Skills
收录 101,323 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
根据*已安装版本*查阅 Python 包的公共 API,并缓存值得保留的内容。按问题类型分为四种方式:(0)命中 `scratch/api/<lib>/<version>/` 下的缓存;(1)对符号使用 `inspect.signature` + `pydoc.render_doc`;(2)使用 `dir` / `pkgutil.iter_modules` 查看模块接口;(3)使用 WebSearch + WebFetch 查阅对应版本的文档以解答叙述性问题(“如何”“该选哪个”“X 在 Y 条件下返回什么?”)。绝不凭训练数据记忆写出符号——认得不等于查过。触发条件——满足任一项:- 即将在代码中写出某个符号(函数 / 类 / 方法 / 参数)。- 用户询问“X 的签名是什么?”“Y 模块中有什么?”“如何调用 X?”“A/B 应该用哪个?”。- 用户询问“X 在 <条件> 下返回什么?”(方式 3——见决策表)。- 其他工作流技能(`build-ml-pipeline`、`evaluate-ml-pipeline`、`iterate-from-skore`、`smoke-test-ml-pipeline`)要求“查阅 API 技能”。- 即将凭记忆采用某个库“显而易见”的用法。以下情况跳过:本轮刚读过的调用点已清楚显示签名;工作仅涉及文件系统 / shell(不涉及 Python 符号);`scratch/api/<lib>/<version>/<topic>.md` 缓存文件已解答问题(仍属于方式 0 查阅,只是不需要获取)。使用方法:先通过临时文件解析包版本(创建 `scratch/<ts>_version_<pkg>.py`,内容为 `import <pkg>; print(<pkg>.__version__)`,然后运行 `pixi run python scratch/<ts>_version_<pkg>.py`)。接着列出 `scratch/api/<lib>/<version>/`。然后根据“问题类型?”表选择方式。叙述性问题的查找结果需写回缓存。**所有 Python 执行都必须通过 `scratch/<ts>_*.py` 文件;无论代码多短,都禁止内联使用 `python -c`。**特定技术栈的指南位于 `references/stack_orientation.md`——按需加载。
为 GitHub 仓库端到端地创建发布版本:根据自上个标签以来的 Conventional Commits 确定下一个语义化版本,起草规范的发布说明(通过 `.github/release.yml` 使用 GitHub 自动生成,或按变更类型手动分类并附上重点及破坏性变更的升级说明),创建并推送带注释的标签,发布 GitHub Release,并可选择更新 `CHANGELOG.md`。用户说“cut a release”“tag a release”“publish a release”“ship vX.Y.Z”“bump the version”“what version should this be”“write the release notes”“draft the changelog”或调用 /release 时使用。与 /gh-bootstrap(一次性搭建 `.github/release.yml` 和发布工作流配置)不同,此技能负责实际发布流程:版本决策、说明、标签和发布。应在工作合并到默认分支后运行。
为代码仓库配置 .gitattributes、.editorconfig、.gitignore 和 Git LFS 过滤器:统一换行符,为 GitHub linguist 标记生成文件、供应商文件和文档路径,设置各语言的编辑器默认值,并合并来自 GitHub 模板的 .gitignore 内容。当用户说“添加 .gitattributes”“修复换行符”“CRLF”“linguist”“标记生成文件”“设置 .editorconfig”“gitignore 模板”“git lfs”或调用 /repo-attributes 时使用。不要用于 prek 或 pre-commit 钩子配置——请使用 /prek。GitHub 自定义属性(组织级元数据)不在范围内;此技能仅处理单个仓库的属性、编辑器和忽略文件。社区健康文件(README、LICENSE、CODE_OF_CONDUCT、CONTRIBUTING、SECURITY)归 /oss-hygiene 管理,而非此技能。
审计任何 SDK 文档站点,并生成带完整评分的可下载 HTML 报告。每当用户提供文档 URL 并要求审计、评审、分析、评分或检查 SDK 文档质量时使用本技能。以下表述也应触发:“审计 X 处的 SDK 文档”“检查 X 处的文档是否完整”“评审此 SDK 文档”“这些文档有多好”“对 X 运行 SDK 审计”,或任何用户粘贴 URL 并同时出现审计、评审、抓取、检查、分析、质量、完整性或缺口等词的情况。务必使用本技能——不要在未遵循此结构化抓取 → 分析 → 交叉引用 → 报告工作流的情况下尝试审计。
一体化发布流水线——提交未提交的工作、运行按变更门控的 lint 预检、撰写带日期的变更日志条目、组合 Conventional Commits 风格的 PR 标题、推送、创建或更新 PR、将关联的 Linear issue 移至 In Review,然后串联到 `triage-pr`(第 11 步),推动 PR 达到可合并状态。直到 triage-pr 达到终态(其第 13 步报告、其人工拦截信封,或记录的停止),或使用了带说明理由的 `--skip-triage` / `triage: false` 之前,本流程都不算完成。当被要求发布、send it、完成分支、创建或更新 PR,或收尾并推送时使用。是对 `commit`、`preflight`、`changelog`、`linear-sync`、`pr` 和 `triage-pr` 的轻量编排器;负责分支守卫、发布类型决策、PR 标题、推送和 PR。同时服务于 monorepo 和单包仓库。
