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。
向 VLA 评估工具添加新的模拟基准。每当用户想要集成、创建或添加新的基准或模拟环境时，请使用此技能 - 例如“添加 ManiSkill3”、“集成 OmniGibson”、“连接新的 sim”。当他们询问基准测试的结构或想要了解基准测试界面时也可以使用。
创建和使用brand.yml文件，以在Shiny应用程序和Quarto文档中保持一致的品牌。在 Shiny 或 Quarto 项目中处理品牌样式、颜色、字体、徽标或企业标识时使用。涵盖：(1) 根据品牌指南创建新的 _brand.yml 文件，(2) 使用 bslib 将brand.yml 应用到 Shiny for R 应用程序，(3) 使用 ui.Theme 将brand.yml 应用到 Shiny for Python 应用程序，(4) 在四开本文档、演示文稿、仪表板和 PDF 中使用brand.yml，(5) 修改现有的brand.yml 文件，(6) 解决品牌集成问题。包括完整的规范和特定于框架的集成指南。
API 参考：应用程序意图。查询 Siri、快捷方式、Spotlight 集成、公开应用程序功能。
生成 Genkit Dart SDK 的代码并提供文档。当用户要求在 Dart 中构建 AI 代理、使用 Genkit 流程或将 LLM 集成到 Dart/Flutter 应用程序时使用。
审核第三方 AI API 中继/代理服务是否存在安全风险。检测隐藏提示注入、提示泄漏、指令覆盖、身份劫持（中国市场替代）、越狱漏洞、上下文截断、工具调用包替换（AC-1.a）、错误响应头泄漏（AC-2相邻）、SSE级流完整性异常（AC-1流）、Web3提示注入（慢雾签名隔离）。使用场合：测试中继、审计API、审计中继、检测注入、中继安全、API中继审计、该中继安全吗、是否注入提示、测试代理API、检查API密钥、中转站安全、测试中转站、中转站审计。
跨 Claude Code、Codex、Gemini 和 Cursor 引擎管理持久编码会话。在编排多引擎编码代理、启动/发送/停止会话、运行多代理理事会协作、跨会话消息传递、ultraplan 深度规划、ultrareview 并行代码审查或在运行时切换模型/工具时使用。在“开始会话”、“发送到会话”、“运行委员会”、“ultraplan”、“ultrareview”、“切换模型”、“多代理”、“编码会话”、“会话收件箱”、“光标代理”上触发。
通过 ktui CLI 进行全面的看板和任务管理。用于项目跟踪、待办事项列表、任务依赖性、工作流程自动化和看板管理。当用户提及看板、任务、看板或项目管理时激活。如果“ktui”命令不可用，但“uv”可用，请改用“uvx kanban-tui”。
巴逆逆反指标分析。触发时机：使用者要求追踪巴逆逆、分析反指标、抓取社群贴文并推送 Telegram 时。 能力范围：透过 CLI 抓取 Facebook 贴文、反指标逻辑分析、连锁效应推导、Telegram 推送。 目标：由 Claude 作为分析引擎，产出直白中文的反指标分析报告。 --- # banini-tracker — 巴逆逆反指标分析 追踪「股海冥灯」巴逆逆（8zz）的 Facebook 贴文，由你（Claude）进行反指标分析，推送结果到 Telegram。 ## 前置条件 ```bash # 首次使用：初始化设定 npx @cablate/banini-tracker init --apify-token <TOKEN> --tg-bot-token <TOKEN> --tg-channel-id <ID> # 确认设定 npx @cablate/banini-tracker config ``` ## 工作流程 ### Step 1：抓取贴文 ```bash npx @cablate/banini-tracker fetch -s fb -n 3 --mark-seen ``` 输出是 JSON 阵列，每篇贴文包含： - `id` / `source` - `text`（贴文内容） - `ocrText`（图片 OCR 文字，可能包含下单截图） - `timestamp` / `url` / `likeCount` - `mediaType` / `mediaUrl` `--mark-seen` 会自动记录已读，下次不重复抓。 ### Step 2：你来分析 读取 Step 1 的 JSON 后，进行反指标分析。分析要点： **核心逻辑**（方向完全相反，不要搞混）： | 她的状态 | 反指标解读 | |---------|-----------| | 买入/加码 | 该标的可能下跌 | | 被套（还没卖） | 可能继续跌（她还没认输） | | 停损/卖出 | 可能反弹上涨（她认输 = 底部讯号） | | 看多/喊买 | 该标的可能下跌 | | 看空/喊卖 | 该标的可能上涨 | **分析原则**： - 只根据贴文明确提到的操作判断，不要脑补 - 停损 = 她之前买了（做多），现在卖掉认赔。不是「放空」 - 标的用正式名称（信骅、钛升），不用她的昵称（王、渣男） - 当天贴文最重要，注意时序（她的想法可能几小时内改变） - 语气越笃定/兴奋 → 反指标信号越强 - 善用 WebSearch 查询标的最新走势，丰富分析 **连锁效应推导**： - 她买油正二被套 → 油价可能继续跌 → 原物料成本降 → 制造业利多 - 她停损钛升 → 钛升可能反弹 → IC 设计族群连动上涨 - 她停损卖出油正二 → 油价可能反弹 → 通膨压力回来 ### Step 3：推送 Telegram 将分析结果写入暂存档再推送（多行讯息用 `-m` 会被 shell 截断，务必用 `-f`）： ```bash # 写入暂存档后推送（推荐） npx @cablate/banini-tracker push -f /tmp/report.txt # 短讯息可用 -m npx @cablate/banini-tracker push -m "短讯息" # 纯文字（不解析 HTML） npx @cablate/banini-tracker push -f /tmp/report.txt --parse-mode none ``` ## 其他指令 ```bash # 去重管理 npx @cablate/banini-tracker seen list # 列出所有已读 ID npx @cablate/banini-tracke r seen mark <id...> # 手动标记已读 npx @cablate/banini-tracker seen clear # 清空已读纪录 # 查看/修改设定 npx @cablate/banini-tracker config # 显示设定（token 遮蔽） # 手动编辑: ~/.banini-tracker.json ``` ## 费用参考 Facebook 每次抓取约 $0.02（Apify CU 计费）。 ## 报告格式建议 推送到 Telegram 时建议用以下 HTML 格式。注意： - 每篇贴文附上原文连结（从 fetch 的 `url` 栏位取得） - `<` `>` `&` 必须转义（`<` `>` `&`），避免 HTML 解析错误 - 多行内容务必写入档案后用 `-f` 推送 ``` <b>巴逆逆反指标速
更喜欢 cx 而不是读取文件。升级：概述→符号→定义/参考→阅读工具。
在运行时搜索和检索代理技能。当代理需要找到专门的功能、工作流程或领域知识来完成任务时，应该使用此技能。 Skyll 聚合来自 Skills.sh 的技能，并返回完整的 SKILL.md 内容，以供上下文注入。
将 MCP 服务器添加到 pi。当要求“添加 mcp 服务器”、“配置 mcp”、“添加 mcp”、“新 mcp 服务器”、“设置 mcp”、“连接 mcp 服务器”或“注册 mcp 服务器”时使用。处理全局和项目本地配置。
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：
