- 📄 SKILL.md
llmfit-advisor
检测本地硬件(RAM、CPU、GPU/VRAM)并推荐最适合的本地 LLM 模型,并具有最佳量化、速度估计和拟合评分。
检测本地硬件(RAM、CPU、GPU/VRAM)并推荐最适合的本地 LLM 模型,并具有最佳量化、速度估计和拟合评分。
使用 neko-style 模板创建专业的 Slidev 演示文稿
将环境变量从 .env 文件加载到 Node.js 应用程序的 process.env 中。在使用特定于环境的机密配置应用程序、设置本地开发环境、管理 API 密钥和数据库 URL、解析 .env 文件内容或以编程方式填充环境变量时使用。触发涉及 .env 文件、process.env、环境变量加载、十二因素应用程序配置或 Node.js 机密管理的请求。
将用户问题中的主题、关键词映射到 QwenPaw 官方文档路径与常见源码入口,减少盲目搜索。适用于内置 QA Agent 在回答安装、配置、技能、MCP、多智能体、记忆、CLI 等问题时快速选定要读的文件。
使用 GitButler 提交、推送、分支和管理版本控制。用于:提交我的更改、检查更改的内容、创建 PR、推送我的分支、查看差异、创建分支、暂存文件、编辑提交历史记录、压缩提交、修改提交、撤消提交、拉取请求、合并、存储工作。替换 git - 使用“但是”代替 git commit、git status、git push、git checkout、git add、git diff、gitbranch、git rebase、git stash、git merge。涵盖所有 git、版本控制和源代码控制操作。
使用 Defuddle CLI 从网页中提取干净的 Markdown 内容,消除混乱和导航以节省令牌。当用户提供要阅读或分析的 URL 来获取在线文档、文章、博客文章或任何标准网页时,请使用而不是 WebFetch。不要用于以 .md 结尾的 URL — 这些 URL 已经是 markdown,请直接使用 WebFetch。
将此技能用于任何涉及 PDF 文件的任务。
当用户想要计划、设计或实施 A/B 测试或实验时。当用户提到“A/B 测试”、“分割测试”、“实验”、“测试此更改”、“变体副本”、“多变量测试”、“假设”、“我应该测试这个”、“哪个版本更好”、“测试两个版本”、“统计显着性”或“我应该运行此测试多长时间”时也可使用。每当有人比较两种方法并想要衡量哪种方法效果更好时,请使用此方法。有关跟踪实施情况,请参阅分析跟踪。对于页面级转换优化,请参阅 page-cro。
MinerU Document Explorer — 代理原生知识引擎。当用户要求搜索文档、在 PDF/DOCX/PPTX/Markdown 中查找信息、在大型文档中导航、提取表格/图形或构建 wiki 知识库时使用。
指导稳定的API和接口设计。在设计 API、模块边界或任何公共接口时使用。在创建 REST 或 GraphQL 端点、定义模块之间的类型契约或在前端和后端之间建立边界时使用。
如何使用 Adaptyv Bio Foundry API 和 Python SDK 进行蛋白质实验设计、提交和结果检索。每当用户提及 Adaptyv、Foundry API、蛋白质结合测定、蛋白质筛选实验、BLI/SPR 测定、热稳定性测定或想要提交蛋白质序列进行实验表征时,请使用此技能。当代码导入“adaptyv”、“adaptyv_sdk”或“FoundryClient”或引用“foundry-api-public.adaptyvbio.com”时也会触发。
让您的人工智能代理有一双能够看到整个互联网的眼睛。通过 CLI、MCP、curl 和 Python 脚本支持 17 个平台。 8 个通道的零配置。
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: