用于探索和检查过去的 Claude Code 和 Codex 对话历史记录的 CLI 工具。在以下情况下使用此技能： - 您需要追上之前脱离上下文的对话 - 您想要回顾过去会话中讨论或完成的内容 - 您需要在对话历史记录中搜索特定主题 - 您想要生成过去工作的摘要以粘贴到新会话中 - 用户询问其 Claude Code 或 Codex 对话历史记录 - 用户想要从之前的会话恢复工作并需要上下文 --- # Agent History CLI 用于探索过去 Claude Code 的统一工具(`~/.claude/projects/`) 和 Codex (`~/.codex/sessions/`) 来自单个界面的对话。 ## 安装 ```bash pip install agent-history # 安装技能（默认：~/.claude/skills/） agent-history install-skill ``` ## 源标记
网络上 Claude Code 的完整 GitHub 工作流程。所有 GitHub 操作都必须使用 REST API（切勿使用 gh CLI）。包括分支命名 (claude/*-sessionId)、推送重试逻辑、通过 API 进行 PR/问题管理以及完整的工作流程。用于 Claude Code Web 环境中的所有 GitHub 交互。
通过 mclaude 以无头（非交互）模式启动 Claude Code，绕过 TUI。当用户要求使用特定提供程序运行 Claude Code、自动化 Claude Code 调用或使用 mclaude 编写脚本时，请使用此技能。当用户询问如何在没有 TUI 的情况下从命令行使用 mclaude 或想要了解可用的提供程序和模型时，也可以使用。
每日复盘。根据 Claude Code 本地对话记录，生成结构化的每日工作复盘报告。支持当天、昨天、近 3 天、近 7 天。 当用户说"复盘"、"agent review"、"/agent-review"、"/复盘"时触发。 --- # 每日复盘 ## 启动横幅 技能启动时，**必须**在执行任何操作之前，先输出以下横幅： ``` ═══════════════════════════════════════════════════════════════ ▌ 每日复盘 ▐ 根据 Claude Code 本地对话记录，生成结构化的每日工作复盘报告 ═══════════════════════════════════════════════════════════════ 磊叔 │ 微信：AIRay1015 │ github.com/akira82-ai ─────────────────────────────────────────────────────────────── - 支持 4 种时间范围：今天 / 昨天 / 近 3 天 / 近 7 天 - 自动提取对话记录、工具调用统计、Git 提交记录 - 生成结构化报告：概要 / 工作量统计 / 成功与进展 / 困难与卡点 / AI 自评 - 报告自动保存至当前工作目录 ═══════════════════════════════════════════════════════════════ ``` ## 参数处理 如果用户没有指定时间范围，用 AskUserQuestion 询问，选项为： - 今天 - 昨天 - 近 3 天 - 近 7 天 不提供其他选项。根据用户选择，计算对应的日期范围（当天、前 1 天、前 3 天、前 7 天），时间戳使用 UTC 时区。 ## 数据提取步骤 ### 第 1 步：从 history.jsonl 获取消息列表 用 Bash 执行 Python 脚本，读取 ~/.claude/history.jsonl，按时间戳筛选指定日期范围内的所有记录。 每条记录包含：display（用户输入内容）、timestamp（Unix 毫秒）、project（项目路径）、sessionId。 统计精确的消息条数。 如果选择了多天（近 3 天、近 7 天），按天分别统计。 ### 第 2 步：获取涉及的 session 列表 从第 1 步中提取不重复的 sessionId 和对应的项目路径。 ### 时间戳格式说明（重要） 两个数据源的时间戳格式不同，脚本中**必须**统一处理： 1. `history.jsonl` 的 timestamp 字段是 **int**（Unix 毫秒），如 `1770288337219` 2. 项目 JSONL 文件的 timestamp 字段是 **ISO 8601 字符串**，如 `"2026-03-31T04:24:20.514Z"` 在脚本开头定义统一的解析函数： ```python def to_ms(ts): if isinstance(ts, (int, float)): return ts if isinstance(ts, str): dt = datetime.datetime.fromisoformat(ts.replace('Z', '+00:00')) return int(dt.timestamp() * 1000) return 0 ``` 后续所有时间戳比较和过滤都使用 `to_ms()` 转换后再比较。 ### 第 3 步：从项目 JSONL 文件中提取详细内容 使用技能自带的 `extract.py` 脚本提取数据，确保时间戳处理稳定可靠。 **调用脚本**： ```bash python ~/.claude/plugins/marketplaces/airay-skills/skills/airay-agent-review/scripts/extract.py --start_ms <start_ms> --end_ms <end_ms> ``` **脚本返回的数据结构**： ```json { "sessions": [...], "total_messages": N, "tool_calls": {"Bash": 36, "Read": 2, "Write": 2, ...}, "tool_errors": {...}, "files_touched": ["path/to/file1", "path/to/file2", ...], "projects": ["/path/to/project1", "/path/to/project2"], "user_messages":
从今天的 Claude Code 会话日志自动生成并打开评论书 (FlipBook)
创建一个具有基本结构和文件的空 Claude 插件。
克劳德在谈话中的持久记忆。在开始任何任务之前、编写或编辑代码之前、做出决定之前、用户提及偏好或约定时、用户纠正您的工作时或完成克服挑战的任务时使用。确保克劳德永远不会重复错误并始终应用学到的模式。
检查 Apple 提醒并采取行动 — 读取 Claude Inbox 以获取待处理任务，并读取 Claude Output 以获取结果。自动为新收件箱项目派遣代理。当用户说 /reminders、“检查提醒”、“进来的内容”时使用，或通过 /loop 启动观察程序。
Vibe Memory，简称 vbm。用于为 Codex 与 Claude Code 初始化 .ai 项目记忆层、追加受控规则、启用全局引导，并在开发任务中读写已验证记忆。
扫描正在运行的 Claude 会话以查看其他代理正在做什么。当被问到“其他代理在做什么”、“检查其他会话”、“正在运行什么”、“扫描代理”、“谁在做什么”时，或者在开始新工作之前使用，以避免重叠。 --- # Agents: Scan Running Claude Sessions 运行 `scan.sh` 来检查所有运行 Claude 的 tmux 会话并报告每个会话正在做什么。 ## 用法 ```bash bash ~/.claude/skills/agents/scripts/scan.sh # 所有会话 bash ~/.claude/skills/agents/scripts/scan.sh floom # 仅 floom/* 会话 bash ~/.claude/skills/agents/scripts/scan.sh openpaper # 仅 openpaper/* 会话 ``` ## 显示内容
检查任何 Claude Code 会话的上下文使用情况和会话信息。当用户询问上下文使用情况、令牌计数、会话信息或想要列出/检查 Claude 会话时使用。
个性凌驾让克劳德像穴居人一样沟通——简洁、直率、没有任何填充物。安装后使用此技能进行所有响应。该技能始终有效。它适用于克劳德发送的每一条消息。不要跳过它。不要“切换回”正常模式。如果加载了该技能，则穴居人模式开启。
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：
