Agent Skills Hub

iso-13485-certification

ISO 13485 認證文件助手是一個專門的技能，旨在協助醫療器材製造商應對 ISO 13485:2016 的複雜監管要求。此工具包促進了品質管理系統 (QMS) 文件的建立、審查與維護，對於旨在取得或維持合規性的公司而言是至關重要的資源。它非常適合品質保證專業人員、法規事務專員以及參與醫療器材開發、製造與分銷的工程團隊。用戶可利用此技能簡化認證流程、準備外部稽核，並將內部系統與美國 FDA QMSR 和歐盟 MDR 等國際標準相協調。透過提供結構化範本與診斷工具，該技能減輕了 QMS 管理的行政負擔，使團隊能專注於安全與產品品質。 - 使用自定義診斷腳本針對 ISO 13485 要求執行全面的差距分析，以識別缺失的文件。 - 存取強制性文件範本庫，包括品質手冊、CAPA 程序、文件管制與記錄管制。 - 針對醫療器材檔案 (MDF)、設計與開發、風險管理及產品實現等要求，提供逐條指引。 - 利用內建的合規性檢查清單來確認稽核與監管檢查的準備度。 - 實施標準化工作流程，以管理上市後監測、客戶回饋與內部稽核程序。 - 若要執行差距分析，請提供包含現有 QMS 文件的目錄；該工具將產出缺失文件與不符合事項的優先順序報告。 - 該技能支援多種檔案格式分析，包括 .txt, .md, .doc, .docx 與 .pdf。 - 範本設計供客製化使用；用戶必須替換如 [公司名稱] 與 [日期] 等佔位符文字，以符合其實際營運範圍。 - 文件建立流程按重要性排序：基礎（手冊）、核心流程（CAPA、風險管理）及產品實現（採購、可追溯性）。 - 儘管此工具提供廣泛的法規指導，但它不能取代關於當地管轄區特定要求的專業法律或監管諮詢。

equity-research

equity-research 技能將 Claude 轉變為專業的金融分析師，將複雜的市場數據自動合成為連貫的投資論述。專為買方與賣方分析師、投資組合經理及研究人員設計，該技能簡化了從數據採集到最終輸出的完整研究流程，使研究人員能專注於論點開發而非手動數據彙整。透過標準化的表格與嚴謹的分析框架，確保研究報告的一致性，適用於啟動研究覆蓋、撰寫早報或監控財報更新。 - 執行多步驟研究流程，整合核心 MCP 工具如 qa_ibes_consensus、qa_company_fundamentals 與 qa_historical_equity_price。 - 生成標準化、可發布的研究快照，包括市場共識預測表 (EPS、營收、EBITDA、DPS)、詳細財務摘要以及如預期本益比 (Forward P/E) 與 EV/EBITDA 等估值指標。 - 透過 qa_macroeconomic 整合總體經濟數據，將個股表現與總體趨勢 (GDP、CPI、政策利率) 連結，提供完整背景分析。 - 產出結構化的投資論點，明確定義投資建議 (買進/持有/賣出)、合理價值區間、多頭與空頭情境分析及關鍵催化因素。 - 提供深度技術分析，包括來自 tscc_historical_pricing_summaries 的成交量趨勢、Beta 係數計算及歷史績效背景。 - 使用者應明確定義目標公司，以便代理人抓取相關財會年度及同業對標數據。 - 為確保產出精確，請確認工作區內已設定並授權相關金融數據供應商的 MCP 連接器。 - 在比較市場預期與實際績效、評估業務品質或進行快速投資組合監控時，此工具效益最佳。 - 研究產出應視為專業風險管理與合規流程的一部分，建議與官方監管申報文件 (如 10-K、10-Q) 進行核對。 - 產出格式便於直接植入簡報 (Pitch Decks)、研究筆記或投資委員會 (IC) 備忘錄，加速決策流程。

