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
对照实现代码（源组件或 Storybook story）审查 Penpot 设计，并输出结构化的 DRIFT 报告。适用于工程师需要确认构建结果与设计一致时：从选区提取 HTML/CSS，将其 tokens/结构/状态映射到代码组件，进行差异比对，并列出双方各自缺失的内容及其严重程度和调和方案。未提供代码来源时，降级为设计系统 token 检查。触发词：'design to code review'、'does my code match the design'、'design code parity'、'compare Penpot to my component'、'check this against Storybook'、'extract HTML/CSS from this selection'、'find design drift'、'design implementation diff'。
为 C# 中的 Web（Selenium 3/4）和移动端（Appium 2）测试生成生产级 Reqnroll BDD 自动化脚本。支持在本地和 TestMu AI 云上进行并行 NUnit 执行。当用户要求编写 BDD 测试、使用 Reqnroll 自动化、创建 .feature 文件、编写 Gherkin 场景、编写步骤定义、从 SpecFlow 迁移，或在浏览器/Android/iOS 上测试时使用。触发词：“Reqnroll”“BDD”“Gherkin”“.feature file”“step definition”“SpecFlow migration”“Selenium C#”“Appium C#”“TestMu”“LambdaTest”“NUnit BDD”“reqnroll.actions.json”。
使用 Claude-in-Chrome 浏览器自动化可靠地驱动并检查 Umbraco 后台。每当你准备针对运行中的 Umbraco 后台使用 mcp__claude-in-chrome 工具时都要使用本技能——导航各个区域、点击树节点、填写表单、打开/关闭模态框，或对后台扩展（属性编辑器、仪表板、工作区、树、区域、菜单）进行视觉验证。后台是基于 Lit/web-components 且带开放 shadow DOM，模态框会渲染到屏幕外，因此内置的 find/read_page 工具什么都看不到，截图也滞后于实时 DOM。本技能提供一套可穿透 shadow DOM 的 JS 辅助工具包以及一份导航操作手册，让你从 DOM 读取状态而不是靠像素猜测。即使用户只说“打开后台”“在 Umbraco 中测试该扩展”“点击浏览后台”“登录并确认其可用”或“截取 Umbraco 中编辑器的截图”，也要触发本技能。
从 vibe coding（快速原型）过渡到 agentic engineering（严谨迭代）。当用户已有粗略原型并希望提升水平、需要从"大致能用"走向生产质量、想了解 vibe coding 与 agentic coding 的区别，或说"polish this"、"make this production-ready"、"level up from prototype"、"vibe coded this now what" 时，使用此技能。基于 Karpathy 第 3 篇和第 6 篇文章。
运行 konsistent CLI，审阅所有报告的违规，并在代码库中修复它们。适用于用户想要 "fix konsistent violations"、"resolve konsistent errors"、"clean up konsistent diagnostics"、"make konsistent pass"、"address structural convention violations"，或要求运行 konsistent 并根据结果采取行动时。该 skill 是交互式的：当许多违规源自同一规则（规则与代码的问题）时，它需要明确的用户决策；在修改任何代码前需要明确的用户确认；并对非平凡的违规设有分诊步骤。编辑 `konsistent.json` 请遵循 `konsistent-config` skill。
基于应用程序的源代码和文档，对其自动化执行 PCI Secure Software Standard（SSS）v2.0 就绪度差距评估。从固定目录中确定性地枚举每一项适用的测试要求，收集源代码/文档证据，并输出逐项绑定证据的判定（MET / NOT_MET / PARTIALLY_MET / NOT_APPLICABLE / REQUIRES_MANUAL_REVIEW）并附文件+行号引用，然后给出 Transilience 差距报告。适用于被要求评估、差距评估或检查应用程序对 PCI Secure Software Standard v2.0 / PCI SSF 的就绪度，或将源代码和设计文档映射到 PCI SSS 安全目标和测试要求时。仅生成就绪度差距分析 —— 不是官方 PCI 验证。
