Skills
收录 101,174 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。
全部
使用可视化编辑、基于区块的页面构建器和完整 SEO 构建 Next.js 16 + React 19 + TinaCMS 站点。只要用户提到 TinaCMS、Tina CMS、搭配 CMS 的 Next.js、Next.js 可视化编辑、点击即编辑、内容受管理的 Next.js 站点、区块模式页面构建器，或迁移到 Next.js + TinaCMS，就使用本技能。当涉及 TinaCMS schema 设计、可自托管的 TinaCMS、TinaCMS 媒体配置，或任何 TinaCMS 故障排查时也触发。涵盖从脚手架到在 Vercel 上生产部署的 Day 0-2 设置。
'按个体参与者层级查询 1000 Genomes Project 数据集（3,202 名全基因组测序个体，GRCh38）。适用于关于 1000 Genomes Project 队列中的个体或变异的问题：哪些个体在某个基因或区域携带符合特定条件的变异；哪些个体在某个位点为纯合参考；数据集中存在哪些变异，或指定个体在某个基因或区域携带哪些变异；以及两名指定个体之间的亲缘关系。返回的变异包含 1000 Genomes 等位基因频率（AF）、gnomAD v4.1 外显子组和基因组 AF、AlphaMissense 评分及 HGVSp 注释。
通过 `orca` CLI 操作 Orca 管理的工作树、文件夹上下文、终端、仓库、自动化、技能共享、工作树评论以及 Orca 内置浏览器。当用户提到 “$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” 或 “share skills” 时使用。当涉及 Orca 状态时，优先使用它，而非原始 git worktree、临时 PTY 或 Computer Use。仅当可见窗口需要 CLI、文件系统或 API 无法完成的 GUI 控制时，才使用 Computer Use。
使用 Outlines（dottxt.ai）从 LLM 生成保证有效的结构化输出，通过有限状态机约束 token 采样，支持 JSON schema、Pydantic 模型、正则表达式、选项列表以及整数/浮点数类型，并适用于 Transformers、llama.cpp、vLLM 和有限的 OpenAI 后端。当需要始终能解析为有效 JSON 或匹配正则表达式的输出时使用。当需要从本地模型提取类型化数据并填入 Pydantic 模型时使用。当需要将文本分类到固定类别集合时使用。当需要在 vLLM 或 Transformers 上运行批量结构化生成时使用。当需要在语法层面控制 token 采样时使用。不适用于需要自动重试的 API 模型（请使用 Instructor）。
通过启动多个专用 Agent 和一个验证 Agent 来执行以安全为重点的代码审查，以确保全面覆盖和准确的发现。当用户要求“perform-security-review”、“bitwarden-security-review”、“execute a security review”、“run a comprehensive security audit”、“perform an end-to-end security assessment”，或需要在代码、依赖项、密钥和配置之间协调多项安全检查时，使用此技能。该技能管理工作流，将任务委派给专用 Agent，并向用户呈现最终发现。
通过 manifest spec 和 ComponentRegistry 为 InferenceModel 配置预处理器、后处理器和 runner。适用于编辑 physicalai.inference.preprocessors 或 postprocessors、manifest 的 preprocessor/postprocessor 列表、instantiate_component、注册的类型名，或推理管道组件的 class_path init_args。
加载并校验从 Physical AI Studio 导出、用于 Runtime 部署的策略。适用于处理 InferenceModel、InferenceModel.from_pretrained、manifest.json、适配器自动检测（onnx、openvino）、backend/device kwargs、Hugging Face Hub 策略包，或 Studio 通过 physicalai export 生成的导出/加载契约中 Runtime 一侧。
在仿真 gym 中对训练好的 Physical AI Studio 策略进行基准测试，并报告成功率指标。适用于运行 physicalai benchmark、编辑 library/configs/benchmark 下的配置、在 physicalai.benchmark 中添加或修改 Benchmark 类、调整 rollout/episode/env 设置、录制 rollout 视频，或解读 results.json / results.csv。
处理基于 LeRobot 格式的 Physical AI Studio 数据集和 Lightning datamodule。适用于将 physicalai.data.lerobot.LeRobotDataModule 接入训练配置、选择 repo_id、在 physicalai 与 lerobot 数据布局之间转换、定义 observation Features/FeatureType、设置归一化，或调试批次形状和数据加载。
使用此 skill 为 Android 测试选择合适的测试替身——fake、mock、stub、spy、dummy 或 Robolectric shadow。收录 Google 的原话偏好顺序（"fakes ... are preferred"、"Fakes are preferred over stubs for simplicity"、"Fakes or mocks are therefore preferred over spies"），给出 Android 示例（内存中的 `FakeUserRepository`、`mockk<UserRepository>()`、`ShadowSystemClock`），并提供将意图映射到正确替身的决策矩阵。适用于用户询问 "fake or mock"、"should I use Mockito here"、"how do I replace this dependency in tests"、"what's the difference between a stub and a mock"、"spy vs mock"，或提到 `mockk`、`every { } returns`、`verify { }`、`org.mockito`、`argumentCaptor`、`Robolectric` shadow、`ShadowSystemClock` 或 `FakeRepository`。
模拟多角色 PRD/原型评审会，从产品、研发、测试、设计、运营、法务六大视角给出评审结论。当用户说"帮我评审一下这个 PRD"、"看看这个需求有没有问题"、"模拟评审会"、"review 一下这个文档"、"这个需求能不能过评审"、"帮我查漏补缺"时触发。也适用于：用户上传了 PRD、需求文档、原型截图、功能说明并要求检查；用户提到"评审"、"review"、"过会"、"需求评审"、"方案评审"等关键词；用户要求从研发或测试视角看需求是否可行。不适用于：写 PRD（用 pm-prd-writer）、纯代码审查（用 code-review）、纯设计走查（用 design-critique）。
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。