Agent Skills Hub

探索可重用的代理技能,查看實作細節,快速找到適合你工作流程的技能。

清除

共找到 225 個技能

生產力工程開發內容創作
crafting-effective-readmes avatar

crafting-effective-readmes

此工具作為文件架構師,協助開發人員與專案擁有者編寫有效率的 README 檔案,連結程式碼與理解之間的鴻溝。README 通常是貢獻者、利益相關者或未來維護者接觸專案的第一步;此技能確保您的專案文件針對受眾的特定需求進行調整,無論是開源貢獻者、瀏覽內部儲存庫的隊友,還是研究設定檔的未來自己。透過結構化的流程,您可以在專案演進的同時維護高品質的文件。 此工具支援四項主要任務:建立初始專案文件、為新功能新增章節、更新過時資訊,以及進行定期審查以確保與當前程式碼庫的一致性。它運用多種模板,包含開源專案、個人作品集、內部團隊儲存庫與技術性 XDG-config 檔案的設定,確保每個情境都能提供適當的細節。 - 智慧型任務識別,引導您完成建立、擴充與維護階段。 - 具備受眾意識的模板,自動填充安裝、使用方式、架構與授權等關鍵章節。 - 整合式檢查清單,確保每個 README 皆包含明確的專案名稱、簡潔的目標說明以及可執行的範例。 - 主動式的審查循環,鼓勵將文件與目前的套件狀態、設定與相依性進行比對。 - 關於風格與文筆的上下文指導,減少文件中的模稜兩可與技術債。 - 在啟動新專案時,請準備好定義專案類型、主要問題陳述以及最快速的安裝或執行路徑。 - 在審查階段,此工具將協助您透過比對文件內容與目前專案狀態(例如 package.json、主原始碼檔案)來識別過時的區段。 - 使用提供的模板參考 (oss.md, personal.md, internal.md, xdg-config.md) 作為內容基礎,以維持一致性。 - 始終以工具的最終檢查結束草擬過程:詢問是否遺漏了任何關鍵的專案特定資訊。 - 此技能專為希望減輕文件維護負擔並提高專案入門成功率的軟體開發人員、技術撰稿人與開源維護者所設計。

1,658
工程開發生產力
design-system-patterns avatar

design-system-patterns

此技能為工程師、UI 架構師與設計系統維護者提供了一套完整的框架,用於構建健壯且可擴展的設計系統。它專注於彌合 Figma 設計資產與生產級程式碼之間的差距,透過標記導向開發(Token-driven development),協助團隊在大型網頁與行動應用中維持視覺一致性,並透過標準化元件架構顯著降低技術債。 本技能涵蓋了設計系統的整個生命週期,從原始設計標記(Primitive tokens)的定義到複雜的多主題切換基礎設施實作。它整合了業界標準(如 Style Dictionary)以進行多平台標記生成,並利用 React 的複合元件(Compound components)與 Headless UI 模式,確保元件既靈活又具備無障礙性。無論是從零構建系統,還是重構既有元件庫以支援深色模式與動態主題,本技能均提供了必要的架構模式。 - 原始、語義與元件級標記定義策略,實現細粒度的視覺控制 - 利用 CSS 自定義屬性、系統偏好檢測與持久化存儲實現動態主題切換 - 元件庫架構模式,包含多型元件(Polymorphic components)、插槽組合與 Headless UI 設計 - 自動化設計轉代碼工作流程,利用 Figma 同步與 CI/CD 整合 - 進階主題功能,如多品牌支援、減少動態效果與高對比度無障礙模式 - 使用 class-variance-authority (CVA) 與現代 CSS 架構來管理複雜的變體與尺寸系統 - 適合需要跨平台(iOS、Android、Web)視覺一致性的專案 - 提供標記層級、主題 Context Provider 與元件變體管理的範本 - 推薦給正在建立設計轉代碼工作流程或遷移至標記化樣式系統的團隊 - 有助於實作設計系統文件與維護開發者體驗(DX) - 限制:最適合在擁有現代建構工具(Vite、Webpack)與 CSS-in-JS 或 CSS-module 工作流程的環境中使用

34,459
工程開發自動化
database-testing avatar

database-testing

此資料庫測試技能為代理人品質工程工作流程中的資料庫操作驗證提供了完整框架。它專為軟體工程師、資料庫管理員及 QA 專家設計,旨在確保資料持續性、驗證參照完整性,並確保資料庫遷移過程安全、可回溯且效能最佳化。該技能利用 Test Data Architect 與 Performance Tester 等專門代理人來編排複雜的驗證任務,範圍涵蓋從確保並發交易中的 ACID 屬性,到產生符合完整性的大規模測試資料集。 - 根據規格與約束條件進行自動化的綱要驗證。 - 資料完整性驗證,包括唯一約束、外鍵與檢查約束。 - 強健的遷移測試策略,確保正向執行、回滾能力與資料保存。 - 交易隔離分析,用於檢測競爭條件 (race conditions) 並驗證 ACID 遵從性。 - 效能基準測試,包含索引使用率與執行時間監控。 - 與 CI/CD 管線整合,防止部署期間發生災難性的資料遺失或損壞。 - 在新資料表建立、綱要變更與查詢最佳化的開發週期中使用此技能。 - 典型輸入包括資料庫綱要定義、遷移腳本與 SQL 查詢模式。 - 輸出內容為測試報告、效能指標與驗證日誌,可整合至品質閘道中。 - 對於預備環境至關重要,可在部署前模擬類生產環境的負載。 - 專為與資料產生及效能分析代理人無縫協作而設計,確保資料庫韌性。 - 限制:需要正確的資料庫連接與權限,以進行綱要檢查與讀寫測試操作。

329#database#schema#migration#transactions
工程開發自動化
ui-implementer avatar

ui-implementer

UI Implementer 是一項專為高保真前端工程設計的專業開發技能。它透過編排多階段工作流程,填補了靜態設計資產與生產級程式碼之間的差距。代理會分析設計參考(如 Figma 連結、本機圖檔或遠端設計圖),並據此生成採用 React 19、TypeScript 和 Tailwind CSS 4 的程式碼,確保嚴格遵守視覺規格。此技能非常適合追求像素級完美實作,且希望減少手動嘗試錯誤的軟體工程師、UI 開發人員與產品團隊。它能智慧地管理基於元件的架構複雜性,提升程式碼的乾淨度、重用性與可訪問性。透過整合自適應代理切換,該技能會自動優化實作流程,選擇最合適的子代理策略來處理結構規劃、樣式準確度與功能邏輯。工作流程包含內建驗證機制,確保生成的輸出與提供的視覺參考一致,同時最大限度減少手動設計審查或重複 CSS 調整的需求。它作為開發人員的自主延伸,處理從初始元件骨架建立到基於設計系統約束的迭代優化等所有工作。 - 自動從 Figma、PNG、JPG 及網頁設計圖中提取與分析設計參考。 - 使用 React 19、TypeScript 與 Utility-first Tailwind CSS 4 生成生產級程式碼。 - 在專業 UI 開發模型之間進行自適應代理切換,以獲得最佳樣式與結構結果。 - 包含結構規劃、元件生成與品質門禁驗證的多階段實作循環。 - 支援行動優先的響應式設計原則與 WCAG 2.1 AA 無障礙標準。 - 內建驗證迴圈,確保設計精確度與所提供參考檔案的視覺一致性。 - 在提供明確的 Figma 連結或高解析度設計資產時效果最佳。 - 需要定義目標目錄與本機開發 URL,以便進行互動式預覽與驗證。 - 最適合從零開始實作 UI 元件;若需修復現有 CSS,建議使用通用開發人員工具。 - 嚴格避免手動驗證任務,優先採用自動化邏輯進行視覺對等評估。

