软件下载帮助文档新闻资讯

Skill UI

浏览并发现 15857+ 精选技能

全部编程开发人工智能设计创意产品商业数据科学市场营销职场通用效率工具硬件工程语言学习

搜索 Optional ，共找到 47 条记录

默认排序最新上传最多下载

继承遗留代码风格分析器

inherit-legacy-style

本技能用于分析遗留代码库，检测跨四大元架构维度（文件结构、状态流、基础设施、错误处理）的隐式编码规范。它通过与用户逐一解决风格冲突，生成结构化的规则文件（.ai-style-rules.md）。用户还可以选择安装持久化钩子，确保后续AI生成的代码风格符合项目原有习惯，避免风格漂移。

Java开发编码规范指南

java-coding-standards

本指南详细介绍了为Spring Boot服务编写高质量、高可维护性Java代码的最佳实践。内容涵盖了命名规范、优先使用不可变性设计、Optional的使用、流式API最佳实践以及项目结构的最佳实践，旨在确保代码清晰易懂。

CAV论文补充材料结构指南

cav-supplementary

brycewang-stanford/Awesome-Journal-Skills

本指南详细介绍了CAV论文补充材料的组织结构。核心原则是：必须将决定性的、关键的论点和主定理保留在正文，而将完整的证明、巨型表格等细节内容移至可选的附录或附件，确保审稿人仅阅读正文就能判断论文的有效性和创新性。

理论论文证明可验证性指南

icalp-reproducibility

brycewang-stanford/Awesome-Journal-Skills

本指南旨在指导作者提升理论计算机科学论文的证明可验证性。由于缺乏系统产物评估，可复现性核心在于让审稿人能独立验证所有证明步骤。关键要求包括：撰写自包含的完整证明；提供可验证的计算证书；确保提交与公开版本的统一性；以及可选地使用Coq/Lean等工具进行形式化验证。

学术论文投稿结构化指南

kdd-supplementary

brycewang-stanford/Awesome-Journal-Skills

本指南详细阐述了如何在大型会议投稿的三个组成部分（核心内容页、可选附录和引用仓库）中有效分配内容。它提供了内容分级和结构优化的最佳实践，确保只有关键证据和可供审稿人评分的核心主张位于有限的篇幅内，而详细的支撑材料则应被妥善迁移至附录或仓库。

PODC论文：证明与模型严谨性指南

podc-artifact-evaluation

brycewang-stanford/Awesome-Journal-Skills

本指南为准备投稿至PODC（纯粹的基于证明的会议）的作者提供关键指导。它纠正了作者误认为需要提供可运行代码或徽章的错误认知，而是指导作者将精力集中于提升定理的证明完整性、模型假设的严谨性以及模拟结果的透明度，确保论文的学术严密性。

会议论文补充材料撰写指南

sosp-supplementary

brycewang-stanford/Awesome-Journal-Skills

本指南为作者提供了顶级技术会议的投稿最佳实践。它明确区分了核心、审稿至关重要的论点（必须独立存在于主论文中）和支持性证据（如形式证明、额外数据分析或方法细节），后者适合放入可选的补充材料。同时，它还涵盖了匿名化处理的最佳实践，指导您正确区分不同类型的提交材料。

安全研究成果物提交与评估指南

usenixsec-artifact-evaluation

brycewang-stanford/Awesome-Journal-Skills

这是一份详细的指南，介绍了学术安全会议（如USENIX Security）的成果物提交和评估流程。它涵盖了强制性的可用性检查和可选的功能/可复现性验证。旨在指导研究人员如何安全、完整地构建和提交代码、数据集和实验，确保成果物可供评估者运行和验证。

WACV论文回复与修改指南

wacv-author-response

brycewang-stanford/Awesome-Journal-Skills

本指南针对投稿WACV的作者，详细介绍了在不同评审阶段（Round 1反驳和Revise-and-Resubmit修改总结）所需的书面材料。它指导作者如何根据评审意见撰写有效回复，强调了文档的战略重点、保持匿名性以及精确记录所有修改。

WACV会议投稿全流程管理

brycewang-stanford/Awesome-Journal-Skills

本指南详细介绍了WACV会议从投稿到最终发表的全周期工作流程。由于WACV采用两轮评审制，该流程图重点强调了从第一轮评审、可选的回复、修改与重投（R&R）、第二轮修改到最终定稿的复杂分支路径，是单周期规划难以覆盖的关键环节。

OpenMed设备端本地部署指南

running-openmed-ondevice

maziyarpanahi/openmed

本指南详细介绍了如何在本地设备端部署OpenMed模型，以确保最高级别的隐私保护。它涵盖了使用三种后端（MLX用于Apple Silicon，CoreML用于iOS/macOS，ONNX/WebGPU用于跨平台/浏览器）的工作流。部署流程包括模型转换、可选的量化处理和本地运行，保证受保护的健康信息（PHI）不会离开设备。

上一页 1 2 34

语言