Neue Skills

design-taste-frontend ist ein Anti-Slop-Frontend-Skill für Landingpages, Portfolios, Editorial-Seiten und Redesigns. Er hilft einem Agenten, das Briefing zu lesen, die richtige visuelle Richtung abzuleiten und Interfaces zu liefern, die bewusst gestaltet statt schablonenhaft wirken. Besonders geeignet für Frontend-Entwicklung, wenn Designgespür, Hierarchie und Markenfit entscheidend sind.

design-taste-frontend-v1 ist die ursprüngliche Taste-Skill für anspruchsvolle Frontend-Arbeit und wird zur exakten Rückwärtskompatibilität beibehalten. Sie hilft dabei, React-/Next.js-orientierten UI-Code mit klareren Designentscheidungen, Dependency-Prüfungen und praktischen Leitplanken zu erzeugen. Verwenden Sie diese design-taste-frontend-v1 Skill, wenn Sie das ältere Verhalten statt des experimentellen v2-Rewrites benötigen.

create-skill-test erstellt Gerüstdateien vom Typ `eval.yaml` für Agent-Skills in `dotnet/skills`. Verwende es, um Skill-Tests anzulegen, Szenarien, Fixtures, Assertions und Rubrics zu definieren und Overfitting im Evaluationsdesign zu reduzieren. Es ist nicht dafür gedacht, vorhandene Tests auszuführen, Validator-Fehler zu debuggen oder `SKILL.md`-Dateien zu erstellen.

create-skill ist ein Scaffold-Generator für neue Agent-Skills im Stil von dotnet/skills. Verwende ihn, um einen gültigen Skill-Ordner anzulegen, `SKILL.md` mit Frontmatter zu erzeugen und den Repository-Konventionen für Skill-Scaffolding zu folgen. Er eignet sich vor allem für neue Skills, nicht für die Bearbeitung bestehender.

create-custom-agent hilft dir, eigene VS Code-Agentendateien (.agent.md) für spezialisierte KI-Personas mit Tools, Anweisungen und Übergaben zu erstellen. Nutze es, um neue Agents zu strukturieren, Tool-Grenzen festzulegen und Agent-zu-Agent-Workflows für Skill Authoring zu definieren.

write ist ein Editing-Skill, mit dem sich chinesische oder englische Prosa so umschreiben lässt, dass sie natürlicher, klarer und weniger nach KI klingt, ohne die ursprüngliche Bedeutung zu verändern. Er eignet sich für Entwürfe, Dokus, Release Notes, Launch-Copy, Social Posts und die Bereinigung von technischem Schreiben mit write. Nutze ihn, wenn du bereits Text hast und ihn präziser, zielgruppenbewusster und lesbarer machen willst – nicht, wenn du Ideen von Grund auf neu entwickeln möchtest.

think ist eine Skill für Entscheidungsunterstützung, die grobe Ideen in freigegebene, entscheidungsreife Pläne verwandelt, bevor Code geschrieben wird. Nutze sie für Feature-Design, Architekturentscheidungen, Trade-off-Analysen und Fragestellungen wie „Sollen wir das überhaupt umsetzen?“, bei denen es um Urteilsvermögen geht, nicht um Implementierung. Sie passt zu think für Decision Support, think guide und think usage in repo-first Workflows.

Die read skill ruft URLs und PDFs als sauberes Markdown ab – zum Lesen, Zitieren, Belegen und für nachgelagerte Arbeit. Sie ist für den Abruf auf Paywall-Seiten, JS-lastigen Websites, X/Twitter, GitHub-Dateien, chinesischen Plattformen und Workflow-Automation-Flows ausgelegt, die vor der Analyse verlässlichen Quelltext brauchen. Nutze den read-Leitfaden, wenn du Quellinhalt erfassen willst, nicht Kommentar.

Learn ist ein Research-Skill, der unbekannte Themen, Quellensammlungen und gesammelte Notizen in ein stimmiges, veröffentlichungsreifes Ergebnis überführt. Er hilft bei Deep Dives, der Zusammenstellung von Quellen, Erklärungen und strukturierter Synthese für Web-Recherche und andere Aufgaben mit mehreren Quellen. Am besten geeignet, wenn Sie aus vielen Inputs eine belastbare Referenz brauchen und keine schnelle Einzelsuche.

hunt ist ein Debugging-first-Skill, der dazu zwingt, zuerst die Ursache zu klären, bevor irgendein Fix umgesetzt wird. Nutze ihn bei Fehlern, Abstürzen, Regressionen, fehlgeschlagenen Tests, Problemen mit veralteten Caches, Screenshot-Bugs und Fällen, in denen "es früher funktioniert hat". Er hilft dir, eine prüfbare Hypothese zu finden, Belege zu sammeln und Raten zu vermeiden. Nicht für Code-Reviews oder neue Features.

health führt ein budgetbewusstes Agent-Health-Audit für Codex, Claude Code, Pi, Agent-Anweisungen, Hooks/MCP, Verifier-Oberflächen und KI-Wartbarkeit durch. Verwende die health-Skill, um zu prüfen, warum ein Agent Anweisungen ignoriert, Validierungen übersieht oder in schwer wartbares Verhalten abdriftet. Besonders nützlich ist sie für Security-Audit-Workflows, aber nicht zum Debuggen von Code oder zum Review von PRs.

Die design-Skill hilft dabei, vage UI-Anforderungen in produktionsreife visuelle Ergebnisse für Seiten, Komponenten, Dashboards und screenshotgestützte Feinarbeit zu übersetzen. Nutze sie, wenn die Oberfläche hässlich, unklar, inkonsistent oder visuell falsch wirkt und wenn du Design für UI-Design statt für Backend-Logik oder Datenpipelines brauchst. Sie enthält Hinweise zu Installation, Nutzung, Leitplanken und besseren ästhetischen Entscheidungen.

