(): pipeline = AutoArenaPipeline.from_config("config.yaml") result = wait pipeline.evaluate() print(f"最佳模型：{result.best_pipeline}") 排名，(model, win_rate) in enumerate(result.rankings, 1): print(f"{rank}. {model}: {win_rate:.1%}") asyncio.run(main()) ``` ### 最小 Python API（无配置文件） ```python import asyncio from cookbooks.auto_arena.auto_arena_pipeline import AutoArenaPipeline from cookbooks.auto_arena.schema import OpenAIEndpoint async def main(): pipeline = AutoArenaPipeline( task_description="客户服务聊天机器人电子商务", target_endpoints={ "gpt4": OpenAIEndpoint( base_url="https://api.openai.com/v1", api_key="sk-...", model="gpt-4", ), "qwen": OpenAIEndpoint( base_url="https://dashscope.aliyuncs.com/兼容模式/v1", api_key="sk-...", model="qwen-max", ), }, Judge_endpoint=OpenAIEndpoint( base_url="https://api.openai.com/v1", api_key="sk-...", model="gpt-4", ), num_queries=20, ) result = wait pipeline.evaluate() print(f"Best: {result.best_pipeline}") asyncio.run(main()) ``` ## CLI 选项 | 标志 | 默认 说明 | |------|---------|-------------| `- -配置` | — | YAML 配置文件的路径（必需）| | `--output_dir` |配置值|覆盖输出目录 | | `--queries_file` | — |预生成查询 JSON 的路径（跳过生成）| | `--保存` | ‘假’|将结果保存到文件 | | `--新鲜` | ‘假’|重新开始，忽略检查点 | | `--重新运行判断` | ‘假’|仅重新运行成对评估（保留查询/响应/评分标准）| ## 最小配置文件 ```yaml
API、数据库、使用具有干净架构的 FastAPI 进行身份验证的后端专家（存储库/服务/路由器模式）
当用户要求“查找类”、“搜索符号”、“查找用法”、“查找实现”、“搜索代码库”、“查找文件”、“类层次结构”、“查找调用者”、“模块依赖项”、“未使用的依赖项”、“项目映射”、“项目约定”、“项目结构”、“什么框架”、“什么体系结构”、“查找 Perl 子项”、“Perl 导出”时，应该使用此技能。 “查找Python类”，“Go结构”，“Go接口”，“查找React组件”，“查找TypeScript接口”，“查找Rust结构”，“查找Ruby类”，“查找C#控制器”，“查找Dart类”，“查找Flutter小部件”，“查找mixin”，“查找Scala特征”，“查找案例类”，“查找对象”，“查找PHP类”，“查找Laravel模型”， “查找 PHP 特征”，或者需要在 Android/Kotlin/Java、iOS/Swift/ObjC、Dart/Flutter、TypeScript/JavaScript、Rust、Ruby、C#、Scala、PHP、Perl、Python、Go、C++ 或 Protocol Buffers 项目中快速搜索代码。 也是由提及“ast-index”CLI 工具触发的。
面向中文科研论文的AI写作助手。默认先讨论再执行，自动创建并维护plan上下文，支持去AI化写作、文献综述、Python图表与Miniconda环境配置，默认以Markdown/纯文本交付并提供Word迁移指引。
将仅 Python 的图形参考技能添加到 BioClaw 安装中。当用户希望在代理容器内提供出版质量的绘图指导而不添加源代码功能时使用。使用仅限 Python 的“SKILL.md”和根级“seaborn_reference.md”创建“container/skills/figure/”。
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：
