Claude Code
围绕 Agent Skills、CLAUDE.md、Hooks、Subagents 和 MCP 构建可复用的开发工作流。
查看官方/上游仓库技能必须能够追溯到原始仓库，并展示作者、许可证和参考日期。工具兼容性以当前上游说明为准。
相关技能
当前收录 37 个，后续按上游更新持续补充。
系统完成一次文献综述
从研究问题、检索式到证据矩阵，形成可追溯的综述。
写一篇证据可追溯的科学报告
把证据核查、正文写作和最终审批分开进行。
对论文做一次建设性同行评审
从研究问题、方法和证据出发，给出公平可行动的意见。
为数据选择正确的统计分析方法
先检查研究设计和假设条件，再选择检验并报告效应量。
设计可落地的 AI Agent 架构
从任务边界、工具、状态和失败恢复出发设计智能体系统。
建立 AI Agent 治理清单
为智能体定义所有者、权限、风险分级和上线门槛。
给 Agent 建立可靠的评测集
用真实任务、轨迹和失败类型衡量智能体是否真的变好。
审查提示词的安全与偏见风险
系统检查提示词注入、越权、隐私、偏见和不可靠输出。
生成项目架构蓝图
从真实代码识别技术栈、模块边界、数据流和扩展模式。
把模糊 Bug 变成最小复现
先固定环境、证据和触发条件，再进入修复。
为陌生代码库制作导览
沿一次真实业务流程解释入口、调用链、状态与扩展点。
写清晰的 Conventional Commit
从真实 diff 提炼类型、范围、意图和破坏性变更。
记录关键架构决策 ADR
保存背景、备选方案、权衡和后果，避免团队反复争论。
从真实项目生成 README
用已验证的命令和项目事实帮助用户快速运行与贡献。
编写适合编码 Agent 执行的规格
把需求转换为边界明确、可验收、少歧义的实现规格。
审计代码与文档是否脱节
以只读方式比较实现和文档，找出过期、缺失或互相矛盾的说明。
用评测驱动 AI 功能开发
先定义行为样例和评分方式，再迭代提示词、模型与工具。
避免千篇一律的 AI 风格界面
用产品语境、设计约束和完整状态提升界面的辨识度与完成度。
让编码 Agent 生成可编辑 Draw.io 图
从需求选择图型、规划布局并生成可继续编辑的图表文件。
为复杂任务组装最小技能栈
查找、评估并组合能覆盖端到端目标的最小 Agent Skills 集合。
审查 Agent 技能供应链
检查技能、MCP、脚本和依赖进入智能体环境后的供应链风险。
组织轻量 AI 开发团队
用不同角色协作完成规划、实现、审查与上下文交接。
运行可度量的自动实验循环
让编码 Agent 持续尝试、测量并只保留真正改善指标的改动。
从架构与 IaC 中发现 AWS 成本优化点
结合资源配置和使用方式查找闲置、过配与计费结构问题。
为分布式系统选择云设计模式
从可靠性、性能、消息、安全和部署需求选择合适模式。
用代码记忆图谱探索大型仓库
通过符号、调用、依赖和数据流关系快速建立代码库认知。
创建限时技术调研 Spike
在实现前用有限时间消除关键技术不确定性。
系统诊断 AI 工作流
从提示词、上下文、工具、架构和安全五个维度定位质量问题。
用 Go 构建 MCP Server
基于官方 Go SDK 生成结构清晰、可测试的 MCP 服务。
可靠接入第三方 API
先核实 SDK 与端点能力，再实现认证、错误处理和可观察性。
对代码库进行安全审查
沿真实数据流检查注入、认证授权、密钥、依赖和业务逻辑风险。
系统审查网站视觉与响应式问题
通过真实页面检查布局、层级、一致性、移动端和无障碍。
用 Playwright 测试本地 Web 应用
验证关键交互、排查前端错误并保存截图和浏览器日志。
把 PDF 转成适合 AI 分析的 Markdown
先保留文档结构与页码线索，再进行搜索、总结或信息提取。
把 Excel 转成可审阅的 Markdown
保留工作表、字段和关键数据范围，方便 AI 准确阅读与比较。
把 Word 文档转成结构化 Markdown
保留标题、列表、表格和批注线索，为后续审阅与改写提供干净文本。
用 ImageMagick 批量处理图片
完成尺寸、格式、压缩、裁剪和元数据查看等可重复操作。