255
工程開發自動化
quality-metrics avatar

quality-metrics

quality-metrics 技能是專為高速運作團隊設計的專業工程工具組,旨在提供客觀且數據驅動的軟體開發生命週期可見性。它不僅僅進行簡單的通過/失敗測試,還透過自動化儀表板、歷史趨勢分析與主動式品質閘道強制執行,提供具體可執行的見解。此技能與廣泛的 agentic-qe 代理集群整合,將測試執行、生產情報與覆蓋率分析的指標,合成為利益關係人可用的統一視圖。 - 自動化儀表板生成:自動建立並填充適用於 Grafana 的儀表板,涵蓋 DORA 指標(部署頻率、前置時間、變更失敗率)、穩定性(MTTD、MTTR)與流程健康度(程式碼審查時間、不穩定測試率)。 - 政策導向的品質閘道:在提交、合併請求(PR)與發布階段定義並強制執行複雜的品質閘道。例如,若測試覆蓋率低於 80% 或偵測到關鍵安全性漏洞,可自動封鎖部署。 - 進階趨勢分析:透過分析 90 天的趨勢來預測未來的品質狀態。它將目前績效與歷史數據進行比較,使團隊能在問題影響生產環境前主動解決品質衰退。 - 集群協調:協調專業代理(如 qe-quality-analyzer、qe-test-executor 與 qe-production-intelligence)。它是決定軟體建置是否符合晉升標準的核心決策中樞。 - 策略性可見性:將原始執行數據轉化為利益關係人易於理解的報告,協助團隊透過缺陷逃逸率與測試有效性比率的明確數據,證明基礎架構與測試投資的合理性。 - 在為持續交付管線建立關鍵績效指標(KPI)或對發布穩定性進行事後檢討時使用此技能。 - 輸入需求包含建置 ID、環境目標(測試環境/生產環境)與政策定義(JSON 或 TS 格式)。 - 遵循測量結果而非虛榮指標的核心理念:優先考慮缺陷逃逸率與 MTTR,而非單純的測試案例數量。 - 確保設定的閾值能導引正確的開發行為;僅針對任務關鍵型的程式碼品質需求使用阻斷式閘道,以避免影響開發者效率。 - 此技能將歷史趨勢與過去的閘道評估結果儲存在 aqe/quality-metrics/ 命名空間下。

329#metrics#dora#quality-gates#dashboards
工程開發自動化資料分析
AgentDB Performance Optimization avatar

AgentDB Performance Optimization

AgentDB 效能優化技能為 Ruflo/Claude Flow 生態系統中的向量資料庫操作提供了一套專業工具,旨在最大限度地提高效率。它主要針對管理大規模向量嵌入、高維相似度搜尋以及記憶體受限生產環境的軟體工程師與資料架構師。透過應用二進位、純量與乘積量化等進階技術,此技能使用戶能夠在不犧牲搜尋完整性的情況下,顯著縮減資料庫佔用空間。整合階層式可導航小世界 (HNSW) 索引將搜尋複雜度從線性掃描轉變為 O(log n),即便在擴展至數百萬個向量時也能實現毫秒級的查詢效能。該技能包含用於記憶體 LRU 快取與高吞吐量批次插入策略的強大機制,對於即時 AI 代理協作、推理庫管理與嵌入檢索任務至關重要。它與使用 agentic-flow 與 AgentDB v1.0.7 或更高版本的 Node.js 環境完全相容。 - 先進的量化策略,包括二進位 (32 倍縮減)、純量 (4 倍縮減) 與乘積量化 (8-16 倍縮減),用於優化海量資料集的儲存。 - 自動化 HNSW 索引管理,具有可設定的參數 (M、efConstruction、efSearch),用於調整建置時間、搜尋速度與檢索準確度之間的平衡。 - 具備記憶體內 LRU 快取的模式,支援可設定的容量限制與自動化 LRU 淘汰策略,可在頻繁存取的資料上實現小於 1 毫秒的檢索延遲。 - 批次操作支援,與單筆記錄處理相比可實現 500 倍的插入速率,是大規模資料攝取工作流程的理想選擇。 - 透過 CLI 提供的全面效能基準測試工具,用於驗證本機開發環境中的記憶體節省與延遲改善情形。 - 在初始化 AgentDB 配接器時設定優化級別,以符合特定的記憶體與準確度需求。 - 透過內建統計資料監控快取命中率,確保你的 cacheSize 設定能針對應用程式工作負載進行有效調整。 - 對於記憶體是主要限制的邊緣運算或行動裝置部署,建議使用二進位量化,同時接受些微的準確度折損。 - 對於需要高精度與適度記憶體效率的平衡型生產系統,建議使用純量量化。 - 在選擇量化方法前,請確保已安裝 Node.js 18+ 並驗證向量維度 (例如 768-dim float32),以確保相容性與預期的記憶體節省效果。

33,774
工程開發自動化
github-code-review avatar

github-code-review

github-code-review 技能是 GitHub 拉取請求分析的精密協調層。專為專業軟體工程團隊設計,透過可擴展的多代理群體架構取代人工程式碼檢查。透過利用專業代理,此技能可同時評估多個關鍵領域的程式碼,包括基於 OWASP 的安全性弱點檢測、效能基準測試、SOLID 架構遵循以及對專案風格規範的遵守情況。它提供了與 GitHub CLI (gh) 的無縫整合路徑,讓開發者能直接從命令列工作流程中觸發綜合審查。 - 多代理群體部署:自動生成並協調專門的代理,同時執行安全性、效能、架構、無障礙性及風格檢查。 - 整合式 GitHub CLI 工作流程:利用現有的 GitHub PR 內容(如 diff、檔案列表及元資料)來提供分析所需的背景資訊,確保反饋具有高度相關性。 - 品質閘與狀態回報:整合 CI/CD 管線,在拉取請求留言介面中發佈審查狀態、對嚴重失敗請求變更,或直接提出程式碼層級的改進建議。 - 智慧安全性掃描:自動掃描常見弱點,包括 SQL 注入、XSS 攻擊向量、密鑰洩露及依賴項漏洞,並提供可執行的修復建議。 - 架構深度分析:基於設計模式、耦合度、內聚力及 DRY 原則評估程式碼,確保程式碼庫的長期可維護性。 - 預期輸入:需要存取 GitHub PR 內容,通常透過 gh CLI 輸出(如檔案、新增、刪除內容及完整的 PR diff)提供。 - 預期輸出:提供結構化、分類的審查發現、狀態更新,以及發佈回 GitHub PR 的具體程式碼層級修復建議。 - 實作建議:適用於大型分散式團隊,當人工審查成為瓶頸時,使用此工具強制執行編碼標準與安全性原則。 - 限制:必須在已啟用的 Ruflo 或 ruv-swarm 環境下執行;效能取決於所請求的專業代理數量以及被分析 PR diff 的複雜度。

33,774
研究自動化生產力
paper-write avatar

paper-write

paper-write 技能為從預定義研究計劃生成學術 LaTeX 論文提供了系統化的代理工作流。該技能專為研究人員和學者設計,將原始研究發現與結構化大綱轉換為精煉、符合投稿要求的稿件。透過與 ARIS (Auto-claude-code-research-in-sleep) 框架集成,此技能在自動化草擬過程的同時,維持對 ICLR、NeurIPS、ICML、CVPR 及各種 IEEE 期刊或會議等主要學術場合的嚴格格式規範。 - 使用針對特定會議的模板自動初始化專案目錄,包括必要的樣式文件、數學宏定義及標準化的 BibTeX 配置。 - 採用多階段寫作工作流,解析 PAPER_PLAN.md 與 NARRATIVE_REPORT.md,確保主張、量化證據與引用文獻準確映射至相應章節。 - 支援進階 LaTeX 功能,包括透過交叉引用 LaTeX 包含文件來自動放置圖片、透過 DBLP/CrossRef 集成驗證引用以消除幻覺,並支援盲審投稿的匿名作者管理。 - 支援分章撰寫,使用者可在摘要、引言、相關工作、方法論與結論之間進行迭代,並根據目標會議的頁數限制進行管理。 - 強制執行嚴格的版本控制與工作區管理,包括自動備份與在架構調整時刪除過期文件。 - 建議在執行 paper-plan 技能後使用,以確保主張與證據矩陣已準備就緒。 - 若與外部審閱模型(例如透過 Codex MCP)配合使用效果更佳,可針對草擬章節提供迭代回饋,確保邏輯流暢與實證清晰。 - 使用前應定義 TARGET_VENUE 常數,以確保符合格式規則,特別是 IEEE 期刊與機器學習會議在頁數統計上的差異。 - 建議定期檢查生成的 LaTeX 原始碼以處理複雜的數學公式與圖表定位,並利用 math_commands.tex 確保全篇符號表示的一致性。

