- 📄 SKILL.md
spec-gen-analyze-codebase
使用spec-gen对项目运行完整的静态分析并总结结果——架构、调用图、主要重构问题和重复代码。无需法学硕士。
使用spec-gen对项目运行完整的静态分析并总结结果——架构、调用图、主要重构问题和重复代码。无需法学硕士。
通过 Langfuse MCP 调试 AI 跟踪、查找异常、分析会话并管理提示。在调试 AI 管道、调查错误、分析延迟、管理提示版本或设置 Langfuse 时使用。触发“langfuse”、“跟踪”、“调试 AI”、“查找异常”、“出了什么问题”、“为什么慢”、“数据集”、“评估集”。
全面分析 BigQuery 使用模式、成本和查询性能
用于 AI 代理的浏览器自动化 CLI。当用户需要与网站交互时使用,包括导航页面、填写表单、单击按钮、截屏、提取数据、测试 Web 应用程序或自动执行任何浏览器任务。触发器包括“打开网站”、“填写表单”、“单击按钮”、“截取屏幕截图”、“从页面抓取数据”、“测试此 Web 应用程序”、“登录网站”、“自动执行浏览器操作”或任何需要编程 Web 交互的任务的请求。
在 Databricks Apps 平台上构建应用程序。当要求创建仪表板、数据应用程序、分析工具或可视化时使用。在开始实施之前调用。
代码覆盖率分析工具。这些工具有助于分析和可视化测试执行的代码覆盖率、将覆盖率数据上传到 Neo4j 以及显示覆盖率统计信息。可用工具:运行覆盖率、展示覆盖率。
分析实验——通过交叉运行比较对结果进行深入分析
询问特定的 AI 模型(codex、gemini、grok、perplexity、claude)进行重点分析或第二意见
系统架构和设计思维——需求分析、组件设计、数据建模、扩展策略和权衡分析。在以下情况下使用:“设计这个系统”、“架构的用途是什么”、“X 的权衡”、“我们应该如何架构”、“系统设计”、“API 设计”、“数据模型”、“服务边界”、“架构文档”、“创建 ADR”。当设计思维完成后,这项技能就会交给 /ship:write-docs 来编写设计文档。注意:这不适用于视觉设计(使用/ship:视觉设计)或实施规划(使用/ship:设计)。 --- # 架构设计 在将系统设计决策写下来之前,请仔细思考。这项技能是关于**思考**——需求、组件、权衡、边界。当设计准备就绪时,您必须调用`Skill("write-docs")`来编写设计文档——不要内联编写文档。 ## 扩展到复杂性 并非每个决策都需要全部 5 个阶段。将深度与决策相匹配: - **小**(单一组件,明确的约束) - 第 1 阶段简要,第 2 阶段,第 5 阶段。跳过深入研究和扩展。 - **中**(多组件,一些未知)- 所有 5 个阶段,但保持每个阶段简洁。 - **大型**(新系统、重大未知因素、跨团队)——全部 5 个阶段的全面深入,带有图表和明确的负载估计。 ## 危险信号 **从不:** - 跳过需求收集并直接跳到解决方案 - 在不了解现有约束(技术堆栈、团队、时间表)的情况下进行设计 - 省略权衡分析 - 每个决策都有因某种原因被拒绝的替代方案 - 跳过边界部分 - 这是核心的防漂移机制 - 提出设计而不验证实际代码库的假设 - 将“我们想要的”与“存在的”混为一谈 - 明确差距 ## 第 1 阶段:需求收集在设计任何东西之前,请先了解您要解决的问题。 ### 功能要求 - 系统必须做什么?列出具体能力。 - 输入/输出有哪些
从零构建机构级三表模型(IS/BS/CF)— 完整公式联动、季度/半年/年频自适应、IFRS/US GAAP/中国准则。 触发词:三表模型、financial model、3-statement、建模、从零建模、收入预测。 ❌ 填写已有模板请用 financial-analysis:3-statements --- # 3-Statement Model — IPO / Equity Research Quality (v4.8 · Public Edition) --- ## 🚀 Quick Start — New Users **This skill builds:** A complete institutional-grade 3-statement financial model (IS / BS / CF) in Excel, with full formula linkage, zero hardcoded forecast cells, and 9-step QC validation. **Prerequisites — install before starting:** ```bash pip install openpyxl yfinance pandas pip install notebooklm # optional — only needed if you have a NotebookLM notebook ``` **How to trigger:** Just say `"建个三表模型"` / `"build a 3-statement model for [Company]"` and the skill guides you step by step. **What to prepare:** - Company ticker (e.g. `BABA`、`0700.HK`、`600519.SS`) - 数据源 - 请参阅下面的建议 - 5 个会话约 1-2 小时(每个会话都是独立的 - 随时暂停和恢复) **⚠️ 数据源指南 - 开始前阅读** |选项|设置|代币成本 |受到推崇的? | |--------|--------|------------|--------------| | **NotebookLM 笔记本**(预加载年度报告/招股说明书)|一次性 OAuth 身份验证设置 |非常低——NLM 处理 PDF;克劳德只收到答案 | ✅ 最佳路径 | | **Excel 上传**(历史 IS/BS/CF 已结构化)+ 简短的 PDF 摘录 |无 |低| ✅ 好 | | **直接PDF上传**(完整年度报告、招股说明书)|无 | 🔴非常高——一份A股年报可达200+页 | ⚠️ 专业用户:避免 | | **仅限网络**(新浪/雅虎财经后备)|无 |低| ✅ 后备| **强烈建议新用户:首先设置 NotebookLM。** 一次性身份验证流程大约需要 5 分钟,并为每个未来模型节省大量令牌消耗: ```bash pip install notebooklm # 交互运行一次 — 浏览器将为 Google OAuth 打开 python3 -c " import asyncio from notebooklm import NotebookLMClient async def auth( ): 与await NotebookLMClient 异步。
用于 AI 代理的浏览器自动化 CLI。当用户需要与网站交互时使用,包括导航页面、填写表单、单击按钮、截屏、提取数据、测试 Web 应用程序或自动执行任何浏览器任务。触发器包括“打开网站”、“填写表单”、“单击按钮”、“截取屏幕截图”、“从页面抓取数据”、“测试此 Web 应用程序”、“登录网站”、“自动执行浏览器操作”或任何需要编程 Web 交互的任务的请求。
为数据科学决策包设计代理系统提示、并行架构和方法护栏。在为分析工作流创建协调器、子代理或并行代理系统时使用。涵盖反制造规则、认知谦逊、何时停止、冲突检测、不确定性报告、重试协议、提示设计原则和决策实验室运行时机制。
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: