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。
测试与质量
对照 Subatomic 三层架构（definitions → usage → components）检查一套设计 token，返回带证据标注的发现项以及按优先级排序的工作清单，或从尚无 token 的生产代码库中建立层级阶梯。当用户粘贴其 token JSON 并问“这对吗”、要求审计、评估、审查或给其 token 打分，询问其 token 是否分层正确或语义化，想知道深色模式或第二个品牌会是重映射还是重写，或者代码库里满是硬编码值并想从中以代码优先的方式建立 token 基础时使用。它是 ds-inspection（在十个站点上评判整个系统）的配套；本 skill 只深入 token 层。
检查 Figma 节点树的 WCAG 2.2 无障碍性和设计系统质量，包括对比度、目标尺寸、焦点指示器、仅用颜色传达的信息、硬编码颜色、缺失的文本样式、脱离组件等。用户希望在交付前进行设计侧审查时使用：例如“lint this frame”“check accessibility”“WCAG audit”“is my design accessible”“find contrast issues”“check color contrast”“find hardcoded colors”“are my components using tokens”“design QA”“a11y check on this page”“audit my design for issues”。从某个节点（或整个页面）遍历树，并按严重程度（critical/warning/info）和 WCAG 等级（A/AA/AAA/best-practice）返回结果。原生 Figma MCP 不具备设计侧 lint 功能——此功能是此集合独有的。深度的组件级无障碍评分请使用 figma-audit-accessibility；代码侧（HTML）检查请使用 figma-scan-code-accessibility。
检查 Express.js 中间件和路由的安全审计模式。用于审计 Helmet.js、CORS、body-parser 限制和身份验证中间件。检查 Express.js 应用时主动使用。示例：- 用户：“保护我的 Express 应用” → 添加 Helmet.js 并禁用 x-powered-by - 用户：“检查 Express CORS 配置” → 验证来源允许列表和凭据 - 用户：“检查 Express 身份验证中间件” → 检查路由顺序和覆盖范围 - 用户：“扫描 Express 路径遍历问题” → 验证路径规范化和校验 - 用户：“审计 Express 会话配置” → 检查 secure、httpOnly 和 sameSite 标志
让 Datadog LLM-Obs 评估器拟合人工标注。接收一个标注队列，找出被标注属性在 trace 中的实际位置，起草一个预测人工标注的 LLM-judge，用与用户商定的指标将该 judge 与已标注行进行评分对比，然后对其进行爬山式优化——检查错误、做一处有针对性的修改、重新评分、仅当优于最佳结果时才保留——迭代次数有上限，最后将胜出者作为 DISABLED 评估器发布到 Datadog（不是 Datadog 草稿——而是带 `enabled: false` 的真实评估器）。当用户说“从我的标注构建 eval”“从标注队列构建评估器”“把我的标注变成评估器”“从我的标注中学习评估器”“让 judge 拟合标注队列”“自动标注”“自动化这个标注队列”“扩大我的人工标注规模”，或希望队列其余部分按人工标注前几行的方式进行评分时使用。需要一个标注队列，且人工标注中至少存在两个类别（例如布尔值的 true 和 false 各一）。
面向 AI 生成图像和视频的世界级角色与艺术风格一致性——确保系列作品中的视觉连贯性，保持角色身份，并在交付前进行严格的 QA。当提到 "character consistency, art style, same character, consistent character, visual continuity, series, turnaround sheet, character sheet, reference image, character bible, style guide, anime character, consistent look, face consistency, outfit consistency, lora training, ip-adapter, flux kontext, visual qa, art quality, generation review, style drift, character drift, character-consistency, art-style, visual-qa, ai-art, image-generation, video-generation, anime, illustration, lora, ip-adapter, flux, midjourney, stable-diffusion" 时使用。
当症状较为宽泛（“应用感觉卡顿”“到处滚动都不流畅”“我们要开始一轮性能冲刺”“最先该修什么？”）时，使用此 skill 运行端到端的 Jetpack Compose 性能审计。它通过编排 25 个聚焦的 skill（release 模式设置、R8、Baseline Profiles、Compose Compiler 报告、稳定性推断、Layout Inspector、`@TraceRecomposition`、稳定化、strong skipping、阶段延迟、derivedStateOf、lazy 布局、lazy 预取、Modifier.Node、modifier 顺序、flow 收集、effects、CI 门禁、热重载）来组织 Measure → Diagnose → Fix → Verify 四阶段循环，并产出一份带有 Before/After Macrobenchmark 数据的书面审计报告。当开发者想要启动性能冲刺、设置发布前性能门禁、上手一个有性能问题的代码库，或需要一份书面交付物时使用。当用户提到“audit”“perf review”“perf sprint”“where do I start”，或尚无具体症状时使用。
在编写、修改或评审任何 Bagisto PHP 或 Blade 代码时使用——这是该代码库所遵循的约定，涵盖 Laravel 惯例、代码风格、注释与文档块、数据库访问、Blade、安全与本地化。触发短语包括“standards”“conventions”“code style”“docblock”“comments”“repository pattern”“blade”“component”“binding”“event”“migration”“security”“XSS”“authorization”“escaping”“is this safe”“best practice”。
使用 Omni 内置评估系统评估 Omni AI 的准确性：定义提示词集，针对模型（或分支）运行裁判评估，并查看准确性裁判的判定。只要有人想评估 Omni AI、对 Blobby 进行基准测试、运行回归测试、比较不同分支或模型上下文变更下的 AI 输出、衡量 AI 质量、对模型变更进行 A/B 测试、评估 ai_context 或建模变更的影响，或提出“运行评估”“测试 Blobby”“对查询生成进行基准测试”“比较 AI 结果”“回归测试”“AI 有多准确”或“衡量我的更改所带来的影响”等类似请求时，都应使用。
根据实际 git 数据判断功能分支是否已准备好合并——依据测量指标，而非主观判断：收集分支与基准分支的原始 git 输出，计算分支健康指标（规模类别、测试比例、专注度、偏移、会话、热点），扫描差异中的 PR 前遗留项（密钥、`.only`、冲突标记、调试行、TODO），然后给出 GREEN / YELLOW / RED 判定及各信号的建议。作为独立于主流程、拥有自身推理预算的分叉分析工作流运行。每项指标均基于实际 git 数据计算，绝不估算；判定遵循已记录的信号阈值，存在阻断性发现时绝不报告 GREEN；除可选的 JSON 快照外均为只读，不会触碰代码或 git 状态。用户询问分支健康状况、PR 前分析或 `/pr-retro` 时使用。
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。