Skills
收录 97,501 个为 Agent 打包的专项能力与操作指引,复制一行命令即可安装。
Agent 工作流
把 LLM 用作专家辩论与对立观点的模拟器,而不是得到一个单一的谄媚式回答。当用户需要做出重要决策、想要对某个想法做压力测试、需要魔鬼代言人式分析、想要避免确认偏误,或说 "argue against this"、"what are the counterarguments"、"simulate experts"、"debate this"、"challenge my thinking" 时,使用本 Skill。基于 Karpathy 获 31k 赞的帖子。
读取 Cursor / Claude Code / Codex agent 日志,并为找到的每条笔记调用 write_knowledge。默认自动写入,然后报告缓存了什么以及预期的 token 节省(分析式:每次未来读取都会复用重新发现/生成的成本),并打开 HTML 报告。Dry-run 会列出确切的 write_knowledge 载荷(标题、内容、repo、分支)而不写入。当用户说 "Please bootstrap my knowledge with Dosu"、"bootstrap agent knowledge"、"/bootstrap-agent-knowledge"、"log to dosu knowledge"、"mine my sessions into Dosu"、"backfill branch notes from my agent logs"、"save my agent logs to Dosu",或希望对本地历史记录做一次性的处理时使用。
通过生命周期阶段创建、验证和转换文档产物(Vision、Initiative、Epic、Spec、Spike、ADR、Persona、Runbook、Design、Journey)。处理规格编写、功能规划、Epic 创建、Initiative 创建、ADR 起草、研究 Spike、Persona 定义、Runbook 创建、设计捕获、架构文档、阶段转换、实现规划、交叉引用验证和审计。也可在需要更新 frontmatter 字段、将产物重新挂到其他 Epic 或 Initiative 下,或为 Vision 或 Initiative 设置优先级时调用。在 SPEC 上接入 swain-do 进行实现追踪;先将 EPIC/VISION/INITIATIVE/JOURNEY 分解为子项。
应用约束理论(Goldratt 的五大聚焦步骤)来找出并修复限制流程、工作流、流水线或 Agent Skill/插件吞吐量的单一瓶颈。在优化系统的速度、前置时间、成本或 token/上下文预算时均可使用——CI/构建流水线、开发价值流(想法→评审→合并→交付)、Agent Skill 的触发/上下文流,或运行时代码路径——尤其是在你不知道该优化哪里、局部提速未改善整体、工作在某个阶段堆积、一切都很忙但产出很少、增加容量没有帮助,或限制者是策略/规则(而非资源)时。它通过测量定位约束,然后规定 exploit → subordinate → elevate → repeat,并阻止你优化非约束项("非瓶颈的幻象")。即使用户只是说"把这个弄快点"、"为什么这么慢"或"让这个更高效",没有提到约束或瓶颈,也要触发。
在运行、配置或排查 autonomous-dev-team dispatcher cron 时使用。触发短语如 "run the dispatcher"、"scan for pending issues"、"dispatch autonomous tasks"、"set up the dispatch cron"、"configure dispatcher.conf"、"set up multi-project dispatcher"、"dispatch to a remote dev box via SSM"、"EXECUTION_BACKEND=remote-aws-ssm"、"stale agent detection",或处理 dispatcher-tick.sh / dispatcher-multi-tick.sh / dispatch-local.sh / dispatch-remote-aws-ssm.sh 时。涵盖按项目 tick(5 个步骤:并发、scan-new、scan-pending-review、scan-pending-dev、过期检测)、多项目外层循环,以及可插拔的本地与远程 AWS SSM 执行后端。
Используй для ЖИЗНИ вимарши и работы с ПОЛЕМ вопрошания — не постановка (это writing), а жизненный цикл: якорение, разрешение, закрытие, принятие как есть, вытеснение, кристаллизация, привязка к превращению. Триггеры: «разбери вимарши», «поле вопрошания», «закрой/оставь вимаршу», «разреши вопрошание», «триаж вимарш», work the field of inquiry, resolve the question, много висящих вимарш в orient, закрытие сессии. Не проход по всему графу (assembly). Нужны тулы iskron_*.
Используй для задач интеграции и целостности превращения. Триггеры: «интеграция», «интегрировать X с Y», «спецификация интеграции», integrate, integration spec — режим 0: сначала граф; «область интеграции изменения», integration scope, cold review — режим 1: холон + steward + узлы изменения; «проверь бяньхуа на целостность», «что затронет превращение», «кого заденет», integrity check — волновой фронт; «подкреплено ли графом», «не театр ли», claim audit — обратный аудит прозы. Distinct from assembly и design. Нужны iskron_*.
通过 `AskUserQuestion` 选定的三种入口之一从用户处获取下一个 ML 实验提案:(a) Agent 必须阅读并综合的科学文章 URL,(b) 资源链接或路径(GitHub issue / 规范文件 / 参考仓库),或 (c) 用户直接输入的纯文本。在每个分支中,Agent 阅读来源、综合其对要实现内容的理解,并在返回 Proposal 块*之前*与用户确认。将确认后的 Proposal 交回 `iterate-ml-experiment`,由后者写入 `journal/NN_short_name.md` 并寻求用户的设计说明批准。停在“Proposal returned, user-confirmed”;绝不写设计说明,绝不撰写验收标准。触发条件:`iterate-ml-experiment` 正在挑选取材策略且用户从菜单中选择了 `user`;用户主动提出具体想法(“I want to try X”);用户粘贴或链接一篇科学文章、GitHub issue、规范文件或参考仓库并要求我们阅读。跳过条件:用户想挖掘上一份报告(使用 `iterate-from-skore`);用户要求符号查找或流水线机制(使用 `python-api` 技能);工作是对单份报告的评估机制(转交 `evaluate-ml-pipeline`)。使用方法:以一次 `AskUserQuestion` 开场询问入口——article-link / resource-link / free-text。在每个分支中:用合适的工具(`WebFetch`、`gh issue view`、`Read`)收集来源材料,把你的理解综合成三个塑形问题,并在返回 Proposal 之前**通过纯文本与用户确认**(一两句话:“you'd like to implement X by changing src/<pkg>/<file>.py — right?”)。不要写任何设计说明。不要撰写验收标准。
使用此 skill 从 AI Agent(Claude Code、Cursor、任意 MCP 客户端)驱动 Compose HotSwan,让 Agent 可以编辑 Kotlin 文件、触发热重载、截取设备截图、对照设计意图评估结果,并在无人工介入的情况下持续迭代。涵盖七个 HotSwan MCP 工具(hotswan_get_status、hotswan_reload、hotswan_take_screenshot、hotswan_start_snapshot、hotswan_stop_snapshot、hotswan_select_variant、hotswan_build_and_install)、标准的编辑-重载-截图循环、基于快照的回滚,以及何时应在 schema 变更时回退到完整安装。适用于开发者说“让 AI 调整这个界面直到与 mock 一致”,询问“AI 能看到改了什么吗?”或“AI 能给设备截图吗?”,搭建需要 MCP 工具访问权限的 Claude Code 或 Cursor 工作流,或希望实现 AI 驱动的 UI 迭代时。
从目录或社区中查找、安装并配置 OpenCode 插件。当用户询问插件、请求新能力或提到扩展 OpenCode 功能时主动使用。示例:- 用户:"有 Tailwind CSS 的插件吗?" → 列出目录,读取 tailwind 插件详情,如可用则安装 - 用户:"如何添加自定义斜杠命令?" → 建议使用 command-creator 技能,或引导完成 opencode.json 配置 - 用户:"有哪些可用于数据库工作的插件?" → 列出目录,筛选数据库相关插件 - 用户:"安装 playwright 插件" → 读取插件文件,添加到 opencode.json,验证安装
将一个已批准的 spec 并行拆分为 5 个以上相互独立的行为 curd,输出可评审的 PR,并让整条流水线一次性扇出运行。适用于用户持有此类 spec 时——例如 "/cheese-factory .cheese/specs/<slug>.md"、"send through the factory"、"parallelize this spec"、"many curds"、"fan out the implementation"、"cheese-factory this" 等说法。以内联方式运行,并按阶段生成完全对等的通用子 Agent(decomposer、每个 curd 的 worker、wiring、合并后评审、PR planner),最终通过 `/pr-stack` 产出 1–N 个可评审 PR。即使用户提到 `/fromagerie` 也使用本 skill——`/cheese-factory` 是可移植、与 harness 无关的同类工具。支持 `--hard` 传播与 `--resume <slug>` 以继续崩溃的流水线。请勿用于单一连贯的 spec(`/cook`、`/ultracook`)、模糊的规划(`/mold`)、仅评审的工作(`/age`),或 curd 少于 5 个的 spec(`/ultracook`)。
严谨的工程编排器,移植自 Lauren Tan 的 pstack(poteto-mode):读取你的任务,从 23 个 playbook(bug fix、feature、refactoring、perf、investigation、prototype、babysit、shipping、autonomous run、orchestrate 等)中选择一个,路由到内置流程(how、why、architect、arena、swarm、interrogate、unslop、technical-writing、show-me-your-work、tdd 等),并应用 24 条工程原则。自包含:无需安装插件,无需同级 skill,适用于任何能读取 skills.sh 格式 SKILL.md 文件的 Agent。凡任务需要严谨性时使用:非平凡的代码改动、架构决策、调试、评审、PR、长时间自主运行,或「work like poteto」「poteto-mode」「pstack」。
来自 ui.inference.sh 的 React/Next.js 工具生命周期 UI 组件。展示工具调用:待处理、进行中、需要批准、结果。能力:工具状态、进度指示器、批准流程、结果展示。适用场景:展示 Agent 工具调用、人在环路中的批准、工具输出。触发词:tool ui、tool calls、tool status、tool approval、tool results、agent tools、mcp tools ui、function calling ui、tool lifecycle、tool pending
一个开放协议,规定了 AI 应用如何以统一方式连接外部工具与数据源。客户端负责与模型对话,MCP 服务负责提供工具、资源和提示模板,两者通过标准消息通信,同一个服务可以被不同客户端复用。