7,695
研究
creative-thinking-for-research avatar

creative-thinking-for-research

此技能為 AI 與計算機科學研究人員提供了一套嚴謹且具實證基礎的方法論,以超越臨時性的腦力激盪。透過應用認知科學框架(如 Arthur Koestler 的雙關聯理論、表徵轉換與 Dedre Gentner 的結構映射),本工具能協助使用者擺脫研究路徑上的局部最佳解。它專為博士級研究人員、研究科學家與先進 AI 代理設計,旨在揭示不同領域間的結構性聯繫,而非僅依賴表層隱喻。本技能引導使用者進行系統化工作流程,以操縱約束條件、重構問題敘述並有效地連結跨領域知識。 - 運用組合式創意(雙關聯)將生物演化與演算法優化、賽局理論與網路設計、或語言學與型別理論等領域的概念進行映射。 - 透過轉換目標、形式與粒度來促進問題重構,將棘手問題轉化為可行的研究課題。 - 運用類比推理在領域間轉移結構性機制見解,確保研究貢獻具備可測試性與科學嚴謹度。 - 提供強大且具原創性的替代方案,專門針對非漸進式的創新見解。 - 與更廣泛的研究工作流程整合,作為產生假設的認知引擎,為後續的技術性技能評估提供基礎。 - 輸入:核心研究問題、特定子領域約束或橋接兩個不同領域的意圖。 - 輸出:源自認知啟發法的一系列具原創性、可測試的研究假設或重新定義的問題陳述。 - 約束:不適用於文獻綜述或結構化專案管理(應使用對應的 literature-review 或 brainstorming-research-ideas 技能)。 - 用途:適合研究退修會、構思會議,或在研究面臨瓶頸且缺乏明確創新路徑時使用。 - 關鍵字:創意思考、研究構思、認知科學、類比推理、組合式創意、結構映射、問題重構、研究策略、假設生成、原創研究、AI 研究設計。

7,515#Creative Thinking#Research Ideation#Analogical Reasoning#Problem Reformulation
研究自動化
tavily-search avatar

tavily-search

tavily-search 技能是一款專為 AI Agent 設計的高效能工具,用於執行即時網路研究並蒐集準確、最新的資訊。透過運用 Tavily API,Agent 可以突破靜態訓練資料的限制,存取最新的網路動態、新聞及技術文件。此技能非常適合需要利用即時數據來輔助決策的研究人員、分析師、開發人員及知識工作者。它在時間關聯性至關重要的場景中表現卓越,例如監控產業趨勢、研究特定技術主題或擷取即時新聞。與一般用途的網頁爬蟲不同,此工具專為研究導向的查詢而優化,提供摘要內容、多來源綜合整理以及智慧化的網頁數據篩選。 - 在多元領域與新聞來源執行即時網頁搜尋 - 擷取結構化內容與完整頁面資訊以進行深度分析 - 支援可配置的搜尋深度,包含基本與進階研究模式 - 提供可自訂的參數,包含結果數量、AI 生成的回答以及原始內容擷取 - 與本機環境設定或標準 API 金鑰管理工作流程無縫整合 - 需要有效的 Tavily API 金鑰以及對 Tavily API 端點的網路存取權限 - 最適合用於搜尋密集型任務;若僅需獲取特定 URL 的內容,建議使用專門的 web_fetch 工具 - API 使用受到您的 Tavily 帳戶相關的速率限制與計費層級規範 - 輸入為自然語言搜尋查詢及可選參數(如 search_depth 或 max_results);輸出通常為搜尋結果物件或 AI 摘要回答 - 雖然專為研究設計,在處理敏感或高度技術性資料時,務必對重要資訊進行交叉驗證 - 請透過環境變數或 openclaw.json 設定檔安全地管理 API 金鑰,以防止未經授權的存取

