Agent Skills Hub

vercel-composition-patterns

vercel-composition-patterns 技能為構建靈活、可維護且可擴展的 React 元件架構提供了嚴謹的框架。它專為需要重構複雜 UI 或為新專案建立架構的軟體工程師與 AI 編碼代理而設計。透過優先考慮「組合而非配置」的原則，此技能協助開發人員擺脫導致元件庫僵化且難以擴展的「屬性鑽取 (prop drilling)」與「布林屬性擴散 (boolean prop proliferation)」問題。 此技能特別適用於構建可重複使用的元件庫，或是設計需要子元件間深度狀態同步的複雜介面。它強調現代 React 實踐，包括有效利用 Context Provider 進行狀態管理、複合元件 (compound components) 模式以實現直觀的 API 設計，以及透過狀態提升 (lifting state) 來降低耦合。這些指南同時涵蓋了最新的 React 19 API 變更，確保所產生的代碼與當前最佳實踐保持同步。 - 架構：強制執行複合元件與組合模式，以取代繁瑣的布林屬性配置。 - 狀態管理：提供透過 Context 介面與狀態提升來將實現細節與 UI 解耦的模式。 - 實作：提供具體策略，利用 children 組合而非 render props 來提高效能與可讀性。 - React 19 就緒：包含關於現代 Hooks 的特定指南，並在適當時將 forwardRef 等舊有模式替換為 use() hook。 - 優先級：依影響力（高、中、低）對規則進行分類，協助代理優先執行基礎架構的重構。 - 當您需要重構因屬性過多而難以維護的舊有元件時，請使用此技能。 - 適合用於設計需要高度靈活以適應不同終端使用者配置的元件 API。 - 此技能的輸入通常為元件檔案或架構提示；輸出將是一組基於規則庫的模式與重構建議。 - 限制：主要專注於 React 與 Next.js 生態系統；建議結合其他專門的效能或無障礙技能以實現全棧覆蓋。 - 在實作時，優先參考提供的規則文件，以確保大型代碼庫中的一致性。

using-git-worktrees

using-git-worktrees 技能為編碼代理提供了一套系統化的方法，用於在單個儲存庫內管理多個活動分支，無需頻繁切換分支或干擾主要工作區。此技能專為在複雜專案上工作的開發者和代理設計，確保新的實作計畫在乾淨、隔離的環境中執行，防止配置偏移和意外的提交汙染。它強制執行嚴格的安全協議，包括自動驗證 gitignore 狀態和基準測試驗證，以確保每個新功能都從穩定的已知狀態開始。該技能能智慧地偵測專案類型（支援 Node.js、Rust、Python 和 Go），並自動觸發相依性安裝，例如 npm install 或 cargo build，確保工作區立即進入開發就緒狀態。 - 使用 git worktree 根據功能分支自動創建隔離的工作區。 - 執行基於優先級的目錄選擇流程（現有的本機目錄 -> CLAUDE.md 配置 -> 互動式使用者提示）。 - 透過執行 git check-ignore 驗證來強制執行安全性，防止意外的儲存庫污染。 - 根據偵測到的檔案（如 package.json、Cargo.toml 或 requirements.txt）執行自動化的專案設置常式。 - 在交給實作代理之前，透過執行基準測試來驗證環境健康狀況。 - 在任務完成後，需要透過 finishing-a-development-branch 進行清理確認。 - 在實例化之前，務必驗證所選的 worktree 目錄已正確從版本控制中排除。 - 如果在剛創建的 worktree 中基準測試失敗，請立即回報錯誤並請求人為介入，而不是直接繼續。 - 優先使用專案本機目錄（.worktrees）以保持可見性，或根據要求選擇全域路徑（~/.config/superpowers/worktrees）。 - 嚴格遵守既定工作流程：偵測專案名稱、配置 worktree、安裝相依性、執行基準測試並宣告工作區就緒。 - 將此技能作為任何子代理驅動開發（subagent-driven-development）或計畫執行（executing-plans）活動的先決條件，以維護架構完整性和儲存庫整潔。

web-component-design

此技能為現代 JavaScript 和 TypeScript 生態系統中構建高品質、可維護的 UI 組件提供了全面的框架。它專為需要構建可重用組件庫、建立一致性設計系統或將遺留代碼庫重構為現代模組化架構的前端開發人員和架構師而設計。該技能涵蓋了 React、Vue 和 Svelte 的深層技術模式，重點在於最大限度地提高組件的可重用性、開發體驗和運行性能。 - 高級組合模式：實作複雜結構，利用複合組件 (Compound Components)、渲染屬性 (Render Props) 和插槽 (Slots) 來創建靈活且解耦的介面。 - API 設計最佳實踐：開發直觀、類型安全的組件屬性介面，實現語義化命名規範，並為公開的組件 API 提供合理的默認值。 - CSS-in-JS 與樣式編排：評估並整合多種樣式解決方案，包括 Tailwind CSS、CSS Modules、styled-components、Emotion 以及像 Vanilla Extract 這樣的零運行時解決方案。 - 可訪問性與一致性：確保 UI 組件符合現代網頁可訪問性 (A11y) 標準，同時在大型應用程序中保持視覺一致性。 - 漸進式重構：將遺留 UI 組件遷移到現代框架模式的策略，且不破壞現有功能或設計的一致性。 - 框架特定實作：提供關於 React Hooks、基於上下文的模式、Vue 3 Composables 和 Svelte 5 Runes 的專家指導，以實現組件內高效的狀態管理。 - 目標受眾：前端工程師、UI/UX 開發人員以及負責設計系統的技術負責人。 - 使用場景：構建企業級 UI 組件庫、創建 Storybook 文檔化模組以及標準化前端架構模式。 - 輸入：代碼庫架構需求、設計令牌 (Design Tokens) 和現有的組件邏輯。 - 輸出：符合 DRY 原則的可擴展、經過測試且文檔完善的組件代碼。 - 約束：專注於現代框架；需要理解 TypeScript 以及當前的編譯時或運行時樣式編寫方法。

1password

1Password 技能為 1Password 命令列工具 (op) 提供了強大的互動介面，專為需要程式化存取儲存在 1Password 中敏感憑證、API 金鑰和密碼的開發人員、系統管理員及進階使用者所設計。透過利用基於 tmux 的專用執行模型，此技能確保登入流程、保險庫查詢和密鑰擷取在多個代理程式任務中保持隔離、穩定且安全。這種方法最大限度地減少了互動式提示並防止了環境洩漏，使其成為安全基礎設施自動化的重要工具。 - 使用 op CLI 進行安全驗證，並結合 1Password 桌面應用程式整合。 - 透過 op run 或 op inject 動態檢索密鑰和憑證，防止將敏感資料寫入持久性磁碟儲存空間。 - 支援使用特定的 --account 識別碼或 OP_ACCOUNT 環境變數進行多帳號管理。 - 自動化工作階段處理，將 CLI 命令封裝在隔離的 tmux 工作階段中，以確保持久的 tty 可用性和可靠的命令執行。 - 與需要存取 1Password 保險庫中項目、附件和欄位的工作流程無縫整合。 - 嚴格執行的安全協定，包括禁止將密鑰貼上到日誌、聊天介面或純文字程式碼檔案中。 - 在執行命令序列之前，請務必確保 1Password 桌面應用程式已解鎖，以避免驗證失敗。 - 此技能需要功能完整的 tmux 環境；請確保主機系統已安裝並可存取 tmux。 - 使用建議的操作流程：驗證 CLI 是否存在，透過 op signin 進行驗證，並在使用 op whoami 確認身分後，再嘗試存取密鑰。 - 建議使用 op inject 將密鑰直接映射到程序環境中，這是處理建置或執行時期任務期間敏感資料最安全的方式。 - 若帳號工作階段過期，此技能會處理重新驗證請求，以在無需人工介入的情況下維持操作連續性。

data-viz-plots

此資料視覺化技能使代理程式能夠在本地環境中直接產生專業、可供出版的科學圖表。專為研究人員、資料科學家和工程師設計，此技能透過提供 matplotlib 和 seaborn 的標準化高效能模板，簡化了基於 Python 的繪圖複雜性。由於在本地運行，它確保了資料的隱私性和可攜性，並能與任何 LLM 基礎設施無縫運作，包括 Claude、GPT、Gemini 以及像 DeepSeek 或 Qwen 等開源模型。 此技能支援各種類型的繪圖，從探索性資料分析 (EDA) 圖表到學術期刊所需的多面板圖表。它包含強大的樣式配置，確保高影響力報告、生物研究（如基因表達分群或 UMAP 投影）以及複雜時間序列分析所需的 DPI、字體大小和美學標準。使用者可以輕鬆自訂配色方案、圖例配置和網格美感，以滿足特定的簡報需求。 - 生成出版級圖形，包括散佈圖、折線圖、熱圖、小提琴圖、盒鬚圖以及帶有誤差線的長條圖。 - 支援多面板圖表，使用 GridSpec 將不同的資料洞察整合到單一佈局中。 - 包含 matplotlib 和 seaborn 的預設樣板，確保論文或簡報圖表的 DPI 和輸出品質一致。 - 提供靈活的資料輸入 API，支援常用的 pandas DataFrame 和 numpy 陣列格式。 - 支援多種匯出格式，包括高解析度 PNG、PDF 和互動式顯示選項。 - 在執行技能之前，請確保本地 Python 環境已安裝所有必要的套件，包括 matplotlib、seaborn、pandas 和 numpy。 - 使用 seaborn 函數時，輸入資料應經過清潔並結構化為長格式或矩陣格式以獲得最佳效果。 - 對於多面板視覺化，建議儘早定義 GridSpec 佈局，以有效地管理圖表空間和軸控制代碼。 - 務必驗證存檔圖表的檔案路徑，因為技能會直接將檔案輸出到工作目錄中。 - 儘管此工具具有通用性，但複雜的佈局可能需要手動調整邊距和空白，以防止最終匯出的圖表中出現文字重疊。

performance-security

此技能提供了一套完整的生產級 React 開發模式，專注於高效能執行、無障礙設計 (a11y) 及嚴謹的安全性強化。它專為需要開發大規模、穩健網頁應用程式的資深前端工程師與全端開發人員所設計。此技能透過最新的 React Compiler 模式協助優化元件生命週期，透過 TanStack Router 與 Vite 實作有效的程式碼分割，並確保透過 WebP 與 SVG 等現代格式實現高效能的資源載入。 除了效能之外，此技能還強調關鍵的無障礙標準，包括強制執行語義化 HTML、正確使用 ARIA、支援鍵盤導航以及符合 WCAG 的色彩對比度。安全性模組能協助開發人員避免常見的錯誤，例如寫死機密資訊、不安全的環境變數處理以及狀態突變的反模式。透過結合使用帶有可存取角色查詢功能的 React Testing Library，此技能確保安全性與效能提升是透過自動化測試而非手動推測來驗證的。 - 使用動態導入與路由級懶載入的進階程式碼分割技術，以最小化建置套件大小。 - React Compiler 優化指導，識別記憶化機會並定義純元件結構。 - 全面的無障礙審核，包括語義化標記、焦點捕獲與螢幕閱讀器相容性驗證。 - 使用現代格式與響應式 srcset 模式的影像與資源管線優化。 - 用戶端應用程式的安全性最佳實務，包括透過 import.meta.env 進行機密管理。 - 使用 Vite 建置分析與視覺化工具進行效能診斷，追蹤區塊大小。 - 確保元件保持純粹，以利 React Compiler 有效地執行自動記憶化。 - 使用螢幕閱讀器測試與瀏覽器無障礙面板來驗證對比度與語義結構。 - 務必將基於 div 的互動式元素替換為原生語義化 HTML 按鈕或連結，以維護鍵盤可操作性。 - 僅使用 VITE_ 前綴的環境變數，以防止機密 API 金鑰意外洩漏至生產套件中。 - 將 rollup-plugin-visualizer 整合至建置流程中，定期檢查並移除不必要的依賴。

