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
使用内置的 Python 转换器,根据 schema 映射配置文件,将 NetBox 设备类型和模块类型定义(netbox-community devicetype-library 格式,也通过 NetBox Data Exchange / NDX 发布)转换为 Infrahub 对象模板,并输出为 Infrahub 对象 YAML。触发场景:导入 NetBox 设备类型或模块类型;从运行中的 NetBox 实例导出设备类型;根据供应商设备型号构建对象模板;将 NetBox 模块类型中的线卡 / PSU / 收发器转换为 Template* 对象;更改映射配置文件后重新转换;排查转换错误或失败。不要在以下场景触发:导入 CSV/TSV 数据(使用 infrahub-importing-data);从头编写 schema(使用 infrahub-managing-schemas);编写普通对象数据文件(使用 infrahub-managing-objects);或与运行中的 NetBox 设置持续双向复制(这属于独立产品 infrahub-sync;一次性导出设备类型属于此技能的范围)。
通过**读取审计摘要** `scratch/audit/<stem>/audit.md`(由 `audit-ml-pipeline` 在 § 4 record-outcome 生成)来获取下一个 ML 实验提案。对于摘要中 `## Checks summary` 里 `severity` 为 `issue` 或 `tip` 的每一行,跟随该行的 `documentation_url` 起草一条 Backlog 行,其 `Item` 为文档推荐的缓解措施。`## Metrics summary` 为人类可读的摘要段落提供上下文,但其本身不驱动 Backlog 行。将充实后的 Backlog 行 + 一段摘要返回给 `iterate-ml-experiment`,由后者将这些行写入 `JOURNAL.md` 并重新展示取材菜单,以便用户提升某条 `B<N>` 行。停在“Backlog enriched, summary returned”;绝不写逐实验的设计说明,绝不挑选“获胜”的发现——用户通过 `B<N>` 挑选。触发条件:`iterate-ml-experiment` 正在挑选取材策略且用户从菜单中选择了 `skore`;用户说“mine the report”、“what does skore see?”、“fill the backlog from the diagnostic”;上一个实验已完成且用户希望把报告转化为可执行的 backlog 条目。跳过条件:上一个实验尚未运行(磁盘上没有审计摘要);用户已有具体的建模想法(使用 `iterate-from-user`);任务是运行/打开报告的*机制*——转交 `evaluate-ml-pipeline`;用户想要对报告中某一特定小节做叙述性阅读(转交 `evaluate-ml-pipeline`)。使用方法:将现有的 `scratch/audit/<stem>/audit.md` 摘要作为文本读取——不要重新打开 skore Project,不要调用 `report.*` 访问器。对 `## Checks summary` 小节中 severity 为 `issue` 或 `tip` 的每一行,跟随 `documentation_url`(通过 WebFetch)并起草一条 Backlog 行,引用 `audit:<stem>:checks.<code>`。按来源引用对 `JOURNAL.md` Backlog 中已有的行去重。返回候选行 + 一段人类可读摘要。父技能将这些行写入 `JOURNAL.md` 并重新展示取材菜单。
通过 `AskUserQuestion` 选定的三种入口之一从用户处获取下一个 ML 实验提案:(a) Agent 必须阅读并综合的科学文章 URL,(b) 资源链接或路径(GitHub issue / 规范文件 / 参考仓库),或 (c) 用户直接输入的纯文本。在每个分支中,Agent 阅读来源、综合其对要实现内容的理解,并在返回 Proposal 块*之前*与用户确认。将确认后的 Proposal 交回 `iterate-ml-experiment`,由后者写入 `journal/NN_short_name.md` 并寻求用户的设计说明批准。停在“Proposal returned, user-confirmed”;绝不写设计说明,绝不撰写验收标准。触发条件:`iterate-ml-experiment` 正在挑选取材策略且用户从菜单中选择了 `user`;用户主动提出具体想法(“I want to try X”);用户粘贴或链接一篇科学文章、GitHub issue、规范文件或参考仓库并要求我们阅读。跳过条件:用户想挖掘上一份报告(使用 `iterate-from-skore`);用户要求符号查找或流水线机制(使用 `python-api` 技能);工作是对单份报告的评估机制(转交 `evaluate-ml-pipeline`)。使用方法:以一次 `AskUserQuestion` 开场询问入口——article-link / resource-link / free-text。在每个分支中:用合适的工具(`WebFetch`、`gh issue view`、`Read`)收集来源材料,把你的理解综合成三个塑形问题,并在返回 Proposal 之前**通过纯文本与用户确认**(一两句话:“you'd like to implement X by changing src/<pkg>/<file>.py — right?”)。不要写任何设计说明。不要撰写验收标准。
LinkedIn 帖子写作,涵盖钩子公式、格式规则和互动模式。包含帖子类型、算法信号、字数限制和内容支柱。适用:LinkedIn 帖子、专业内容、思想领导力、B2B 内容、个人品牌。触发词:linkedin post、linkedin content、linkedin writing、linkedin strategy、linkedin engagement、linkedin algorithm、linkedin hook、linkedin formatting、thought leadership、professional content、b2b content、linkedin growth
在 Muapi(api.muapi.ai)上运行 Claude Code 或 Codex CLI,使用 Muapi 额度,无需单独的供应商账户。用户希望本地编码 Agent 使用 Muapi 作为模型提供方、询问哪些 Muapi 模型适用于 Claude Code 或 Codex,或需要任一 Agent 的基础 URL、API 密钥变量、提供方配置块或模型名称时使用。涵盖 Claude Code(Anthropic Messages)和 Codex CLI(OpenAI Responses)、模型发现、验证和故障排查。
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。