4,411
生產力工程開發自動化
session-reflection-analysis avatar

session-reflection-analysis

Session Reflection Analysis 技能專為使用 Claude Code 進行高效開發的工程師所設計。透過編程方式處理會話歷史,此工具能協助您識別浪費資源的重複模式,例如重複讀取檔案、錯誤的路徑探索,或可自動化的手動步驟。它是一個元分析 (meta-analysis) 工具,透過改進文件、自定義斜線命令及優化工作習慣,協助您長期提升 AI 的效能。 - 自動根據當前目錄定位儲存在 ~/.claude/projects/ 中的特定專案會話檔案。 - 使用 jq 生成高度壓縮的 JSONL 摘要,在保留用戶意圖、工具呼叫與結果大小等重要上下文的同時,將 Token 消耗降至最低。 - 部署一個「Explore」子代理程式對摘要檔案進行啟發式分析,尋找 Token 浪費、重複錯誤或缺失自動化等效率低下指標。 - 生成結構化的 Markdown 反思文件,提供可直接複製使用的專案改進方案。 - 依優先級對調查結果進行分類,並引用您的實際聊天記錄作為具體範例以佐證每項建議。 - 請務必使用提供的 jq 腳本來產生摘要;切勿直接讀取原始會話檔案,以免超過 Token 限制。 - 產出內容僅供建議;請仔細審閱建議的改進措施,並手動套用至您的 CLAUDE.md、.claude/skills 或 .claude/commands/ 目錄中。 - 針對常見效率問題:識別您是否重複讀取檔案、未能驗證假設,或錯失了更新文件的機會。 - 此工具最適合在長工作階段結束時使用,或當您感覺代理程式效能下降時使用。它並非用於即時程式碼生成,而是為了在開發生命週期中實現持續的流程改進。

312
生產力自動化市場行銷
linkedin avatar

linkedin

LinkedIn 技能提供了一個強大的介面,可直接透過 Membrane CLI 與 LinkedIn 的專業網路功能進行互動。它專為招聘人員、求職者、行銷人員和企業設計,旨在無需處理底層 API 驗證的情況下,以程式化方式管理其專業形象與 LinkedIn 資料。透過利用 Membrane 的託管驗證與憑證處理機制,使用者可以安全地執行複雜任務,例如貼文管理、連線追蹤及組織管理。 - 完整的貼文生命週期管理:建立文字貼文、建立圖片貼文、透過 URN 檢索貼文以及刪除內容。 - 互動與參與工具:列出留言、建立討論留言、列出並建立貼文或留言的反應(讚/稱讚)。 - 專業網路與實體管理:檢索目前使用者個人檔案、取得連線計數,並管理使用者連結的組織。 - 可擴展的自動化:根據自然語言意圖搜尋現有的 LinkedIn 動作,並在預定義動作不足時動態建立新動作。 - 安全架構:所有 OAuth 與憑證重新整理均透過 Membrane 處理,無需在本地儲存 API 金鑰或機密。 - 當您需要自動化 LinkedIn 更新、監控組織頁面活動或檢索資料進行專業分析時,請使用此技能。 - 此技能需要安裝並啟用 Membrane CLI。驗證透過 'membrane login' 處理,同時支援互動式與無頭(headless)環境。 - 在嘗試建立自訂工作流程前,請使用 'membrane action list' 指令配合自然語言查詢來探索具體功能。 - 請務必優先使用內建的 Membrane 動作而非原始 API 呼叫,以利使用自動分頁、欄位映射及預建的錯誤處理機制。 - 適用於在專業開發環境中建立涉及職位招募、內容排程或網路監控的自動化工作流程。

4,411
上一頁第 3 / 19 頁下一頁