最新技能

design-taste-frontend 是一款面向前端的 anti-slop 技能，适用于落地页、作品集、编辑类页面和重设计。它能帮助 agent 读懂需求简报，推断合适的视觉方向，并交付有意图感而非模板化的界面。对于 Frontend Development 场景中重视设计品味、层级关系和品牌契合度的工作，它尤其适合。

design-taste-frontend-v1 是面向高自主性前端工作的原始 taste 技能，为了保持完全向后兼容而保留。它有助于生成更偏向 React/Next.js 的 UI 代码，提供更清晰的审美决策、依赖检查和实用护栏。当你需要旧版行为而不是 v2 的实验性重写时，请使用这个 design-taste-frontend-v1 技能。

create-skill-test 用于为 dotnet/skills 中的 agent 技能搭建 eval.yaml 测试文件骨架。可用它来创建技能测试、定义场景、fixtures、断言和 rubric，并降低评测设计中的过拟合风险。它不适合用于运行现有测试、排查 validator 报错或编写 SKILL.md 文件。

create-skill 是一个用于按 dotnet/skills 风格创建新 agent skill 的脚手架生成器。可用它创建有效的 skill 文件夹、生成带 frontmatter 的 `SKILL.md`，并遵循 Skill Scaffolding 的仓库约定。它更适合新技能创建，不适合编辑已有技能。

create-custom-agent 可帮助你为专门的 AI 人设创建 VS Code 自定义代理文件（.agent.md），内容包含工具、指令和交接设置。可用它来搭建新代理、设定工具权限边界，并为 Skill Authoring 定义代理之间的工作流。

write 是一项编辑技能，用于改写中文或英文内容，让表达更自然、清晰、少一点 AI 味，同时尽量保留原意。它适用于草稿、文档、发布说明、上线文案、社媒帖子，以及 Technical Writing 的清理润色。适合你已经有现成文本、希望把内容打磨得更紧凑、更贴近目标受众，而不是从零进行创意发想的时候。

think 是一项决策支持技能，用于在编码前把模糊想法整理成已批准、可直接决策的方案。适合用于功能设计、架构选型、取舍分析，以及“要不要做这件事”这类问题；其目标是帮助判断，而不是直接实现。它适用于 repo-first 工作流中对 think 决策支持、think 指南和 think 用法的需求。

read 技能会把 URL 和 PDF 抓取为干净的 Markdown，方便阅读、引用、注释和后续处理。它专为读取付费墙页面、JS 密集型网站、X/Twitter、GitHub 文件、中国平台，以及需要在分析前稳定获取源文本的 Workflow Automation 流程而设计。需要的是源内容采集而不是评论时，就用 read 指南。

Learn 是一项研究技能，能把陌生主题、资料包和整理好的笔记转化为连贯、可直接发布的输出。它适合深入调研、资料汇编、解释说明，以及面向网页研究和其他多来源任务的结构化综合。最适合在你需要从多个输入中形成一份高质量参考，而不是快速检索时使用。

hunt 是一款以调试为先的技能，会强制你在动手修复之前先做根因思考。适用于错误、崩溃、回归、测试失败、缓存过期问题、截图 bug，以及“以前能用”的故障。它帮助你找到可验证的假设、收集证据，并避免凭感觉猜测。不适用于代码审查或新功能开发。

health 会为 Codex、Claude Code、Pi、agent instructions、hooks/MCP、verifier surfaces 以及 AI 可维护性执行一次预算感知的 Agent Health 审计。使用 health 技能来检查为什么 agent 会忽略指令、漏掉验证，或逐渐偏向难以维护的行为。它尤其适合 Security Audit 工作流，但不适合调试代码或审查 PR。

design 技能可将模糊的 UI 需求转化为适合生产环境的视觉输出，适用于页面、组件、仪表盘以及基于截图的精修。当前端界面显得难看、含糊、不一致或视觉上不对劲时，尤其适合使用它；当你需要的是 UI 设计，而不是后端逻辑或数据流水线时，也应优先考虑它。它包含安装、使用、护栏约束以及更优审美决策的指导。

