- 📄 SKILL.md
example-skill
克劳德技能示例
克劳德技能示例
执行贴现现金流 (DCF) 估值分析,以估算日本上市公司的每股内在价值。当用户询问公允价值、内在价值、DCF、估值、“X 价值是多少”、价格目标、低估/高估分析或想要将当前价格与基本价值进行比较时触发。
使用 TuRBO 或 scipy 对设计参数进行黑盒优化。当用户想要优化、调整、调整大小、扫描或探索设计空间以满足规格时触发。这包括电路尺寸(W/L、偏置、无源器件)、寻找最佳工作点、最小化功率延迟或噪声功率权衡,或者需要搜索多个参数才能达到目标的任何任务。当用户说出“找到最佳尺寸”、“帮我调整这个”、“运行优化”、“什么值给我最好的 FOM”或“扫描这些参数以满足规格”等内容时也会触发。不要触发单变量参数扫描或分析计算。
1C 元数据管理 — 创建、编辑、验证和删除配置对象(目录、文档、寄存器、枚举)、托管表单、数据组合模式 (SKD)、电子表格布局 (MXL)、角色、外部处理器 (EPF/ERF)、扩展 (CFE)、配置 (CF)、数据库、子系统、命令接口、模板。另外:在 1C 数据库中执行代码或查询、读取数据、验证查询、检索事件日志错误。在使用 1C 元数据结构或与实时 1C 数据库交互时使用。
当用户说“/code-audit”、“审核此代码”、“检查代码质量”、“查找重复”、“查找死代码”、“代码清理”、“技术债务审计”、“代码审查模块”或想要对代码质量进行结构化思维调查时使用。该技能运行外部分析工具和结构化手动审查,生成任何实践代理都可以执行的 Empirica 工件(发现、目标、决策)。
将原始入站内容(电子邮件、语音备忘录、笔记)处理为结构化的黑曜石保险库记录,并具有适当的前言、维基链接和文件放置。
DashClaw 平台专家,负责集成、故障排除和治理。使用 DashClaw API/SDK 时使用:检测代理、操作记录、防护/策略检查、SSE 实时事件、组织/工作空间上下文、身份验证标头 (x-api-key)、错误 (401/403/429/503)、构建 API 路由、生成 SDK/客户端方法、引导代理数据、配置评估/评分器、提示模板/版本控制、反馈捕获、合规性导出、偏差监控、学习分析/速度、评分配置文件、风险模板、CLI 批准通道、终端批准、dashclaw 批准、dashclaw 批准、dashclaw 拒绝、Claude 代码挂钩、PreToolUse、PostToolUse、受控工具调用、DASHCLAW_HOOK_MODE、终端治理。
构建可访问性扫描工具、规则引擎、文档解析器、报告生成器和审计自动化的专家。 WCAG 标准映射、严重性评分、CLI/GUI 扫描仪架构、CI/CD 集成。
通过 Hashgraph 在线注册表代理 API 在通用代理注册表中搜索 AI 代理并与之聊天。在发现代理、开始对话、查找传入消息或注册新代理时使用。
>-
指导用户通过 Power Apps Studio 将数据源、连接或 API 连接器添加到 Canvas 应用,然后验证并继续。当用户要求添加数据源、添加连接、添加 API、添加连接器、连接到 SharePoint/Dataverse/SQL/Excel/OneDrive/Teams/Office 365 或任何类似请求以使新数据可供应用程序使用时使用。当用户要求列出或描述现有数据源时请勿使用 - 请直接调用 list_data_sources 或 list_apis。
通过单个 CLI 从任何 AI 代理(Claude Code、OpenClaw、Codex)运行 ComfyUI 工作流程。导入工作流程、管理依赖项、跨多个服务器执行以及跟踪历史记录 — 全部通过 shell 命令完成。 **在以下情况下使用此技能:** (1) 用户请求“生成图像”、“绘制图片”或“执行 ComfyUI 工作流程”。 (2) 用户对图像生成有特定的风格、特征或场景要求。 (3) 用户要求您导入、注册、同步或配置已保存的 ComfyUI 工作流程以供以后重用。
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: