Skills

B

bmod-method

bmad-code-org / bmad-method

必需的 bmod 元数据。切勿调用此技能。

A

agentmemory-architecture

rohitg00 / agentmemory

agentmemory 的构建方式、其所基于的 iii 引擎原语、存储模型、端口和查看器。用于端到端分析记忆的存储或检索方式、扩展系统，或回答 agentmemory 的底层工作原理。

A

agentmemory-hooks

rohitg00 / agentmemory

agentmemory 插件钩子，可在 Agent 会话生命周期中自动捕获观察记录。适用于说明记忆如何在无需手动保存的情况下被捕获、排查观察记录缺失问题，或调整记录内容。

通过逐步优化上下文检索来解决子 Agent 上下文问题的模式。当子 Agent 缺少所需上下文，且需要经过多轮优化检索时使用。

W

write-agentmemory-skill

rohitg00 / agentmemory

编写或更新 agentmemory skill 的内部格式和规则。用于添加新 skill、重构现有 skill，或检查 skill 贡献是否符合规范。

LLM API 使用的成本优化模式——根据任务复杂度路由模型、跟踪预算、重试逻辑和提示词缓存。在需要降低 LLM 开支，或根据模型层级和预算路由任务时使用。

G

gemini-interactions-api

google / skills

指导如何在 Gemini Enterprise Agent Platform 上使用 Gemini Interactions API。用户希望在 Agent Platform 上使用有状态、由服务端管理的 Interactions API 进行多轮对话、后台执行、流式处理、结构化输出和函数调用时使用。

介绍自主 Claude Code 循环的模式和架构，涵盖从简单的顺序管道到由 RFC 驱动的多 Agent DAG 系统。仅为兼容性保留；需要新的自主循环指导时，请使用 continuous-agent-loop。

S

sandbox-agent

rivet-dev / skills

部署、配置并集成 Sandbox Agent——用于在沙盒环境中编排 AI 编码 Agent（Claude Code、Codex、OpenCode、Amp）的通用 API。适用于在本地或云沙盒（E2B、Daytona、Docker）中设置 sandbox-agent 服务，通过 SDK 或 API 创建和管理 Agent 会话，流式传输 Agent 事件并处理人工介入交互，为编码 Agent 构建聊天 UI，或了解 Agent 响应的通用架构。

P

pi-planning-with-files

othmanadi / planning-with-files

面向多步骤 AI Agent 工作的持久化文件式规划。将 task_plan.md、findings.md 和 progress.md 保存在磁盘上；生命周期钩子会注入选定的项目规划上下文。自动恢复仅读取项目规划文件。显式执行 session-catchup.py --metadata 只读取同一项目的本地 Agent 会话记录，并仅输出汇总计数；--replay 可能输出有界的 nonce 标记摘录。可选的门控模式仅在主机支持时请求继续，且绝不运行 Markdown 中声明的命令。此技能没有网络上传路径。适用于需要调用工具 5 次以上的研究或工作。

适用于 AI Agent 生成大部分实现产出的团队的工程运作模式。用于为主要由 Agent 编写的代码库设定团队流程、评审门禁和责任归属规则。

将实时上下文检查路由到原生 Codex 或 Claude Code 计量器，无需扫描文件；仅在明确请求时才执行有限范围的静态组件审计。适用于查询剩余上下文容量或已安装上下文开销的 context-budget 请求。

P

python-mcp-server-generator

github / awesome-copilot

当用户想用 Python 创建新的 Model Context Protocol（MCP）服务时，使用此技能。也可用于将 Python 函数、API 或数据库作为 MCP 工具开放给 AI 客户端。此技能会创建一个 uv 项目，包含 MCP Python SDK v2（MCPServer）、类型化工具、内存测试和客户端配置。不要将其用于 MCP 客户端或其他语言的服务。

T

track-management

wshobson / agents

创建、管理或处理 Conductor tracks（功能、缺陷和重构的逻辑工作单元）时使用此技能。适用于 spec.md、plan.md 以及 track 生命周期操作。

用于构建带有质量门禁、评估和故障恢复控制的持续自主 Agent 循环模式。在运行必须进行自检、通过评估门禁并从故障中恢复的 Agent 循环时使用。

O

okx-ai

okx / onchainos-skills

操作 OKX.AI Agent 和市场工作流。当用户想要注册、更新或查看 Agent 身份；发现、发布、购买或管理 Agent 服务（任务），包括信号服务；创建或履行市场服务；管理或查看订阅；查看跟单记录；审阅交付成果、评价 Agent 服务订单、请求评估或回复评估；监控任务／订单执行状态；在任务中向对方发送消息（回复也属于发送）；或通过 Job ID 和对方 Agent ID 查询任务聊天记录时使用。

A

ai-prompt-engineering-safety-review

github / awesome-copilot

全面的 AI 提示词工程安全审查与改进提示词。分析提示词的安全性、偏见、安全漏洞和有效性，并提供详细的改进建议，涵盖丰富的框架、测试方法和教育内容。

面向 AI 辅助开发的回归测试策略。包括不依赖数据库的沙箱模式 API 测试、自动化 Bug 检查工作流，以及捕捉同一模型编写并审查代码时盲点的模式。在为 AI 辅助代码增加回归测试覆盖，或同一模型既编写又审查变更时使用。

A

agent-platform-skill-registry

google / skills

与 Gemini Enterprise Agent Platform Skill Registry 交互，以创建和搜索可用技能。使用此技能可让 Agent 注册功能或发现新能力。

通过 Context7 MCP 使用最新的库和框架文档，而不是训练数据。适用于设置问题、API 参考、代码示例，或用户提及某个框架（如 React、Next.js、Prisma）时。

A

agentic-eval

github / awesome-copilot

评估和改进 AI Agent 输出的模式与技术。适用于实现自我批评和反思循环；为质量关键型生成构建评估器-优化器流水线；创建测试驱动的代码优化工作流；设计基于评分标准或 LLM-as-judge 的评估系统；对 Agent 输出（代码、报告、分析）进行迭代改进；或衡量并提升 Agent 响应质量。

将一句话目标转化为适用于多会话、多 Agent 工程项目的分步构建计划：每步规模控制在一个 PR，附带独立完整的上下文说明、可检测并行步骤的依赖关系图、对抗式评审关卡和计划变更流程。用于规划跨多个 PR 或会话的大型功能、重构或路线图；不适用于单个 PR 任务，或用户说“直接动手”时。

C

cargo-ai

getcargohq / cargo-skills

在 Cargo 中构建和配置 AI Agent——创建 Agent、选择其模型和 temperature、编写提示词、附加用于检索的知识（RAG）、连接 MCP 工具服务器、管理记忆并部署发布版本。触发示例：“创建一个 Agent”“创建一个能……的 Agent”“把我们的文档给 Agent”“附加这个知识库”“把这个库附加到 Agent”“向 Agent 发布版本添加资源”“连接 MCP 服务”“将我们的工具作为 MCP 服务公开”“从 Claude Desktop 或 ChatGPT 使用 Cargo”“更改 Agent 模型”“Agent 记住了什么”“部署 Agent”“Agent 回答错了”。以下情况请勿使用：上传知识文件本身时，请使用 cargo-content；向 Agent 发送消息或让其处理记录时，请使用 cargo-orchestration。

B

bmad-spec

bmad-code-org / bmad-method

将任意输入——创意、简报、PRD、转录稿或混合笔记——浓缩为简短规格：一个核心文件加上供下游技能使用的支持文件。也可更新并验证现有规格。用户说“create a spec”“distill this into a spec”“validate this spec”或“update the spec”时使用。

C

cargo-orchestration

getcargohq / cargo-skills

让 Cargo 实际执行操作，或展示将要执行的内容——执行一项连接器操作、运行多步骤工作流、针对整个细分群体或模型触发批处理、向 AI Agent 发送消息、构建或编辑节点图、将工作流、工具或 play 绘制成图表，并使用 SQL 查询运行时表（runs、batches、spans、records）。触发示例：“对我所有联系人运行”“执行此操作”“启动批处理”“构建工作流”“安排 play”“让它每天早上运行”“询问 Agent”“显示工作流”“这个工具有什么作用”“可视化这个 play”“绘制图表”“解释这个工作流”“今天有多少次运行失败”“此操作的输出架构是什么”“添加一个……步骤”。以下情况请勿使用：解释运行异常的原因时，请使用 cargo-diagnostics；下载结果文件时，请使用 cargo-analytics；将工作流作为代码提交时，请使用 cargo-project。

通过 Exa MCP 进行网络、代码和公司研究的神经搜索。当用户需要网络搜索、代码示例、公司情报、人物查询，或使用 Exa 神经搜索引擎进行 AI 深度研究时使用。

P

parallel-debugging

wshobson / agents

通过竞争性假设、并行调查、证据收集和根因裁定来调试复杂问题。适用于调试存在多种潜在原因的故障、执行根因分析或组织并行调查工作流。

为任何公开来源构建全自动的 AI 数据采集 Agent，例如招聘网站、价格、新闻、GitHub、体育等。按计划运行，使用免费的 LLM（Gemini Flash）丰富数据，将结果存储在 Notion/Sheets/Supabase 中，并根据用户反馈学习。可在 GitHub Actions 上完全免费运行。用户希望自动监控、收集或跟踪任何公开数据时使用。

C

cargo

getcargohq / cargo-skills

Cargo CLI 技能包的路由器——处理任何 Cargo 相关事项，以及任务涉及两个 Cargo 领域时，首先加载此技能。说明各技能的职责、声明式 GTM as Code 项目（cargo-project）与命令式 CLI 的区别、技能间 UUID 和 slug 的传递流程、运行和批次的异步轮询、端到端用例，以及可能静默失败的注意事项（顶层操作的 `config` 中的输入会被剥除且不报错、run 与 batch、model-uuid 与 segment-uuid）。触发示例：“设置 Cargo”“Cargo 能做什么”“该用哪个 Cargo 技能”“初始化我的工作区”“我有 Cargo 账户”“cargo-ai …”，或任何所属领域不确定的 `cargo-ai` 命令。若任务明显只属于一个技能，则跳过并直接加载该技能。

使用 Node/TypeScript SDK 构建 MCP 服务：工具、资源、提示词、Zod 验证、stdio 与 Streamable HTTP 的选择。请通过 Context7 或 MCP 官方文档了解最新 API。构建或调试 MCP 服务时使用，涵盖工具、资源、提示词、验证或传输方式选择。

P

parallel-feature-development

wshobson / agents

通过文件所有权策略、冲突规避规则和集成模式，协调多 Agent 并行功能开发。将大型功能拆分为独立工作流、两个或更多 Agent 需要同时实现同一系统的不同层、在共享代码库中设定文件所有权以避免合并冲突、设计接口契约以便并行开发者在 API 完成前即可据此开发，或决定全栈功能采用垂直切片还是水平分层时，使用此技能。

C

cargo-content

getcargohq / cargo-skills

管理 Cargo 工作区中的文件——上传知识资料（PDF、CSV、文本），构建 Agent 可检索的原生或基于连接器的资料库（RAG），并将文件用作普通存储：按路径读写、列出文件夹内容，以及分享签名链接或公开链接。触发示例：“上传这个 PDF”“将这些文档添加为知识”“构建知识库”“将我们的帮助中心同步到 Cargo”“工作区里有哪些文件”“为这个文件夹建立索引”“附上我们的定价表”“存储这个文件”“把报告保存到某处”“给我文件链接”“公开这个文件”。将文件或资料库接入 Agent 时跳过——使用 cargo-ai；上传用于驱动批量运行的 CSV 时跳过——这属于工作区管理文件上传。

U

use-link-identity

stripe / link-cli

当服务要求 Link Agent Attestation Token (AAT) 或电子邮件等已签名用户声明时，使用 Link CLI 的身份命令。涵盖获取和管理证明、取得身份凭证，以及通过 HTTP 客户端或浏览器自动化向验证方提交选定的声明。

适用于长期运行或托管在云端的 Agent 系统的运维控制：运行时生命周期（启动、暂停、停止、重启）、可观测性（日志、指标、追踪）、最小权限安全范围和紧急停止开关，以及包含审计日志和成功率／成本指标的发布／回滚变更管理。用于在 PM2、systemd 或容器上运行需要监控、事件响应或部署门禁的生产环境 Agent 集群。

T

task-coordination-strategies

wshobson / agents

拆解复杂任务、设计依赖关系图，并通过恰当的任务描述和工作量平衡来协调多 Agent 协作。在为 Agent 团队拆分工作、管理任务依赖关系或监控团队进度时使用此技能。

将 RFC 拆分为多 Agent 执行 DAG：分解为带依赖关系和验收测试的工作单元，为各单元执行调研、规划、实现、测试和审查，然后通过带有 re-based 分支的队列合并，并进行最终系统验证。适用于功能大到无法由单个 Agent 一次完成、多 Agent 协同执行 RFC，或管理多个 Agent 构建单元的合并队列。

M

multi-reviewer-patterns

wshobson / agents

从多个质量维度协调并行代码审查，包括合并重复发现、校准严重程度和汇总报告。在组织多审查者代码审查、校准发现问题的严重程度或汇总审查结果时使用此技能。

使用通过率、成本、耗时和一致性指标，对 Claude Code、Aider、Codex 等编码 Agent 执行自定义任务进行正面对比。选择编码 Agent，或需要通过测量而非主观印象评估 Agent 配置变更的通过率、成本和耗时时使用。

运行和扩展 ECC 的零依赖、支持会话的 REPL NanoClaw，提供基于 Markdown 持久化的会话，以及用于切换模型、加载技能、创建会话分支、跨会话搜索、压缩历史记录和导出的斜杠命令。运行或扩展 scripts/claw.js，或恢复、分支、压缩、搜索或导出 NanoClaw 会话时使用。

B

boost-prompt

github / awesome-copilot

交互式提示词优化工作流：通过提问明确范围、交付物和约束；将最终 Markdown 复制到剪贴板；绝不编写代码。需要 Joyride 扩展。

通过 Claude DevFleet 编排多 Agent 编码任务：规划项目、在隔离的 worktree 中派发并行 Agent、监控进度并查看结构化报告。在隔离的 worktree 中派发并行编码 Agent 并跟踪其报告时使用。

T

team-communication-protocols

wshobson / agents

用于 Agent 团队通信的结构化消息协议，涵盖消息类型选择、计划审批、关闭流程和应避免的反模式。在为新组建的团队建立沟通规范、决定发送直接消息还是广播、团队负责人需要在工作开始前审查并批准实施者的计划、所有任务完成后协调团队有序关闭，或排查队友为何未能在集成节点正确协调时使用。

供终端用户控制 cmux 拓扑结构和路由（窗口、工作区、窗格/界面、焦点、移动、重新排序、识别、触发闪烁）。自动化需要在多窗格 cmux 布局中进行确定性定位和导航时使用

交互式选择器，通过 claude agents 命令和 agents/ Markdown glob 发现可用的 Agent 角色，按领域分组，让用户最多选择五个，并行分派它们处理同一任务，然后将共识和冲突综合成一份报告。组建 Agent 团队、浏览可用的 Agent 角色或并行运行多个专业 Agent 时使用。

T

team-composition-patterns

wshobson / agents

通过规模启发式、预设配置和 Agent 类型选择，设计最优的 Agent 团队构成。在确定任务需要启动多少个 Agent、选择审查团队、功能团队还是调试团队、为每个角色选择合适的 subagent_type 以确保具备所需工具、为 CI 或本地环境配置显示模式（tmux、iTerm2、进程内），或为迁移、安全审计等非标准工作流构建自定义团队组成时使用。

使用 dmux（AI Agent 的 tmux 窗格管理器）进行多 Agent 编排。介绍 Claude Code、Codex、OpenCode 和其他执行框架中的并行 Agent 工作流模式。并行运行多个 Agent 会话或协调多 Agent 开发工作流时使用。

S

self-improvement

pskoett / self-improving-agent

记录经验、错误和纠正内容，以实现持续改进。在以下情况使用：(1) 命令或操作意外失败；(2) 用户纠正 Claude（“不对……” “其实……”）；(3) 用户要求不存在的功能；(4) 外部 API 或工具失败；(5) Claude 意识到自己的知识已过时或不正确；(6) 为重复任务发现了更好的方法。执行重要任务前也要查看经验记录。

G

gemini-agents-api

google / skills

管理 Gemini Enterprise Agent Platform 上的自定义 Agent 资源。用户希望在执行对话前，以编程方式创建、配置、列出、更新或删除有状态、由服务端管理的 Agent 资源（包括挂载文件、技能和工具）时使用。

M

mcp-cli

github / awesome-copilot

通过 CLI 与 MCP（Model Context Protocol）服务交互。适用于通过 MCP 服务访问外部工具、API 或数据源，列出可用的 MCP 服务／工具，或从命令行调用 MCP 工具。

C

context-map

github / awesome-copilot

在进行更改前，生成与任务相关的所有文件的映射

A

agent-governance

github / awesome-copilot

为 AI Agent 系统添加治理、安全和信任控制的模式与技术。适用于：构建调用外部工具（API、数据库、文件系统）的 AI Agent；为 Agent 工具使用实施基于策略的访问控制；添加语义意图分类以检测危险提示词；为多 Agent 工作流创建信任评分系统；构建 Agent 操作和决策的审计跟踪；对 Agent 强制实施速率限制、内容过滤或工具限制；使用任何 Agent 框架（PydanticAI、CrewAI、OpenAI Agents、LangChain、AutoGen）。

M

mcp-builder

mcp-use / mcp-use

使用 mcp-use 构建、修改、调试、迁移、审查或验证 TypeScript MCP 服务和 MCP Apps。适用于工具、资源、提示词、中间件、Views、身份验证、基于 MCP 的 Skills、脚手架及高级功能。

用通俗易懂的人话复述最后一条消息，不要用术语。

U

unlazy

leonxlnx / unlazy

通过执行前先写下验收门禁、用 Depth Tree 分解工作、运行已批准的检查，并在报告前重新验证证据，来对实质性的自主工作强制执行完成纪律。当 Agent 面临长任务或多部分任务、返回的成果只完成一半的工作、全面审计或构建、并行叶子或流水线，或出现 /unlazy、$unlazy、“tree N”、“gates”、“do not stop until it is done”等明确触发词时使用。

扫描技能，提取跨领域原则并提炼为规则——追加、修改或创建规则文件。当同一原则在多个技能中反复出现，适合写入规则文件时使用。

可视化技能、规则和 Agent 定义是否得到实际遵循：自动生成 3 种提示词严格程度的场景，运行 Agent，对行为序列分类，并结合完整工具调用时间线报告遵循率。用于检查 Agent 是否确实遵循所提供的技能、规则和定义，而不是想当然地认为它们会遵循。

C

claude-automation-recommender

anthropics / claude-plugins-official

分析代码库并推荐 Claude Code 自动化配置（hooks、subagents、skills、plugins、MCP 服务）。当用户寻求自动化建议、希望优化 Claude Code 配置、提到改进 Claude Code 工作流、询问如何为项目首次搭建 Claude Code，或想了解应该使用 Claude Code 的哪些功能时使用。

多 Agent 对抗式验证：两位独立评审者使用同一评分标准，必须双双通过后结果才能发布，并带有修复与复审的收敛循环以及人工升级上限。适用于在内容发布、生产部署、合规或品牌敏感内容，以及容易产生幻觉的说法上线前设置关卡。

召集由四种视角组成的评审小组，讨论模糊决策、权衡取舍以及是否推进。适用于存在多种可行方案、需要在选择前进行结构化讨论的情况。

P

prompt-builder

github / awesome-copilot

指导用户创建结构合理、包含适当工具并遵循最佳实践的高质量 GitHub Copilot 提示词。