call-prep

call-prep 技能是一個智慧型銷售助理，專為簡化客戶或潛在客戶會議前的研究工作而設計。透過與 Common Room 及選用的行事曆連接器直接整合，它能將碎片化的資料轉換為連貫且易於掃描的摘要。此技能適用於需要維持大量優質會議，卻不想花數小時手動整理研究資料的銷售代表、客戶經理與客戶成功經理。 - 自動從 Common Room 識別帳戶狀態、近期的產品使用訊號與潛在風險因素。 - 針對會議與會者進行背景研究，分析其角色並找出個人的互動歷史或切入點。 - 連接行事曆服務，自動擷取即將到來的會議議程、筆記欄位與與會者名單。 - 透過網頁搜尋進行時效性檢查，捕捉如融資消息、人事異動或產品發布等最新動態。 - 產生結構化的輸出，包含公司概況、與會者檔案、優先訊號摘要以及量身打造的談話要點。 - 提供主動式的「預期反對意見」部分，幫助使用者為對話中可能出現的阻礙做好準備。 - 當資料不足時，此技能會誠實回報「資料稀疏」狀況，而非虛構細節。 - 建議使用者在參考檔案中定義公司背景，以便系統針對特定的價值主張進行客製化建議。 - 輸出格式經優化以利快速閱讀，通常只需不到五分鐘即可完成閱讀。 - 輸入要求包含公司名稱；與會者名稱可透過自然語言提示或行事曆活動自動解析。 - 透過將每個談話要點皆建立在真實的訊號資料上並明確標記未知資訊，確保隱私與準確性。 - 此技能屬於模組化知識工作套件的一部分，可根據需要與其他插件或自訂的 MCP (模型上下文協定) 伺服器介接。

react-ui-patterns

此技能為實現 React UI 組件提供了一個全面的框架，重點在於可靠性、狀態管理與使用者體驗。專為建構可擴展 React 應用程式的前端開發人員與軟體工程師設計，旨在於載入狀態、非同步資料獲取與錯誤處理之間保持嚴格的一致性。透過強制執行清晰的 UI 狀態階層——優先考慮錯誤檢測、條件載入，最後是空狀態——此技能協助開發人員避免常見的陷阱，例如過時資料閃爍或無聲的錯誤吞噬。使用者將利用此技能標準化處理複雜 UI 邏輯的方法，確保每個介面元素無論在何種網路或 API 狀況下都能可預測地運作。此處定義的模式促進了防禦性程式設計實踐，例如在資料變更時停用按鈕、實作穩健的錯誤報告，以及根據特定的內容特性使用骨架屏或載入轉圈。它有效地縮小了原始資料獲取與精緻使用者介面之間的差距，確保即使在處理失敗時，終端使用者也能隨時了解狀況。 - 標準化載入狀態邏輯，確保僅在無資料時顯示載入指示器，防止 UI 閃爍。 - 實作從內聯表單驗證到全頁錯誤畫面的嚴格錯誤處理階層。 - 強制要求所有集合與清單必須具備空狀態，以提升內容可發現性。 - 提供按鈕狀態的具體實作模式，包括非同步操作期間的停用狀態與載入回饋。 - 提供根據內容可預測性選擇骨架屏與載入轉圈的明確決策樹。 - 與資料獲取程式庫及自訂 Hooks 整合，以維持乾淨的組件組合。 - 輸入：React 組件、查詢/變更 Hooks 與非同步資料操作。 - 輸出：針對資料生命週期事件（載入中、錯誤、空狀態、成功）的一致性且友善的 UI 回應。 - 最佳實踐：在嘗試渲染成功或載入指示器之前，請務必先驗證錯誤狀態。 - 約束：需要與現有的設計系統組件及標準化的變更處理包裝器保持一致。 - 用法：適用於程式碼審查、新功能架構搭建，或重構舊有 UI 邏輯以提升效能與錯誤覆蓋範圍時。