Das check-Skill prüft Code-Diffs, PRs, Issue-Queues, Release-Readiness, Commits, Pushes, Publishing und Projekt-Audits. Nutze es, wenn du vor Merge oder Release eine disziplinierte Prüfung für Code Review brauchst, inklusive Sicherheitsprüfungen für Dirty und untracked Worktrees. Es ist nicht für das Erkunden von Ideen, das Debuggen von Ursachen oder die Überprüfung von Fließtext gedacht.

Die treatment-plans Skill hilft dabei, prägnante, auf medizinisches Fachpersonal zugeschnittene Behandlungspläne in LaTeX-/PDF-tauglicher Form zu erstellen. Sie unterstützt Allgemeinmedizin, Rehabilitation, psychische Gesundheit, chronische Erkrankungen, perioperative Versorgung und Schmerztherapie mit SMART-Zielen, evidenzbasierten Interventionen, knappen Zitaten und compliance-bewusster Formatierung. Ideal für treatment-plans für Technical Writing und strukturierte Pflegedokumentation.

Die transformers-Skill hilft dir bei der Nutzung von Hugging Face Transformers für Modellladen, Inferenz, Tokenisierung und Fine-Tuning. Sie ist ein praxisnaher transformers-Leitfaden für Machine-Learning-Aufgaben über Text-, Bild-, Audio- und multimodale Workflows hinweg, mit klaren Wegen für schnelle Baselines und eigenes Training.

torchdrug ist ein PyTorch-nahes Toolkit für maschinelles Lernen mit Molekülen und Proteinen. Nutzen Sie den torchdrug Skill, um Tasks, Datensätze und modulare Modelle für Graph Neural Networks, Proteinmodellierung, Knowledge-Graph-Reasoning, Molekülgenerierung und Retrosynthese auszuwählen. Am besten geeignet für die Entwicklung eigener Modelle und reproduzierbare Konfigurationen, nicht nur für vorgefertigte Demos.

torch-geometric Skill-Guide für PyTorch Geometric Graph Neural Networks. Nutzen Sie ihn für Hilfe bei der Installation von torch-geometric, zur Anwendung von torch-geometric, für Graphklassifikation, Node-Klassifikation, Link Prediction, heterogene Graphen, benutzerdefinierte MessagePassing-Layer und das Skalieren von GNNs in Machine-Learning-Workflows.

Nutze die sympy-Skill für exakte symbolische Mathematik in Python, einschließlich Algebra, Analysis, Matrizen, physikalischer Formeln, Zahlentheorie, Geometrie und Codegenerierung. Sie hilft dir, Ausdrücke exakt zu halten, die passenden SymPy-Module auszuwählen und typische Fehler durch zu viel Fließkommaarithmetik zu vermeiden. Besonders geeignet für alle, die einen praktischen sympy-Leitfaden für symbolische Workflows und sympy für Data Analysis suchen.

Die statsmodels-Skill hilft Ihnen, statsmodels für die Datenanalyse in Python zu nutzen, wenn Sie statistische Modelle, Inferenz und Diagnostik brauchen. Sie eignet sich für OLS, GLM, diskrete Outcomes, Zeitreihen und Mixed Models, inklusive Koeffiziententabellen, p-Werten, Konfidenzintervallen und Annahmenprüfungen. Nutzen Sie diesen statsmodels-Leitfaden für Ökonometrie, Prognosen und belastbare Berichte.

Die statistical-analysis-Skill hilft dir, belastbare Tests für Data Analysis auszuwählen, durchzuführen und sauber zu berichten – inklusive Annahmen, Effektstärken, Power und APA-konformer Ergebnisse. Sie eignet sich für akademische Forschung, Experimente und Beobachtungsstudien, wenn die Wahl des passenden Tests und eine klare Ergebnisdarstellung wichtiger sind als das Coden eines bestimmten Modells.

Der stable-baselines3 Skill-Guide für Machine-Learning-Workflows: RL-Agents trainieren, Gymnasium-Umgebungen anbinden und zwischen PPO, SAC, DQN, TD3, DDPG oder A2C mit weniger Rätselraten wählen. Am besten geeignet für klassisches Single-Agent-Reinforcement-Learning, schnelles Prototyping und den praktischen Einsatz von stable-baselines3.

simpy ist ein Python-Framework für prozessbasierte diskrete Ereignissimulation. Diese simpy-Skill hilft dabei, Warteschlangen, Ressourcen und zeitbasierte Ereignisse zu modellieren – etwa für Fertigung, Serviceprozesse, Logistik, Netzwerke und simpy für Data Analysis, wenn Sie Erkenntnisse zu Wartezeiten, Auslastung, Durchsatz oder Engpässen benötigen.

shap Skill für Modellinterpretierbarkeit und Explainable AI. Verwenden Sie ihn, um Vorhersagen zu verstehen, Feature-Attributions zu berechnen, SHAP-Plots auszuwählen und das Modellverhalten in der Datenanalyse für Tree-, lineare, Deep-Learning- und Black-Box-Modelle zu debuggen.

Seaborn ist ein seaborn-Skill für statistische Visualisierung in Python mit pandas-freundlichen Eingaben und starken Standardwerten. Verwenden Sie ihn für schnelles Explorieren von Verteilungen, Zusammenhängen, kategorialen Vergleichen, Boxplots, Violinplots, Pairplots und Heatmaps. Auf matplotlib aufgebaut, für statische, publikationsreife Diagramme.