根据 WCAG 2.1/2.2 AA（可选 AAA）审查 Penpot 设计并生成结构化的严重程度报告：颜色对比度、触摸/目标尺寸、替代文本、标题层级和键盘/焦点顺序。提出修复建议——不会自动应用。也作为 brief-to-screen 和 brief-to-deck 循环中的评估器（scope:deck = 幻灯片对比度规则）。触发词：'check accessibility'、'accessibility audit'、'WCAG check'、'contrast audit'、'a11y review'、'check color contrast'、'is this accessible'。
审查 Rust 变更的正确性、内存与线程安全、错误语义、不必要的分配或克隆、锁作用域、API 兼容性、测试缺口、文档和依赖风险，并应用 Rust API Guidelines 检查清单（C-PANIC、C-UNWRAP、C-TRANSMUTE、C-BOOL、C-NEWTYPE、C-COMMON-TRAITS、C-CONVERT、C-SEALED、C-NON-EXHAUSTIVE）。在审查 Rust diff、拉取请求、库、unsafe 边界或生产事故时使用；在总结之前按严重程度报告可执行的发现，将自动化格式化或 lint 策略交给 rust-style-clippy，将 API 形态决策（trait 封闭、错误分类、newtype 设计、构建器模式）交给 rust-api-design。
当用户要求 "audit this codebase"、"audit this code"、"code audit"、"check for bugs"、"review code quality"、"find dead code"、"check for anti-patterns"、"performance audit"、"check for code smells"、"technical debt"、"code health check"、"review test quality" 或 "check error handling" 时，应使用本技能。对于以安全为重点的审计（漏洞、OWASP 问题、注入、认证或授权弱点、密钥管理、密码学审查、依赖 CVE、IaC、CI/CD），请改用 `security-audit` 技能。
当用户在 x86 主机或 Arm 核心上使用 doca_flow_perf 二进制文件测量 DOCA Flow 控制平面的插入吞吐量时，使用此技能：选择 configs/ JSON 策略，比较 DPDK 与 DOCA 后端，先运行冒烟迭代再运行评估循环，解读 CPU 周期以及 num_pushed / num_failed，或记录使插入数据可信的四元组（DOCA 版本、固件、JSON 策略、工作线程配置）。对于 "5 元组 hairpin 插入数据"、"flow-perf 结果与发行说明不符"、"DPDK 与 DOCA 对比" 或 "安装结果波动过大" 等隐含请求，也应加载此技能。实时应用优化（doca-flow-tune）、线路吞吐量或延迟，以及库内部的管道语义不属于此技能，应拒绝并转交相应负责人。
使用 axe-core（Deque）在 JSDOM 上运行，扫描生成/编写的 HTML 中的无障碍违规——结构和语义规则：ARIA 属性与角色、可访问名称、alt 文本、表单标签、标题顺序、地标、语义 HTML、tabindex、重复 ID、lang 属性以及约 50 条其他规则。用于 Figma 转代码工作流的代码一侧：触发词 '扫描此 HTML 的无障碍问题'、'在我的组件上运行 axe'、'检查生成代码的 a11y'、'axe-core 扫描'、'对我的标记进行无障碍 lint'、'对代码进行 WCAG 检查'、'这个 HTML 是否有无障碍问题'。这是一个独立的 Node 脚本——无需 Figma 连接。视觉规则（color-contrast、focus-visible、link-in-text-block、target-size）已禁用，因为 JSDOM 没有布局——设计一侧的视觉无障碍请使用 figma-lint-design。两者结合可实现设计与代码的完整覆盖。
构建练习环境与评估训练场，让 Agent 能够尝试、失败并从反馈中学习。当用户想为 Agent 设置自动化评估、需要测试大模型能力的沙盒、想为技能构建练习训练场、需要用于改进 Agent 的 RL 式环境，或说出“eval environment”“practice gym”“agent sandbox”“automated testing for agents”“RL environment”“agent eval loop”时使用此技能。基于 Karpathy LLM Textbook 以及 environments 相关文章。
盲测式多模型并排对比。把同一个提示词同时发给 2-4 个模型，匿名呈现回复（Model A / B / C / D），让用户选出胜者，然后揭晓身份并显示哪个模型获胜。支持自定义评估标准、回复综合以及投票历史记录。当用户说“compare models”“test these models”“which model is better for”“A/B test”“blind comparison”“model evaluation”，或想看看不同 AI 模型如何处理同一提示词时触发。也可用于提示词工程——测试不同模型如何理解同一指令。通过 provider:@effort:model_id 规格支持推理强度的 A/B 对比。
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。