cicd-pipeline-qe-orchestrator

CI/CD Pipeline QE Orchestrator 是一個進階的代理架構，旨在將零散的測試工作轉換為協調一致且自動化的品質工程生態系統。它作為複雜品質工程艦隊的核心協調者，使團隊能夠將智慧注入軟體交付生命週期的每個階段。透過利用單元測試、整合測試、效能測試、安全性掃描以及混沌工程的專用代理，確保品質不再是事後補救措施，而是可量化且受守門機制強制執行的構建元件。此工具專為 DevOps 工程師、品質保證架構師及資深開發人員設計，旨在跨不同開發環境和 CI/CD 平台標準化測試策略並執行嚴格的品質基準。 - 全方位的協調能力，涵蓋 Commit、Build、Test、Staging 及 Production 階段。 - 根據流水線階段需求（例如 Commit 階段的 TDD-London/Chicago 或 Staging 階段的混沌工程）進行智慧代理選擇與動態路由。 - 自動執行品質守門機制，針對代碼覆蓋率、變異測試分數、API 合約一致性及安全漏洞數量設置明確閾值。 - 利用內部記憶體命名空間進行平行執行協調，管理跨分散式代理任務的狀態。 - 具備風險意識的測試策略，可適應環境複雜度與基礎設施限制。 - 透過標準化的 MCP 協議與現有的編碼平台（如 Claude Code、Cursor、Windsurf 及 GitHub Copilot）無縫整合。 - 輸入包含原始碼庫、BDD 需求及 CI/CD 設定檔；輸出則為可執行的測試報告、品質守門狀態及部署就緒建議。 - 使用者應定義階段特定的指標（如 p95 回應時間、API 合約穩定性），以確保守門機制在自動化工作流程中正確運作。 - 艦隊配置支援每個階段最多 10 個代理，以優化平行任務效能，同時最小化 Token 使用量與雲端成本。 - 建議定期檢視階段-代理矩陣，隨著程式碼庫模式的演變與新測試需求的出現，更新代理技能集。 - 使用限制包含嚴格遵守代理通訊的記憶體命名空間定義，且目標編碼代理環境需預先配置 MCP 工具。

launch-strategy

launch-strategy 技能可作為 SaaS 創辦人、產品經理及行銷人員在進行產品發布時的全面副駕駛。它提供一套結構化的方法論，協助使用者建立動能並將關注轉化為活躍用戶。透過以 ORB 框架為核心——即優先考慮自有通路 (Owned) 以確保穩定性、利用租用通路 (Rented) 增加曝光，並透過借用通路 (Borrowed) 建立可信度——該代理程式確保每次發布都是一場戰術性的行銷戰，而非單一事件。使用者將獲得關於五階段發布流程的指導，從內部測試、Alpha 反饋循環，到管理公開 Beta 測試以及全面推動市場進入 (GTM) 執行。 - 專業應用 ORB 框架，將發布工作對齊至自有、租用及借用通路的行銷策略。 - 策劃結構化的五階段流程：內部準備、Alpha 測試、Beta 測試、早期存取 (Early Access) 及正式發布。 - 提供針對 Product Hunt 發布、功能公告及候補名單建置策略的戰術建議。 - 整合 product-marketing-context.md，確保訊息傳遞、目標受眾畫像及市場定位與品牌保持一致。 - 生成針對特定產品開發里程碑的實作發布清單及時間表。 - 開始前請先檢查現有的產品行銷背景文件 (product-marketing-context.md)，確保輸出內容完全符合您的 SaaS 產品與受眾需求。 - 在準備重大更新、新功能發布或當您準備「正式上線」(about to ship) 並需要跨通路促銷計畫時使用此技能。 - 常見輸入包括產品詳細資訊、預計發布日期、現有通路強度及受眾規模；預期輸出為分階段執行計畫與行銷通路分配策略。 - 請注意，此技能專注於發布事件與動能建立；若需持續性的成長與發布後互動，請交叉參考 marketing-ideas 技能。 - 本技能協助您定義發布的「目的」與「執行方式」，包含評估是否需要限制邀請名額、執行專屬存取群組，或利用網紅合作夥伴關係來加速受眾獲取。

hive-mind-advanced

Hive Mind Advanced 技能為 Claude Flow 生態系統中的多個 AI 代理提供了一個複雜的協調框架。專為複雜軟體工程專案設計，它採用女王主導的層級架構，由策略型、戰術型和適應型女王管理專業工作代理。該系統使開發人員能夠擴展其 Claude Code 互動，從單一代理任務轉向協調的蜂群式問題解決。它非常適合處理大規模架構、多服務實作和嚴格自動化測試的團隊或個人。 - 多代理協調：協調包含研究員、編碼員、架構師、測試員、審查員和文件編寫員等專業角色。 - 共識演算法：實作多數決、加權投票及拜占庭容錯 (BFT) 機制，確保高可信度的決策過程。 - 集體記憶系統：具備 SQLite 後端持久化、預寫式日誌 (WAL) 模式、LRU 快取及記憶整合功能，可在整個蜂群中共享知識。 - 自動任務分配：根據代理專業領域、效能指標和系統負載自動分配任務。 - 工作階段管理：處理包含檢查點、進度追蹤和程式化匯出功能的多工作階段生命週期。 - 自適應擴展：根據任務複雜度和佇列壓力動態調整工作者數量與拓撲結構。 - 使用 hive-mind init 指令初始化蜂群以設定組態和記憶資料庫。 - 使用 hive-mind spawn 指令為特定目標（如建立微服務或最佳化系統指標）建立工作階段。 - 針對架構選擇或高風險代碼決策使用程式化共識建立，並利用女王的加權投票權。 - 利用記憶類型（知識、任務、共識、結果）確保從一個工作階段獲得的見解能夠持續存在，並為未來的開發週期提供參考。 - 透過指標、狀態檢查和集體記憶搜尋工具監控系統運作狀態。 - 限制：需要運作中的 Claude Flow 環境；效能受限於 LLM 延遲以及工作階段組態中所定義的共識閾值。

search

Search Skill 為使用 Tavily API 的 AI Agent 提供了一個專為大型語言模型優化的網頁搜尋介面。此工具旨在幫助開發者與自動化 Agent 在無需進行繁瑣的網頁爬取或資料解析的情況下，獲取高品質的網頁內容、摘要、元數據與關聯分數。透過結構化的輸出格式，它能將網頁資訊轉化為 AI 模型可直接處理的知識內容，大幅提升研究、市場分析與內容合成的效率。 - 提供專為 LLM 上下文處理優化的進階網路搜尋能力 - 支援自訂搜尋參數，包括搜尋深度（從超快速到進階）、時間範圍與特定日期篩選 - 具備網域篩選功能，可指定包含或排除特定信任網站，確保搜尋結果的相關性與安全性 - 支援選擇性獲取原始頁面內容、影像結果與 Favicon，以進一步豐富 Agent 的上下文資料 - 透過 Tavily MCP 伺服器進行 OAuth 認證，或使用標準 API Key 配置，適應多種部署環境 - 自動化處理 API 回應，輸出包含標題、網址、內容摘要與相關分數的結構化 JSON 資料 - 應用場景：適用於即時資料蒐集、市場趨勢研究、技術文件查詢，或作為自動化內容摘要的資訊來源。 - 輸入說明：接收 JSON 請求體，包含必填的查詢字串，以及選填的搜尋深度（basic, advanced, fast）、結果數量限制（0-20）與網域過濾列表。 - 輸出說明：返回包含結果列表的結構化 JSON 物件，每個項目皆包含網頁標題、URL、文字摘要與相關性分數。 - 實用建議：建議將查詢語句控制在 400 字元以內；若問題較複雜，建議拆分為多個子查詢以提高精確度；善用 time_range 與 include_domains 來減少無效網站的干擾。 - 限制條件：API 使用受限於 Tavily 帳戶額度，且需確保運作環境能連線至 Tavily API 端點；建議將 API 金鑰儲存於安全設定檔中。