check 技能用于审查代码 diff、PR、issue 队列、发布准备情况、commit、push、发布以及项目审计。适合在合并或发布前，需要一套严谨的 Code Review 检查流程，并且要对脏工作区和未跟踪工作区设置安全防护时使用。它不适合用于探索思路、排查根因或进行文案审校。

treatment-plans 技能可帮助生成简洁、面向临床人员的医疗治疗计划，输出为可直接用于 LaTeX/PDF 的格式。它支持全科医学、康复、心理健康、慢性病、围手术期护理和疼痛管理，并包含 SMART 目标、循证干预、精简引用以及考虑合规性的排版。非常适合用于 Technical Writing 场景下的 treatment-plans 以及结构化护理文档编写。

transformers 技能可帮助你使用 Hugging Face Transformers 进行模型加载、推理、分词和微调。它是一份面向 Machine Learning 任务的实用 transformers 指南，覆盖文本、视觉、音频和多模态工作流，并为快速基线和自定义训练提供清晰路径。

torchdrug 是一个原生 PyTorch 的分子与蛋白质机器学习工具包。使用 torchdrug 技能来选择任务、数据集和模块化模型，覆盖图神经网络、蛋白质建模、知识图谱推理、分子生成和逆合成。它更适合自定义模型开发和可复现配置，而不只是现成演示。

面向 PyTorch Geometric 图神经网络的 torch-geometric 技能指南。适用于 torch-geometric 安装帮助、torch-geometric 使用、图分类、节点分类、链接预测、异构图、自定义 MessagePassing 层，以及面向 Machine Learning 工作流的 GNN 扩展与性能优化。

使用 sympy 技能在 Python 中进行精确的符号数学运算，涵盖代数、微积分、矩阵、物理公式、数论、几何和代码生成。它能帮助你保持表达式精确，选择合适的 SymPy 模块，并避免大量浮点数带来的错误。适合需要一份实用 sympy 指南来处理符号工作流，以及用于 Data Analysis 的 sympy 的用户。

当你在 Python 数据分析中需要统计建模、推断和诊断时，statsmodels 技能可帮助你使用 statsmodels。它适用于 OLS、GLM、离散因变量、时间序列和混合模型，并提供系数表、p 值、置信区间和假设检验。可将这份 statsmodels 指南用于计量经济学、预测和可交付、可辩护的报告输出。

statistical-analysis 技能可帮助你为 Data Analysis 选择、执行并汇报有说服力的检验，涵盖前提假设、效应量、统计功效以及 APA 风格结果。适用于学术研究、实验和观察性研究，尤其是在检验选择和清晰报告比实现某个具体模型更重要的场景。

面向机器学习工作流的 stable-baselines3 技能指南：训练 RL 智能体、对接 Gymnasium 环境，并更有把握地选择 PPO、SAC、DQN、TD3、DDPG 或 A2C。适合标准单智能体强化学习、快速原型验证，以及实用的 stable-baselines3 用法。

simpy 是一个用于基于过程的离散事件仿真的 Python 框架。这个 simpy 技能可帮助你建模队列、资源和基于时间的事件，适用于制造业、服务运营、物流、网络，以及需要分析等待时间、资源利用率、吞吐量或瓶颈的 simpy 数据分析场景。

用于模型可解释性和可解释 AI 的 shap 技能。可用来理解预测结果、计算特征归因、选择 SHAP 图表，并调试 Data Analysis 中树模型、线性模型、深度学习模型和黑盒模型的行为。

Seaborn 是一个面向 Python 统计可视化的 seaborn 技能，支持 pandas 友好的输入和强默认样式。可用于快速探索分布、关系、分类对比、箱线图、提琴图、成对图和热力图。基于 matplotlib 构建，适合生成静态、可直接用于发表的图表。