下载

Skill UI

浏览并发现 9688+ 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

搜索框架选择，共找到 25 条记录

默认排序最新上传最多下载

综合代码技能与规则安装向导

affaan-m/everything-claude-code

这是一个交互式的、分步向导，用于配置和安装“Everything Claude Code (ECC)”框架。它帮助用户选择和安装覆盖各种语言（如Python, Java, Go）和框架（如Django, Spring Boot）的开发技能及标准规则集。使用该工具可以确保开发环境的配置准确性，并完成项目级别的优化和验证。

安全生产部署原则

deployment-procedures

sickn33/antigravity-awesome-skills

本技能提供一套完整的生产环境部署原则和决策框架。它强调的是“思维模式”而非“脚本记忆”。内容涵盖了从平台选择、预部署（如代码质量、环境校验）到全流程的五个阶段（准备、备份、部署、验证、确认/回滚）。此外，还深入讲解了蓝绿、金丝雀部署等高级策略，以及关键的故障回滚和应急处理流程，确保每一次发布都是安全可控的。

系统架构设计助手

designing-architecture

CloudAI-X/claude-workflow-v2

通过检查清单、模式指南和决策框架，辅助工程师在进行系统设计、项目结构或架构选择时明确思路与权衡。

测试策略蓝图

designing-tests

CloudAI-X/claude-workflow-v2

为新增单元、集成或端到端测试提供指南，包含框架选择、数据/模拟管理和覆盖率与验证流程，助力构建均衡可靠的测试策略。

智能体系统评估框架

sickn33/antigravity-awesome-skills

该技能用于构建复杂的智能体系统评估框架。它解决了智能体系统非确定性和多路径决策的难题，指导用户进行系统性性能测试，用于验证上下文工程的选择，并衡量跨多个质量维度（如事实准确性、工具效率）的持续改进。

爬虫迁移：从 Puppeteer 到 Firecrawl

firecrawl-migration-deep-dive

jeremylongshore/claude-code-plugins-plus-skills

本指南提供了一个完整的框架，用于将传统的、依赖浏览器或CSS选择器的爬虫代码（如Puppeteer, Playwright）迁移到Firecrawl API。它展示了如何简化爬取流程，实现单页抓取、使用LLM进行结构化数据提取，以及复杂的全站爬取，从而彻底摆脱复杂的浏览器管理和反爬虫机制。

Guidance 约束生成框架

Orchestra-Research/AI-Research-SKILLs

Guidance 通过正则、语法、选择约束等机制控制大模型输出，确保生成合法 JSON/XML/代码，规范日期邮件等格式，自动修复 Token 边界，并用 Python 式上下文管理构建多步工作流。

KPI仪表板设计指南

kpi-dashboard-design

sickn33/antigravity-awesome-skills

本指南提供了一套全面的KPI仪表板设计模式和最佳实践，旨在帮助用户构建高影响力的关键绩效指标看板。内容涵盖了从战略、战术到运营的KPI框架搭建，以及针对销售、市场、产品和财务等部门的专业指标选择，帮助用户将原始数据转化为可操作的业务洞察，支持高层决策。

快照测试管理

managing-snapshot-tests

jeremylongshore/claude-code-plugins-plus-skills

通过分析失败快照、区别有意变更与回归，并选择性更新受影响的文件，从而维护 Jest、Vitest、Playwright 和 Storybook 等框架的快照测试，提升测试套件准确性。

Metasploit 渗透测试流程

metasploit-framework

sickn33/antigravity-awesome-skills

为授权安全评估者梳理 Metasploit 框架的完整流程，涵盖控制台操作、模块搜索、漏洞利用配置、载荷选择与后渗透证据收集，让渗透测试部署更系统化。

Mistral AI成本优化管理

mistral-cost-tuning

jeremylongshore/claude-code-plugins-plus-skills

本工具提供了一套完整的Mistral AI API成本管理框架。它集成了基于Token的成本计算器，实现了根据任务复杂度智能选择模型（Model Router），并内置了每日/每月预算监控和告警系统。此外，还能通过提示词优化来减少API消耗，适用于构建成本可控、大规模的AI应用。

结构化文本解析：正则与LLM决策框架

regex-vs-llm-structured-text

affaan-m/everything-claude-code

这是一个实用的决策框架，指导用户在结构化文本（如表格、试题、发票）解析时，选择使用正则表达式还是大型语言模型（LLM）。核心思路是：利用低成本、确定性的正则匹配处理大部分（95-98%）的常见模式，并引入置信度评分机制，只在遇到低置信度的边界案例时，才调用昂贵的LLM进行二次校验，从而实现成本和精度的最佳平衡。

语言