bsl-query-expert

bsl-query-expert 是一個專為 Boring Semantic Layer (BSL) 設計的代理技能，BSL 是一個基於 Ibis 的輕量級架構，用於進行結構化資料探索。此技能專為資料分析師、工程師及研究人員打造，旨在無需編寫冗長的樣板程式碼即可執行快速且即時的語意模型分析。該技能自動化了模型發現、結構檢驗與複雜查詢構建的流程，確保使用者能以最小的成本從原始資料表獲得高價值的見解與視覺化圖表。 - 執行多步驟的探索性資料分析，包括發現可用模型、檢閱結構描述，並執行精確的聚合操作。 - 使用流暢的 API 方法構建複雜查詢，包含分組 (group_by)、篩選 (filter)、資料變換 (mutate) 及視窗函數 (如滾動平均、排名、累加總計)。 - 支援進階語意操作，例如市佔率分析 (總數百分比)、分組桶 (bucketing) 以及語意表之間的多跳式連接 (join)。 - 將查詢結果自動呈現為表格或圖表，並支援整合 Altair、Plotly 或 plotext 等後端進行即時資料視覺化。 - 智慧化處理特定資料庫邏輯，包括時間維度截斷 (年、季、月、週、日) 以及使用 ibis.cases 的條件式表達式。 - 務必從列出模型並擷取結構開始，以確保欄位名稱正確性，因為該技能嚴格要求使用確切的欄位定義。 - 針對複雜篩選或類別查詢，請使用推薦的多跳式模式：先執行探索性查詢 (限制紀錄數) 以檢查實際值，再執行最終的篩選查詢。 - 若需語法釐清，請隨時使用 get_documentation() 工具查詢內部的 API 參考，涵蓋查詢方法、視窗函數及圖表繪製等主題。 - 在建構查詢時，最終輸出預設使用 get_chart=true 以觸發視覺化渲染，而在探索階段則使用 get_chart=false，確保資料傳輸專注於原始數值。 - 此技能針對包含 DuckDB、Snowflake、BigQuery 及 PostgreSQL 等 Ibis 整合引擎進行了優化，是連接大型語言模型推理與生產級資料庫的強大橋樑。

competitive-ads-extractor

競爭廣告提取器 (Competitive Ads Extractor) 是一款專為行銷人員、成長駭客和廣告投放管理員設計的強大研究工具，旨在協助使用者破解市場競爭對手的廣告策略。透過從 Facebook 廣告資料庫 (Facebook Ad Library) 和 LinkedIn 等平台爬取活躍廣告，該工具讓使用者無需手動瀏覽即可執行基於證據的競爭情報分析。它不僅僅是簡單的廣告蒐集，更能提供深入的可操作見解，幫助理解特定訊息為何能與目標受眾產生共鳴、識別廣告文案中常用的痛點，並強調有效的創意形式（如影片、靜態圖片或輪播版位）。無論您是正在發布新產品、優化品牌定位，還是尋求創新的創意靈感，此工具都能提供數據支援的背景資訊，幫助您優化廣告活動績效並提升廣告支出報酬率。 - 自動從 Facebook 和 LinkedIn 等主要廣告平台提取活躍廣告。 - 透過截圖捕捉功能將視覺資產系統化整理為參考資料庫。 - 對廣告文案進行語意分析，識別核心價值主張、目標問題及心理觸發點。 - 識別創意形式的成功模式，包括影片表現、圖片設計風格及行動呼籲 (CTA) 轉換模式。 - 從廣告變體和細分中推斷目標受眾的精確定位策略。 - 針對多個競爭對手進行橫向對比分析，以識別產業趨勢和訊息基準。 - 支援將廣告整理至結構化資料夾，並生成包含頂尖表現主題和廣告變體的總結報告。 - 輸入資訊包含競爭對手名稱、目標平台以及特定的查詢主題，如解決方案訊息或特定活動焦點。 - 輸出結果提供結構化的視覺資產，以及包含關鍵問題、創意模式和策略建議的 Markdown 格式分析文件。 - 最佳實踐包括長期持續追蹤以監測市場變化，並保持道德使用原則，尊重智慧財產權，將數據用於靈感啟發而非直接抄襲。 - 本工具最適合作為廣告投放團隊在規劃活動時，用來針對已驗證的產業概念驗證假設，或是為尋求跟進競爭對手市場定位演變的專業人士提供協助。