万行以上 Excel 数据集的高性能分析引擎。提供 openpyxl read_only 流式读取(iter_rows 支持 10 万行以上)、Parquet 转换加速、内存优化、分块处理和大文件写入模式。**遇到以下任一情况就主动使用本 skill**:①数据行数 ≥ 10k(由 sn-da-excel-workflow 的行数评估步骤触发);②用户出现触发词:大文件 / 大数据量 / 性能优化 / 内存不足 / OOM / 百万行 / 十万行 / 流式读取 / Parquet / 分块处理 / large file / big data / streaming read / chunked processing;③直接使用 pd.read_excel() 导致超时或内存溢出;④用户明确要求对大规模数据集进行高性能处理。仅不用于:小于 10k 行的常规 Excel 分析(使用 sn-da-excel-workflow 即可)。
通过 MCP `fabric-sqlendpoint-execute_query` 工具,对 Fabric Data Warehouse、Lakehouse SQL Endpoints 和 Mirrored Databases 执行只读 T-SQL 查询。除非用户明确要求使用 PySpark 或 Spark DataFrames,否则这是所有 lakehouse 数据查询(行数统计、SELECT、筛选、聚合)的默认 skill。适用于用户希望:(1) 查询数据仓库/lakehouse 数据;(2) 统计行数或探索 lakehouse 表;(3) 查看架构/列;(4) 生成 T-SQL 脚本;(5) 监控 SQL 性能;(6) 将结果导出为 CSV/JSON。对于 Fabric notebook 单元格(%%sql 或其他 notebook magics),请使用 `spark-authoring-cli`,而不是此 skill。触发词:“warehouse”“SQL query”“T-SQL”“query warehouse”“show warehouse tables”“show lakehouse tables”“query lakehouse”“lakehouse table”“how many rows”“count rows”“SQL endpoint”“describe warehouse schema”“generate T-SQL script”“warehouse performance”“export SQL data”“connect to warehouse”“lakehouse data”“explore lakehouse”。
当用户说“为这项任务拟定简报”、“妥善界定范围”、“你需要我提供什么”、“改进我的提示词”、“帮我获得更好的输出”、“把它改成可重复使用的提示词”、“给同事使用的提示词”,或仅用一句话提出一项重大任务(多步骤、多文档,或成果将供他人阅读)时使用。开始重大工作前先编写任务简报:明确目标,并设定可检查的“完成标准”,说明背景、约束(自动纳入长期规则)和工具;与用户确认后再执行。可重复使用的提示词模式会将简报整理为结构化提示词,以供重复使用,而不是直接执行任务。最多提出 2–3 个澄清问题,且仅在答案会影响输出时提出;否则在简报中注明假设并继续。不适用于快速的一步请求——直接作答。
孟德尔随机化(MR)因果推断——某个暴露、风险因素或生物标志物是否 CAUSALLY 影响某种疾病/结局,使用遗传变异作为工具变量(IEU OpenGWAS / EpiGraphDB MR-EvE)。当用户询问 X 是否导致 Y、某个观察性关联究竟是因果还是仅为相关、某个生物标志物/性状是否为因果风险因素、想要将流行病学与遗传学证据进行三角验证,或提到孟德尔随机化、工具变量分析、两样本 MR 或遗传因果证据时使用本技能——即使用户从未说"MR"(例如"LDL 胆固醇对心脏病是否真的具有因果作用?"、"BMI 是导致 2 型糖尿病还是仅仅相关?"、"CRP 是中风的原因驱动因素吗?")。涵盖性状标签解析、MR 效应方向/幅度、工具质量(MOE 评分)、方法一致性(IVW 与 MR-Egger 与加权中位数)、用于反向因果的双向 MR,以及区分因果与遗传相关。不适用于普通 GWAS 关联查询(使用 GWAS 技能)或从原始汇总统计中自行拟合工具变量。
组件和应用界面的核心 UI 模式:设计令牌、视觉层级、交互状态、表单、导航、反馈状态、无障碍和响应式规则。当用户要求"设计一个 UI"、"构建一个组件"、"创建一个界面"、"为表单设置样式"、"让它看起来更好"、"改进设计"、"添加悬停状态"、"让它易于访问"或任何通用 UI 工作时使用。这是其他 UI 技能所基于的基础;整页营销页面请优先用 landing-page-design,仅首屏区块用 hero-section,卡片用 card-design,数据密集的管理视图用 dashboard-design,触控优先的界面用 mobile-ui-design,主题化用 dark-mode,HTML 电子邮件用 email-design。
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。
