生成 AB-100 练习题，感觉就像真正的考试，而无需复制。每个项目均以当前的 Microsoft Learn 内容为基础，使用现代 Microsoft 产品名称（Microsoft Foundry、Copilot Studio、Microsoft Entra ID），并遵循 Microsoft 风格的考试项目规则（场景优先、合理的干扰因素、无欺骗性措辞）。当用户要求练习题、测验项目或考试准备时使用。
归档已关闭/已修复的 issues，提取经验教训并同步更新 CLAUDE.md 和 spec/global。 当用户说"归档 issue"、"archive issues"、"清理已修复的 issue"、 "归档已关闭的 issue"、"整理一下 issues"、"把修好的 issue 归档了"时触发。 也适用于用户想要清理 spec/issues/ 目录或将已解决问题归档的场景。 如果 spec/issues/ 中有 Fixed/Closed/Done 状态的 issue 积压，应主动建议使用此 skill。 --- # issue-archive: Issue 归档与问题领域沉淀 将 `spec/issues/` 中已解决的 issue 归档到 `spec/archive-issues/`，从每个 issue 中提炼**问题领域认知**（而非零散 TRAP），更新到对应的 domain 文件。 ## 归档条件 通过 Grep 扫描 `spec/issues/` 中所有 issue 的 `**状态**` 字段： | 状态模式 | 归档 | 说明 | |---------|------|------| | `Fixed`（含 `Fixed + Verify`、`Fixed（待用户验证）`） | 是 | 已修复 | | `Closed` | 是 | 已关闭 | | `Done` | 是 | 已完成 | | `Open`、`Open (搁置)` | 否 | 仍需处理 | | `Partial`、`Reopen` | 否 | 未完全解决 | 如果扫描结果为空（没有可归档的 issue），直接报告并结束。 ## 工作流程 ### 阶段一：扫描 1. 用 Grep 在 `spec/issues/` 中搜索 `**状态**` 行 2. 按上述规则筛选可归档 issue 3. 输出清单（标题 + 状态），直接进入归档 ### 阶段二：领域识别与认知提炼 逐个 Read 可归档的 issue 文件，执行： **步骤 1：识别所属领域** 从 issue 的标题、涉及文件、问题描述中识别属于哪个领域： - `message-pipeline` — 消息渲染、事件处理、视图模型 - `agent` — ReAct 循环、工具系统、LLM 适配 - `tui` — TUI 渲染、交互、面板 - `mcp` — MCP 连接、工具桥接 - `storage` — 持久化、数据库 - `compact` — 上下文压缩 - `token-tracking` — Token 追踪 - `langfuse` — 可观测性 - 等等（参考 `spec/global/domains/` 现有列表） **如果领域不存在**，创建新的 domain 文件 `spec/global/domains/<domain>.md`，使用标准模板： ```markdown # <领域名称> 领域 ## 领域综述 <一句话概括这个领域的核心职责> ## 核心流程 （后续通过 issue 归档逐步填充） ## 技术方案总结 | 维度 | 选型 | |------|------| （后续通过 issue 归档逐步填充） --- ## 相关 Feature ``` 同时在 `spec/global/index.md` 的领域索引表中追加该领域。 **步骤 2：关键词提取** 从 issue 中提取 2-4 个**搜索关键词**，用于快速索引。关键词应选择： - 技术术语：`HashMap 顺序`、`Prompt Cache`、`BaseMessage vs MessageViewModel` - 错误模式：`缓存失效`、`维度混淆`、`并发竞争` - 涉及概念：`reasoning_content`、`parking_lot::RwLock`、`RebuildAll` **步骤 3：提炼领域级认知** 不是记录零散的 TRAP，而是提炼**领域理解**： - **问题本质**：这类问题的根本原因是什么？（如 "HashMap 非确定性顺序导致缓存前缀不稳定"） - **通用模式**：以后遇到类似问题应该如何思考？（如 "所有需要跨进程复用的序列化内容必须保证顺序稳定"） - **架构影响**：这个修复对整体架构有什么启示？（如 "统一 RebuildAll 路径消除了增量更新的复杂度"） - **技术决策**：这个 issue 背后代表了一个什么样的技术选型？ - **CLAUDE.md 链接标记**：此 issue 是否需要在 CLAUDE.md 中添加内联链接？（仅高价值 TRAP 标记 `link: true`） **提炼模板**（写入临时文件）： ```markdown ##
Use when the user asks to review code, check for issues, or says "review", "审查", "检查代码
当用户说“/bugcheck”、“/mxBugChecker”、“检查错误”、“查找错误”、“审核漏洞”、“验证代码”、“查找此文件中的问题”或以其他方式请求对 VCS 更改或特定文件进行错误分析时使用。经过验证的知识错误查找器 - 每个发现都需要具体的代码证明。分析逻辑错误、运行时问题、边缘情况、错误处理、并发、资源泄漏、安全漏洞和性能回归。通过 MCP 从 mxLore Knowledge-DB 加载项目上下文，并通过 Skill Evolution 保留结果。
当需要将具有领域知识（陷阱、基准测试、强制问题、评分校准）的 GitHub 问题集成到技能的参考/文件中时使用。阅读问题，转换为正确的格式，检查矛盾，创建 PR。运行为：/contribute-review #123 或 /contribute-review 扫描。
商会问题清单的批量工作流程。当用户要求按标签、优先级、里程碑或明确问题列表解决一组 GitHub 问题时，请使用此选项。它对石板进行分类，将问题分组为小型 PR/堆栈，创建路线图和待办事项，然后使用 TDD 迷你计划和商会船舶技能执行每个项目。
生成感觉像真正考试的 AZ-104 练习题，无需复制。每个项目均以当前的 Microsoft Learn 内容为基础，使用现代 Azure 术语，并遵循 Microsoft 风格的考试项目规则（场景优先、合理的干扰因素、无欺骗性措辞）。当用户要求练习题、测验项目或考试准备时使用。
pdb2reaction 的 17 个 CLI 子命令的每个子命令参考（extract / path-search / tsopt / freq / irc / dft / scan / opt / all / …）。 SKILL.md 是一个 1 行输入→输出备忘单；每个子命令还有自己的 md (`extract.md` / `tsopt.md` / ...) 用于标记、验证、警告。有关簇边界冻结原子力学，请参阅“freeze-atoms.md”。当有关特定子命令、标志或 shell 调用的问题时触发。跳过安装/HPC/输出解析/结构格式编辑问题。
使用 conalyz 分析 Flutter 和 Dart 项目的可访问性问题。当用户要求检查可访问性、审核小部件、查找 WCAG 问题或改进 Flutter 应用程序中的可访问性时，请使用此技能。触发诸如“检查可访问性”、“审核我的 Flutter 应用程序”、“查找可访问性问题”、“WCAG 合规性”或任何提及 conalyz 之类的短语。
使用分页从任何 GitHub 存储库中获取所有未解决的问题，并生成全面的分析，包括类别细分、年龄分布、陈旧问题（30 天以上）、热门讨论问题、优先级和详细的分类建议。高效处理大型存储库（5000 多个问题）。
调查并修复人体测试期间出现的错误或差距。首先是证据，就问题达成一致，审视兄弟姐妹，然后解决。触发短语：“修复错误”、“调查问题”、“出了问题”或[测试]检查点期间的任何问题/问题报告。
为问题创建一个新的工作树。
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：