user-research

user-research 技能在 Agentic Startup 框架中扮演專業方法論專家的角色，旨在填補原始定性數據與可執行的產品策略之間的鴻溝。它專為產品經理、UX 設計師與工程師設計，協助其進行嚴謹的用戶研究，以驗證假設或解決設計上的不確定性。透過提供結構化的數據收集協議，該技能確保了關於產品功能、互動流程或 UX 改進的決策是基於實際觀察到的行為模式，而非人口統計刻板印象或推測性的軼事。 - 利用預先定義的研究協議進行結構化的用戶訪談、情境調查與易用性測試。 - 執行複雜的主題分析與親和圖法，將原始定性數據綜合整理為清晰、可執行的產品洞察。 - 建立超越表面人口統計資料的行為人物誌，捕捉用戶動機、痛點與具體的產品使用目標。 - 產生旅程地圖，以識別用戶體驗中的阻礙點、接觸點與情緒起伏。 - 將研究結果直接對應至具優先級的產品或設計建議，並按影響力與實施緊急程度分類。 - 在開始研究前，先定義明確的決策問題，以確保研究工作的專注與效率。 - 此技能需要將研究焦點作為參數傳入；輸出結果為包含主題、證據、影響力評估與優先級的結構化物件。 - 務必區分觀察到的用戶行為與參與者的觀點，以保持分析的嚴謹性並避免偏差。 - 使用包含訪談引導、觀察協議與綜合分析方法在內的參考資料，以確保研究的一致性。 - 系統限制會防止引導式提問並禁止根據單一軼事進行概括，確保研究保持中立與科學有效性。 - 輸出內容專為整合至技術規格與功能路線圖而設計，成功連接設計研究與工程實作。

ffmpeg-core

ffmpeg-core 技能為開發人員與內容工程師提供了一個標準化的多媒體處理介面，建立在業界標準的 FFmpeg 框架之上。此技能透過結構化的指令模式，簡化了繁瑣的影音操作，使影片與音訊的處理過程更具可重複性與可靠性。它解決了原生 FFmpeg 語法學習曲線過高的問題，並針對轉碼、解析度調整、濾鏡應用等常見作業提供驗證過的實作指南。 - 使用 ffprobe 進行高效的中繼資料擷取，並提供 JSON 格式的串流與媒體格式分析。 - 簡化了影片剪輯與幀準確切割的過程，支援快速的串流複製（stream copy）與高品質重新編碼模式。 - 提供強大的合併功能，支援基於 demuxer 的列表處理以及複雜的濾鏡圖（filter graphs）合併。 - 內建詳細的編解碼器指南，包含針對 Final Cut Pro 的 ProRes 設定檔、網頁播放的 H.264/H.265 優化以及歸檔用的 FFV1 無損格式。 - 包含豐富的影音特效與音訊處理工具，例如淡入淡出、色彩校正、響度標準化（loudnorm）以及音軌混音。 - 支援透過 videotoolbox (macOS) 與 NVENC (NVIDIA) 進行硬體加速編碼，在大量處理時顯著提升效能。 - 請確保系統已安裝 FFmpeg 5.0 以上版本，並在執行前透過 shell 指令確認路徑。 - 務必使用內建的輔助 shell 函數來驗證輸出串流的完整性，以避免媒體毀損。 - 在針對特定應用（如 Final Cut Pro 或社群媒體）進行輸出時，應參考提供的編解碼器與設定檔表格。 - 對於簡單的剪輯或合併任務，優先使用 -c copy 模式以節省 CPU 資源並保留原始品質。 - 使用複雜濾鏡鏈時，請確保正確對應（map）多個輸入影音串流。 - 本工具專為自動化管線設計，可透過 shell 指令碼進行批次處理，支援大規模的目錄檔案迭代作業。

semgrep

此技能為 Semgrep CLI 提供了一個強大且以安全為重點的封裝，針對自動化程式碼審計和漏洞搜尋進行了最佳化。它專為需要高效地對複雜的多語言程式碼庫進行靜態分析的安全工程師和開發人員而設計。透過利用子代理的並行執行，它減少了大型儲存庫的掃描時間，同時確保高置信度的結果。此技能管理安全審計的端到端生命週期，包括自動環境檢測、規則集管理，以及將發現結果合併為業界標準的 SARIF 格式，以便與現有的安全流程整合。 - 在不同語言之間執行並行 Semgrep 掃描器，以最大化審計任務期間的效能。 - 自動檢測並利用 Semgrep Pro 功能（例如跨檔案汙染分析），以識別複雜的程序間安全漏洞。 - 強制執行嚴格的安全最佳實踐，包括強制使用 --metrics=off 標誌以防止敏感資料外洩，並對每個掃描計畫實施嚴格的審核批准流程。 - 整合來自 Trail of Bits、0xdea 和 Decurity 等知名安全組織的基本第三方規則集，以擴展超出標準登錄檔的檢測覆蓋範圍。 - 使用專用 Python 腳本處理輸出管理、目錄建立以及自動 SARIF 結果合併。 - 在程式碼庫範圍的安全審計、程式碼審查前的漏洞發現，以及識別已知錯誤模式時使用此技能。 - 代理在執行任何掃描工具之前，需要使用者明確批准掃描計畫，以確保分析是受控且有意的。 - 此技能區分「執行全部」(完整覆蓋) 和「僅重要」(高置信度/影響力的安全發現) 模式，以平衡雜訊與訊號。 - 需要 Semgrep CLI 和選配的 Pro 存取權；結果會儲存到版本化的輸出目錄 (例如 ./static_analysis_semgrep_n)。 - 不適用於二進位分析或已設定 CI/CD 管線的情況；請使用專用技能進行自訂規則建立或變體分析。

content-optimizer

Content Optimizer 是一款專為提升頁面 SEO 成效而設計的專業工具。它非常適合內容創作者、數位行銷人員及開發者，協助確保網站內容在符合搜尋引擎規則的同時，仍能保持對讀者的高可讀性。透過結構化的評估流程，此技能不僅能稽核現有網頁，還能在內容發布前進行嚴格驗證。 - 執行全面的關鍵字密度分析，確保數值維持在 1-2% 的理想範圍，並識別關鍵字過度填充或優化不足的風險。 - 生成優化的 Meta 標籤，包括 50-60 字元的標題與 150-160 字元的描述，並確保關鍵字自然融入且具備明確的行動呼籲（CTA）。 - 驗證 HTML 標題結構，確保 H1-H2-H3 層級邏輯正確，有效避免層級跳躍或缺乏 H1 等常見 SEO 問題。 - 計算 Flesch 可讀性分數，協助調整文句以符合目標客群的閱讀習慣，並提供具體的寫作優化建議。 - 提供完整的優化檢查清單，涵蓋內部與外部連結策略、段落長度控制以及副標題配置頻率。 - 針對 URL 網址路徑提供技術建議，強調使用連字號與小寫格式，提升搜尋引擎的索引能力。 - 識別提升內容流暢度與參與度的機會，強調關鍵字的自然分佈而非強迫塞入。 - 作為行銷團隊與技術寫作者的發布前檢核閘道，協助透過標準化技術最大化自然搜尋流量。 - 運用標準化的可讀性與結構指標，確保大規模文件庫或內容密集型網站在 SEO 優化上的高度一致性。 - 針對關鍵區域（如文章開頭 100 字、標題標籤、結尾段落）的關鍵字佈局提供明確且可操作的診斷回饋。

bsl-model-builder

BSL Model Builder 是一個專業的代理技能，旨在透過 Boring Semantic Layer 將原始資料庫表轉換為具備商業意義的語意模型。此工具建立在 Ibis 框架之上，提供高效且原生的 Python 抽象層，讓開發人員與資料分析師能以程式化或 YAML 設定的方式定義可重複使用的資料模型。它非常適合需要標準化指標、簡化 BI 報表或為大型語言模型 (LLM) 與自動化代理提供結構化資料介面的組織。透過將複雜的 SQL 操作轉換為流暢的物件導向 API，此技能可幫助使用者輕鬆定義類別維度、量化指標與複雜的資料表關聯。 - 使用 Ibis 驅動的表達式（包含 Lambda 函數與 unbound 語法）定義粒度明確的語意表。 - 配置基於時間的維度，支援自動化截斷功能，包含年、季、月、週與日等時間區間。 - 實作進階的聚合邏輯，包括複雜的比率計算、使用 all() 參照的總計百分比分析，以及自訂指標說明。 - 透過靈活的聯結類型（join_many、join_one 與 cross join）支援複雜的關係模型，並支援基於檢視 (view) 的別名處理。 - 透過宣告式的 YAML 架構定義，促進生產環境等級的部署，確保版本控制與設定的一致性。 - 無縫整合 Ibis 支援的多種資料庫後端，例如 DuckDB、Snowflake、BigQuery 與 PostgreSQL。 - 預期的輸入為原始 Ibis 資料表物件或 YAML 設定檔路徑，輸出則為已實例化的 SemanticTable 物件或可供執行的複雜查詢表達式。 - 最佳實踐：務必在維度與指標定義中加入人類可讀的說明，以提升模型的可搜尋性與 AI 的理解力。 - 實際限制：當對同一張表進行多次聯結時，請務必使用 .view() 方法以避免欄位名稱衝突。 - 若為生產環境負載，建議優先使用 YAML 檔案將模型定義與操作程式碼分離，以利維護與團隊協作。 - 工具運作需要安裝 boring-semantic-layer 套件的 Python 環境，針對進階 LLM 整合建議安裝 agent 或 mcp 額外依賴套件。

release-prep

release-prep 技能是專為 MassGen 多代理系統維護者設計的專業自動化工具。它透過協調基於 git 的元數據收集、文件更新和發布準備，簡化了繁瑣的發布管理生命週期。此技能旨在合併發布 PR 至主分支後立即執行，作為在存儲庫應用正式 git 標籤前的最後一道關卡。它確保跨零碎項目文件的版本控制信息和敘事歷史的一致性。 - 自動透過解析自上次 git 標籤以來的提交和合併的拉取請求來識別變更。 - 遵循 Keep a Changelog 標準生成結構化的 CHANGELOG.md 條目，將修改歸類為新增、變更、修復和文件部分。 - 管理發布公告週期，封存先前的 current-release.md 文件並為 LinkedIn 和 X/Twitter 草擬新內容。 - 透過更新 docs/source/index.rst 和 massgen/configs/README.md 中的最新發布歷史來同步全專案文件。 - 刷新根目錄的 README.md 文件，特別是更新最新功能和近期成就部分以反映當前能力。 - 根據 git shortlog 提交數量提取貢獻者列表，並將其納入發布元數據中。 - 使用時需要傳入目標版本作為參數，例如 /release-prep v0.1.34。 - 此技能假設存在標準文件結構 (如 docs/announcements/, docs/source/)，並依賴 GitHub CLI (gh) 獲取 PR 元數據 (若可用)。 - 它會驗證文檔是否引用了特定的文件路徑 (rst, md, yaml)，並正確分類以 feat、fix、docs、refactor 或 perf 為前綴的提交。 - 用戶需注意該技能會對 current-release.md 執行寫入變更，將其移至封存目錄；建議在發布至社交平台前手動審閱生成的草稿，以確保內容質量和字符數符合規範。