flow-nexus-swarm

Flow Nexus Swarm 是一個強大的編排框架，旨在將 Claude Code 轉變為先進的多代理開發環境。它允許開發人員部署階層式、網狀、環狀或星狀拓撲的 AI 代理集群，以處理複雜的軟體工程任務。透過與訊息佇列和事件驅動架構整合，此技能為建構自動化 CI/CD 流程、自主研究循環和協作式結對編程代理提供了堅實的基礎。專為管理複雜專案的工程團隊設計，將重點從手動代理提示轉向自主協調、任務委派和自我學習迴路。 - 多拓撲集群協調，包括階層式、網狀、環狀和星狀架構，以實現靈活的代理協作。 - 事件驅動的工作流自動化，支援訊息佇列處理、依賴管理和非同步執行模式。 - 智慧代理分配，利用 HNSW 向量相似度匹配來選擇最優化的研究員、程式設計師、分析師或協調員。 - 即時監控和完整的稽核紀錄，可視化集群狀態、效能指標和任務歷史。 - 可擴展的基礎架構支援，具備動態自動擴展和資源優化策略，適用於企業級工作負載。 - 與 Claude Code 外掛深度整合，利用 WASM 核心、神經網路訓練和基於 RAG 的持續記憶體系統。 - 使用 swarm_init 工具根據專案複雜度要求定義初始集群拓撲和最大代理數量限制。 - 利用 workflow_create 工具來編排具有特定步驟依賴關係和優先權佇列的多步驟 CI/CD 或測試流程。 - 建立集群的輸入需要有效的拓撲類型和策略，而工作流執行則接受結構化的輸入資料物件進行任務處理。 - 使用狀態查詢工具監控活動集群和工作流，以獲取即時日誌、稽核軌跡和效能指標進行除錯。 - 確保在集群生態系統中生成適當的代理類型（如優化器、測試員或部署員）以處理特定領域的任務。 - 限制：雖然擴展性強，但大型集群需要仔細設定拓撲和代理策略，以防止過度的 Token 消耗並確保高效的通訊模式。

evaluation

評估技能為 AI 代理系統提供了強大的架構化評估方案，超越了傳統軟體測試，專門應對大型語言模型的非確定性特性。此技能專為工程師與研究人員設計，能夠建立系統化的評估框架，以應對動態決策、多輪互動與上下文相關的故障。透過專注於結果導向的驗證，而非固定的執行路徑，開發者能確保其代理在部署前持續符合品質標準。 - 實作多維度評分標準，獨立衡量事實準確性、完整性、引用精確度與工具效率。 - 運用 LLM-as-a-judge 技術，針對大規模測試集進行可擴展的自動化評估，並納入推理過程與結構化輸出分析。 - 建立品質閘控與回歸測試，用於偵測代理管線在上下文視窗或工具集更新時的效能退化。 - 整合 BrowseComp 研究見解，例如權杖（token）預算管理與模型效率分析，以最佳化代理組態。 - 支援混合式評估工作流程，結合自動化評分與人工審核，以偵測隱晦的偏見、幻覺與極端邊界情況。 - 當您需要定義基準測試套件、進行模型比較或設定代理工作流的效能指標時，請啟動此技能。 - 輸入資料通常包含原始代理互動日誌、基準測試資料集與特定任務的評分標準定義；輸出包含加權綜合評分與可操作的診斷回饋。 - 實務限制強調使用不同的模型進行評估以避免自我增強偏見，並需涵蓋不同複雜度的提示詞場景。 - 使用者應優先評估最終結果與狀態變更，將個別執行步驟視為參考資訊而非評估指標。