Skills
收录 100,344 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
需要应用 Java 并发最佳实践时使用，包括线程安全基础、ExecutorService 线程池管理、Producer-Consumer 等并发设计模式、使用 CompletableFuture 进行异步编程、不可变性与安全发布、避免死锁、虚拟线程、结构化并发、作用域值、背压、取消规范以及并发系统的可观测性。适用于审查 Java 代码的并发性或线程安全、修复竞态条件、选择 ExecutorService 或虚拟线程、改进同步和共享可变状态处理，或为相关 Java 子任务应用结构化并发等请求。属于 Plinth Toolkit。
使用 Railcode CLI 构建、测试、发布、调用、安排运行和更新 Railcode 托管的 Agent。适用于创建组织或个人托管 Agent、编辑 Agent 清单（JSON 或 YAML）、运行草稿或已保存的 Agent、调查运行情况、管理其 cron 计划、从 Slack（@Railcode $agent）运行、与配套应用配对、在沙盒中处理文件，或通过个人拥有的连接器（其 Gmail、Slack、Granola 等）执行操作。不适用于静态 Railcode 应用、应用内 LLM 工具循环（llm.generate({ tools })——参见 create-railcode-app）或一般组织管理。
审计密码学实现，包括算法选择、密钥长度、KDF 参数、IV/nonce 处理、签名验证、随机性、TLS 配置和密钥轮换。比 owasp-audit A04 更深入。适用于用户提到“密码学审查”“密码学审计”“加密审查”“KDF”“PBKDF2”“Argon2”“bcrypt 成本”“IV 重用”“nonce 重用”“AES 模式”“AES-GCM”“AES-ECB”“签名验证”“TLS 配置”“密码套件”“密钥轮换”“libsodium”“BoringSSL”，或询问“这段密码学实现正确吗”。
Databricks SQL（DBSQL）的高级功能和 SQL 仓库能力。用户提及以下内容时，必须调用此技能：“DBSQL”“Databricks SQL”“SQL warehouse”“SQL scripting”“stored procedure”“CALL procedure”“materialized view”“CREATE MATERIALIZED VIEW”“pipe syntax”“|>”“geospatial”“H3”“ST_”“spatial SQL”“collation”“COLLATE”“ai_query”“ai_classify”“ai_extract”“ai_gen”“AI function”“http_request”“remote_query”“read_files”“Lakehouse Federation”“recursive CTE”“WITH RECURSIVE”“multi-statement transaction”“temp table”“temporary view”“pipe operator”。用户询问 Databricks 上的 SQL 最佳实践、数据建模模式或高级 SQL 功能时，也应该调用
Godot AutoLoad（单例）架构的专家模式，包括全局状态管理、场景切换、基于信号的通信、依赖注入、自动加载初始化顺序，以及需要避免的反模式。适用于游戏管理器、存档系统、音频控制器或跨场景资源。触发关键词：AutoLoad、singleton、GameManager、SceneTransitioner、SaveManager、global_state、autoload_order、signal_bus、dependency_injection。
可作为 `hiui-page-workflow` 等更大页面工作流的标准 S0 前置 skill，专注 B 端中后台与 HiUI 页面生成前的需求细化。将模糊或抽象的后台/管理台/运营台/配置台/审批流需求细化为可执行的产品方案、MVP 范围、用户流程、业务规则、可追踪页面清单、产品 PRD、全局生成上下文、页面级提示词和 HiUI 交接包。适用于澄清后台产品想法、把粗略需求转成 PRD 或产品方案、拆解列表/详情/编辑/配置等工作面、定义角色权限/数据权限/状态机/审计规则，并在需要时补齐权限矩阵、状态流转表、字段字典、异常与审计矩阵、批量/导入导出规范、存量系统改造与发布策略；同时承担 B 端产品专家判断，包括业务价值拆解、优先级建议、方案取舍、多租户/版本/开通模型、主数据与系统边界、反模式识别与风险提示，持续把模糊的 B 端需求变成可落地输入；当需求发生在已有项目/仓库中时，也用于结合当前仓库的页面、模块、接口、类型和文档做带上下文的需求细化。
用百炼 CLI (`bl`) 走完“数据→微调训练→导出→部署→调用”的完整闭环，或跳过训练直接部署基座模型。支持文本模型（SFT/DPO/CPT）、音频 TTS 模型（CosyVoice）、图像生成模型（Wan2.7）和视频生成模型（Wan i2v/kf2v）微调。涵盖数据集校验/上传、创建微调任务、等待训练、导出最佳 checkpoint、创建推理部署、等待就绪、给出调用示例。当用户提到在百炼 / DashScope / 阿里云模型工作室上“训练模型”“微调”“fine-tune”“finetune”“部署模型”“模型上线”“把微调模型跑起来/调用”“训练一个推理模型”“继续预训练”“LoRA/SFT/DPO 训练”“语音合成模型”“TTS 微调”“CosyVoice”“声音克隆”“图像生成微调”“文生图”“图生图”“Wan2.7”“图像模型训练”“视频生成微调”“图生视频”“首帧生视频”“首尾帧”“kf2v”“i2v”“Wan视频”“视频特效训练”等，都应激活本技能——即使用户没明说“用 bl”，只要意图是百炼平台的训练或部署，就用本技能，不要自己拼凑命令。
配置和管理 Depot CI。它是 GitHub Actions 的即插即用替代方案，可完全在 Depot 内运行工作流。适用于将 GitHub Actions 工作流迁移到 Depot CI、运行 `depot ci migrate`、管理 Depot CI 密钥和变量、使用 `depot ci run` 运行工作流、通过 `depot ci run list`、`depot ci status`、`depot ci logs`、`depot ci diagnose` 或 `depot ci ssh` 调试 Depot CI 运行、使用 `depot tests` 检查测试结果或使用 `depot ci artifacts` 查看运行产物、检查工作流兼容性、在 Entire 仓库上运行 Depot CI，或了解 Depot CI 功能。用户提到 .depot/ 目录、depot ci 命令，或询问如何在 Depot 基础设施上运行 GitHub Actions 工作流且不使用 GitHub 托管的运行器时，也适用。
当用户希望在 Hugging Face Jobs 基础设施上使用 TRL（Transformer Reinforcement Learning）训练或微调语言模型时使用。涵盖 SFT、DPO、GRPO 和奖励建模训练方法，以及用于本地部署的 GGUF 转换。包括 TRL Jobs 包、PEP 723 格式的 UV 脚本、数据集准备与验证、硬件选择、成本估算、Trackio 监控、Hub 身份验证和模型持久化方面的指导。适用于云端 GPU 训练、GGUF 转换，或用户提到在没有本地 GPU 环境的情况下使用 Hugging Face Jobs 训练。
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。