Loading...
Loading...
共找到 115 个 Skills
Mechanize模式15——针对学术手稿的七轮对抗式评审协议。可并行生成7个分支子Agent（分别负责摘要、引言、方法、结果、稳健性、文风、参考文献），随后生成一份按优先级排序的修订清单。适用于已准备好提交或处于修改再审（R&R）阶段、单轮评审不足以覆盖需求的论文。
使用专业Agent进行规划、编码、研究、数学/科学计算、视觉分析和对抗性评审的多模型Agent编排方案。适用于复杂任务（可借助不同模型的优势完成）、需要对抗性评审来发现盲点，或需要跨Agent角色协调多步骤工作流的场景。在处理复杂项目、多步骤任务、架构决策，或用户明确要求时触发。
一种混合模式，系统在执行关键操作前会暂停运行，请求人工批准、输入或消除歧义。当用户要求“添加人工批准”“需要人工审核”“human-in-the-loop”，或提及审批工作流、人工监督或升级处理时适用。
会话交接功能：将对话压缩为新Agent可接续的文档，或从已保存的交接文档恢复上下文。触发方式：/handoff 命令、保存会话上下文、交接给新Agent、从交接文件恢复。参数：--resume <路径>、--path <路径>，以及一个用于指定重点的位置参数。
将插件知识库更新应用到已生成的系统中。参考Ars Contexta研究图谱改进方法论，并结合研究依据提出Skill升级建议。绝不会自动执行升级。可通过"/upgrade"、"upgrade skills"、"check for improvements"、"update methodology"触发该功能。
为Agent驱动开发编写、重写或规范化结构化的`*.spec.md`规范文件。当用户需要规范文档、需求说明、验收标准、可直接用于开发的文档、编码前的功能定义，或是希望将现有想法/代码库转化为可执行的规范文档时，即使未明确提及“spec”，也可使用本工具。
精选的Claude Skills、资源和工具列表，用于定制Claude AI工作流和智能体编码
面向AI Agent的Wren Engine CLI工作流指南。使用wren CLI端到端解答数据问题：收集Schema上下文、召回历史查询、通过MDL语义层编写SQL、执行查询，并从已确认的结果中学习。适用场景：用户提出数据问题、请求生成报告或分析、询问指标、收入、客户、订单、趋势或任何业务数据；用户使用“有多少”“展示给我”“什么是”“前N个”“对比”“趋势”“增长”“细分”等表述；用户想要探索、分析、过滤、聚合或汇总数据库中的数据；Agent需要查询数据、连接数据源、处理错误或通过wren CLI管理MDL变更。
当用户请求“修复我的skill”或“审核这个skill”时，应当使用本skill。只要用户提及skill质量、结构问题、skill故障或skill诊断相关内容，即便没有明确说出“repair-skill”，也要使用本skill。本skill不用于添加功能或提升效率——这类需求请使用improve-skill。也不用于Agent相关修复——这类需求请使用repair-agent。
研究如何独立实现某个阶段，可在规划前调研实现方案，或在规划完成后重新开展研究。触发词包括"research phase"、"investigate phase"、"how to implement"、"research implementation"和"phase research"。
网页调研、内容提取与深度分析。支持多源并行搜索及拓展思考，提供Fabric模式选择（含242+个提示词）。适用场景：“调研X”、“从...提取知识”、“分析此内容”、“查找关于...的信息”。
学习如何在AMCP中管理对话上下文，避免因超出上下文窗口而导致LLM API错误。本技能涵盖SmartCompactor策略、token估算、配置方法及最佳实践。