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
提供 Azure AI Vision 开发方面的专业知识,包括决策、限制和配额、配置、集成、编码模式及部署。适用于使用 Image Analysis、Read OCR 容器、智能裁剪缩略图、背景移除或视频帧分析,以及其他 Azure AI Vision 开发任务。不适用于 Azure AI Custom Vision(请使用 azure-custom-vision)、Azure AI Video Indexer(请使用 azure-video-indexer)、Azure AI Document Intelligence(请使用 azure-document-intelligence)或 Azure AI Immersive Reader(请使用 azure-immersive-reader)。
在 PostHog AI 可观测性中创建持续运行的在线评估,并以已识别的真实故障模式为依据。当用户希望自动为后续生成内容或完整轨迹评分时使用,例如“创建一个评估来捕获 X”“持续检查响应是否执行 Y”“把这些故障转成评估”,或在查看轨迹后发现反复出现的故障。涵盖:根据已探索的数据决定创建多少个评估并提供选项供用户选择;选择目标和评估类型(hog / llm_judge / sentiment);配置 llm_judge 的提供商和模型;通过条件限定触发评估的生成内容;先以禁用状态创建、验证范围、启用,并回填历史数据。如果没有值得捕捉的故障模式,则建议 sentiment 评估。发现并排列值得评估的故障模式属于独立任务——先使用 exploring-ai-failures。调试或管理现有评估时,使用 exploring-llm-evaluations。
对现有文档进行对抗式审查,包括故事、计划、验收标准、规范或设计稿,以找出缺失状态、未处理的边缘情况、未声明的假设、无法验证的标准,以及仍然过于宽泛或横向的切片。通过交互逐次提问,并将每个回答写回文档,作为新的验收标准、计划更新或设计稿状态规范。当文档需要在规划或编码前进一步完善时使用(“还缺什么?”、“挑挑这里的问题”、“把这个完善一下”)。需要有可供检查的文档;如果还没有文档,只有模糊的决策树,请使用 specification 或已安装的 grill-me skill;如需拆分过大的工作,请参阅 story-splitting。
为独立创始人系统地建设反向链接。涵盖按 GEO + SEO 投资回报率排序的 5 类渠道:Wikipedia(实体)、权威媒体(公关)、行业评论(G2/Capterra/Product Hunt)、Reddit/Quora 讨论,以及 HARO/Featured.com 专家引述。适用于域名权威度成为瓶颈的从 0 到 1 网站。符合 2026 年 Google/Bing GEO 指引:反向链接是 AI 搜索引擎用于决定引用内容的最强品牌权威信号。默认面向开发者/B2B 链接来源;2C 产品(教育、消费者应用)的权威链接有所不同,参见 gingiris-seo-geo/references/2c-adaptation.md。
通过 jinko-sdk 构建或编辑 Jinkō 计算模型(QSP/PK-PD):参数、分类参数、区室、物种、ODE、反应、给药事件、代数规则、基线检查、求解选项、单位和组件标签。每当用户想从头创建模型、创建空模型、编辑现有模型、添加或修改组件、应用输入/来源/输出标签、配置单位检查、定义模型级给药事件、合并两个模型并解决冲突、验证诊断结果,或调试模型合理性或 simple_solve 错误时,都使用此技能。优先编辑现有模型,而不是重新创建。此技能不用于运行试验;试验执行请使用 jinko-trial。
通过 jinko-sdk 为 Jinkō 的 in-silico 试验创建、合理性检查、运行、轮询、下载结果并计算绘图数据。当用户想基于计算模型和简单输出集搭建试验,可选地附加 vpop、方案、数据表或高级评分输出集,启动试验、等待完成、查看已完成的试验、将 TimeSeries 和 Scalar 结果下载为 pandas DataFrame,或获取计算好的绘图数据(标量分布、时间序列分位带、生存曲线、贡献/龙卷风分析、逐患者散点值),并按描述符过滤或分组以自行绘图时,请使用本技能。不要用本技能编辑模型、创建 vpop、撰写方案设计、上传数据表、创建/编辑输出集,或配置已保存的 TrialVisualization。
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。
