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 31 个，后续按上游更新持续补充。
把模糊需求变成可执行的开发计划
在写代码前明确范围、文件改动、依赖关系和验证方式。
给代码仓库写一份有效的 AGENTS.md
把构建命令、代码约定和安全边界写成智能体可执行的仓库说明。
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。
快速看懂一个陌生代码仓库
识别技术栈、入口、数据流和关键边界，形成仓库地图。
让 AI 辅助做代码安全审查
从输入到危险操作追踪数据流，并验证每个安全发现。
为新成员生成代码仓库上手指南
把环境搭建、项目地图和第一个任务整理成可验证的入门路径。
基于源码回答项目问题
用文件证据解释系统行为，明确区分事实和推断。
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。
发现前后端 API 契约漂移
在合并前找出字段、参数、状态码和客户端使用方式的不兼容变化。
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。
写清晰的 Conventional Commit
从真实 diff 提炼类型、范围、意图和破坏性变更。
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。
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。
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。
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。
从版本差异生成迁移指令
比较新旧实现，为后续代码修改提炼一致、可执行的迁移规则。
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。
做一个真正能用的小工具
不会写代码也能完成需求梳理、开发、调试和上线。