- 📁 config/
- 📁 prompts/
- 📁 scripts/
- 📄 SKILL.md
arxiv-tracker
按研究主题和关键词跟踪和过滤 arXiv 论文。运行每日论文摘要、管理主题配置、查看跟踪历史记录并触发关键字演变。当用户询问论文追踪 (论文追踪)、arxiv 监控、研究论文提醒或学术论文摘要时使用。
按研究主题和关键词跟踪和过滤 arXiv 论文。运行每日论文摘要、管理主题配置、查看跟踪历史记录并触发关键字演变。当用户询问论文追踪 (论文追踪)、arxiv 监控、研究论文提醒或学术论文摘要时使用。
研究 Claude Code 的自动化技能。从想法到可提交论文的完整流程。技能:/lit-review、/novelty-check、/experiment、/analyze-results、/write-paper、/research(协调器)、/setup。
击败普通网络搜索的快速研究 - 在搜索具体内容之前发现存在的内容(横向扫描),在几天/几周内捕获最新版本(新近度脉冲 + 上游供应链),并运行并行查询以实现多角度覆盖。适合日常研究和当前信息问题。当用户请求研究、比较或“X 上的最新消息”时使用。对于需要假设检验、COMPASS 审核、红队或完整报告的高风险决策 → 使用 /deep-research-pro。
深入研究与引文跟踪
高级网络搜索和摘要 — 查找、读取和总结网络信息。
通过对源系统进行分类、使用专用代理或内联研究对其进行研究以及生成包含实体映射和架构决策的 _PLANNING.md 蓝图来规划新的 DataHub 连接器。在构建新连接器、研究 DataHub 源系统或设计连接器架构时使用。触发条件:“规划连接器”、“X 的新连接器”、“为 DataHub 研究 X”、“为 X 设计连接器”、“创建规划文档”或任何规划/研究/设计 DataHub 摄取源的请求。
去人类中心研究引擎——所有研究任务的主要入口点。每当用户想要研究某个主题、查找论文、调查某个领域、追踪引用链、探索研究差距、产生新想法或进行实验时,都可以使用此技能。该技能根据用户意图路由到适当的模式(快速/调查/深度/网络/混合/研究/执行)。对于完整的研究模式,它编排了完整的流程:头脑风暴→文献调查→差距分析→想法生成→审查循环→规范编写→实施计划→实验执行。始终使用此技能作为任何与研究相关的请求的起点。 --- # DARE DARE 是一个 Vibe 研究工具包。您是一名研究助理,使用 DARE 的外部 MCP 工具来完成研究任务。 ## 您的角色 您是一名自主研究人员。给定一个研究主题或问题,您: 1. 理解意图,衡量所需的深度和广度 2. 自动选择适当的模式 3. 自主编排工具调用,根据中间结果进行调整 4. 提供结构化的研究输出 ## 哲学方向 <HARD-GATE> 在进入任何模式(快速、调查、深入、研究、网络、混合或执行)之前,您必须完整阅读“技能/敢于/参考/去人类中心.md”。这是管理 DARE 所有研究活动的价值体系。不要跳过此步骤,也不要凭记忆进行总结——每次都读取实际文件。 </HARD-GATE> 这种哲学不是一套指令。它是一个镜头。阅读后,将其原则贯彻到您所做的每一个决定中:哪些论文重要,哪些差距需要优先考虑,哪些想法需要追求,如何评估进展。该文件将告诉您这些原则是什么。 ## 工具 请参阅“skills/tools/SKILL.md”以获取完整参考,“skills/tools/references/dare-scholar.md”以获取详细的纸质工具使用方法。 | MCP 服务器 |工具|目的| |---|---|---| |蜜蜂 | `谷歌学术刮刀` |谷歌学术搜索
学术研究的实验执行者和监督者。 2-agent 系统涵盖代码实验(ML 训练、统计分析、ETL、模拟)和人类研究(调查、实地研究、访谈)。 4 种模式:运行(执行 + 监控代码)、管理(跟踪人类研究)、验证(统计解释 + 再现性验证)、计划(苏格拉底式实验设计)。触发:运行实验、执行代码、训练模型、基准测试、管理研究、跟踪参与者、实地研究、调查、验证结果、检查统计数据、重现、计划实验、设计研究、运行实验、执行计划、管理研究、验证结果、规划实验。
战略研究框架,通过结构化的权力问题将数月的市场/竞争研究压缩为数小时。使用由 Exa 驱动的并行情报收集,从竞争对手数据、评论和行业来源中提取未言明的行业见解、脆弱的市场假设和战略攻击面。当用户说“攻击面”、“研究市场”、“竞争分析”、“分析竞争对手”、“寻找市场机会”、“对这个想法进行压力测试”、“市场研究”、“评估机会”、“寻找盲点”、“市场进入”时使用,或者当用户想要深入了解市场、评估新方向、寻找行业盲点、评估合作伙伴关系或分析机会时使用。请勿用于代码审查、测试、部署、错误修复或实施任务。 --- # 攻击面 — 战略研究框架 将数月的市场研究压缩为数小时。 3 小时和 3 个月之间的区别不在于信息量,而在于了解哪些问题真正重要。 该框架不是“总结这些”或“分析竞争”,而是提取: - **不言而喻的见解** - 成功的参与者了解客户从未大声说出的内容 - **脆弱的假设** - 整个市场建立的信念,以及它们如何打破 - **攻击面** - 盲点,脆弱的共识,无人谈论的开放 ## 何时使用 - 进入新市场或垂直市场 - 评估新的功能方向现有项目 - 评估合作伙伴关系或平台机会 - 在提交之前对业务创意进行压力测试 - 寻找竞争盲点和服务不足的利基市场 - 任何受益于深入循证分析的战略问题 ## 工作流程概述 7 个阶段,在自动情报收集和用户引导分析之间交替: |相|名称 |模式|输出| |--------|------|------|--------| | 1 |简报 | 互动|研究简介 | | 2 |来源收藏|自动化(并联
在评估学术论文或调查研究主题时使用。收集地点、引文、GitHub 统计数据、社会热点、可重复性和作者信号,以生成评分的 Markdown 报告。触发因素:“评估论文”、“论文评论”、“研究调查”、“文献评论”、“这篇论文好不好”、“查找论文”、“比较论文”、“论文影响”
使用 Nia AI 索引和搜索代码存储库、文档、研究论文、HuggingFace 数据集、本地文件夹、Slack 工作区、Google Drive、X (Twitter) 和软件包。包括身份验证引导、Oracle 自主研究、GitHub 实时搜索、Tracer 代理、依赖性分析、上下文共享、代码顾问、文档代理、数据提取、文件系统操作和通用连接器。
运行任务的完整开发周期(研究→计划→实施→审查+修复循环)。
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: