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
将本次 Claude Code 或 Codex 会话桥接到 Telegram、Discord、飞书/Lark、QQ、微信或钉钉,让用户可以用手机与 Claude 聊天。用于:设置、启动、停止或诊断 claude-to-im 桥接守护进程;将 Claude 的回复转发到消息应用;任何类似 "claude-to-im"、"bridge"、"消息推送"、"消息转发"、"桥接"、"连上飞书"、"手机上看claude"、"启动后台服务"、"诊断"、"查看日志"、"配置"、"切到微信继续聊" 的表述。子命令:setup、start、stop、status、logs、handoff、reconfigure、doctor。不用于:构建独立 bot、webhook 集成,或使用 IM 平台 SDK 编写代码——那些是常规编程任务。
为首次使用者提供简短、价值优先的 Kitaru 导览,使用 Kitaru 仓库中的 PydanticAI returns agent 示例。当用户没有自己的 Agent 或轨迹、从 Kitaru 引导流程进入、要求演示、教程、快速开始或引导示例、需要克隆或准备快速开始示例、希望编码 Agent 在其判断会话之前准备轨迹注释,或想在了解完整调查方法之前先体验 Kitaru 的价值时使用。准备一次三会话的前端审查,让人给出判定,将一个被接受的发现转化为确定性评估器,并以一个获批的有界重放实验收尾。将真实 Agent、开放式探索和生产证据转交给 kitaru-investigation。
通过 `orca` CLI 管理 Orca 管理的 worktree、文件夹上下文、终端、仓库、自动化、产物、技能共享、worktree 评论以及 Orca 内嵌浏览器。用户提到“$orca-cli”“Orca worktree”“child worktree”“spawn codex/claude in a worktree”“read/wait/send Orca terminal”“handoff”/“handover”/“give this to another agent”“Orca browser”“orca artifacts”或“share skills”时使用。涉及 Orca 状态时,优先于直接使用 git worktree、临时 PTY 或 Computer Use。仅当可见窗口需要 GUI 控制,且 CLI、文件系统或 API 无法完成时,才使用 Computer Use。
通过组建任务目录并运行 revmux CLI,执行受监督的多 Agent 代码审查,然后汇报或处理其发现的问题。revmux 会启动并监控并行运行的 claude 和 codex 子进程,具备停滞检测、重试、各 Agent 进度跟踪和完整运行存档;此技能负责撰写审查上下文、启动流程、读取返回的 JSON,并在修复后重新运行。它还可对已提交的问题、提案或讨论进行分类,而非审查差异;通过四方评审——事实依据、支持理由、反对理由和成本——并将维护者的六个回答及其背后的论据列出。它还包含自检模式,可读取以往轮次的结果,告诉用户记录对审查本身的说明——哪个阶段在筛选、哪个视角评判最严、各轮是否趋于一致——然后每次提出一项本地提示词文本修改建议,并给出对应数据。它会将拉取请求取到临时 worktree 中进行审查,然后清理环境。还可回答有关 revmux 本身的问题,包括配置档案、评审视角、任务目录、标志、JSON 结构、退出代码和运行存档。以下情况会触发:要求“revmux”、“run revmux”、“multi-agent review”、“supervised review”、“review with revmux”、“revmux this branch”、“revmux the last commit”、“revmux pr 123”、“revmux this PR”、“review PR 123 with revmux”、“run a revmux round”、“re-review after fixes”、“revmux it and show me”、“revmux this, I want to watch”、“run it visible”、“show me the review”、“triage this”、“triage issue 123”、“is this worth doing”、“should we accept this”、“should I close this”、“revmux self”、“self-improve revmux”、“tune revmux”、“revmux profiles”、“revmux lenses”、“what does revmux return”、“revmux exit codes”或“revmux task directory”。
通过封装 HKUDS UpSkill,把能力弱/便宜的 "Flash" 模型变成 "Pro" 级表现——捕获 Agent 会话失败,让强大的 Teacher 模型分析它们并起草技能,然后在闭环 Ralph Loop 中针对较弱的 Student 模型验证该技能(最多 3 轮),最后存储以供自动复用。当用户想要安装 UpSkill,运行 `/upskill-init`、`/upskill-configure`、`/upskill-build`、`/upskill-run`、`/upskill-list`、`/upskill-status`、`/upskill-mode`、`/upskill-model`、`/upskill-remove` 或 `/upskill-uninstall`,想要便宜的模型在不切换的情况下表现更接近 Pro 模型,或想把一次好的会话(成功或失败)提炼为经过验证的技能时使用。触发词:upskill、up-skill、flash to pro、teacher student distillation、ralph loop skill validation、distill agent failures into skills。将技能质量提升路由到 `skill-autoresearch`,将脚手架搭建路由到 `write-a-skill`,将规范符合性重写路由到 `skill-standardization`。
在 ADK Python 仓库中创建新的示例 Agent —— 包括示例目录、其 `agent.py` 和 `README.md` —— 遵循现有示例已使用的约定。当用户想要添加示例或范例以演示某项功能或 Agent 模式(动态节点、fan-out/fan-in、独立的工具使用 Agent),询问新示例应放在 `contributing/samples/` 下的哪个位置,或想把现有示例的 README 提升到标准结构时使用。不要用于为用户自己的项目构建真正可用的 Agent(请使用 `adk-agent-builder`),也不要用于检查 Markdown 文件中的 Python 代码块是否可运行(请使用 `adk-verify-snippets`)。
本 Skill 提供从 better-chatbot 项目中提取的可复用实现模式,适用于自定义 AI 聊天机器人部署。当你在自己的项目中基于 server action 校验器、工具抽象系统、工作流执行或多 AI 提供商集成来构建 AI 聊天机器人时(而非为 better-chatbot 本身做贡献),可使用本 Skill。适用场景:构建 AI 聊天机器人功能、实现 server action 校验器、创建工具抽象层、配置多 AI 提供商支持、构建工作流执行系统、将 better-chatbot 模式适配到自定义项目。关键词:AI 聊天机器人模式、server action 校验器、工具抽象、多 AI 提供商、工作流执行、MCP 集成、校验后的 action、工具类型检查、Vercel AI SDK 模式、聊天机器人架构
跨阶段的中途范围修正。当需求、功能、架构或约束在规划开始后发生变化时,重新进入规划阶段。重新拆分受影响的 epic/story,重新排序 sprint-status.yaml,向 decision-log.md 追加决策理由。按需路由到 bmad-epics-and-stories、bmad-sprint-planning 或 bmad-parallel-plan。只改变 PLAN,绝不改代码。适用场景:"we need to change course"、"scope has changed"、"new requirement came in"、"we're dropping feature X"、"we need to pivot"、"re-plan after the change"、"requirements changed mid-sprint"、"correct course"、"architecture changed"、"re-scope the backlog"、"update epics after feedback"、"cancel story X"、"add epic for Y"、"change the plan"、"we got new constraints",或因某个不在原计划中的决策而拆分/合并/重排 story 时。产出:更新后的 epics.md(仅受影响部分)、修订或新增的 story 文件、更新后的 sprint-status.yaml、新的 decision-log.md 条目。绝不编写代码或运行测试。
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。
