Claude Skills 中文技能市场——为 Claude Code、Codex 与 Cursor 精选 Agent Skills
收录 90,000+ 开源 SKILL.md 工作流,提供中文解读、安全检测与高速下载,一行命令即可装到你的 AI 编程助手里。
高分中文技能
research-pipeline-runner
端到端运行本项目的Units+Checkpoints研究流程(survey/综述/review/调研/教程/系统综述/审稿),工作区+checkpoints。**触发**:运行pipeline、kickoff、继续执行、自动跑、写文章、survey/综述/review/调研/教程/系统综述/审稿。**使用时机**:用户希望终点跑流程(创建`workspaces/<name>/`、生成/执行) `UNITS.csv`、遇到 HUMAN 检查点暂停等待)。**如果**:用户明确要手工逐条执行(用 `unit-executor`),或者你不能自动推进到散文阶段。**网络**:取决于所选管道(arXiv/PDF/引文验证可能需要网络;支持离线导入)。**Guardrail**:必须尊重检查点(无批准不写散文);遇到 HUMAN 单元必须停止等待;禁止在repo root 创建工作空间工件。
section-mapper
将论文从核心集映射到每个大纲小节,并写入带有覆盖率跟踪的`outline/mapping.tsv`。**触发**:节映射器,mapping.tsv,覆盖率,论文到节映射,论文映射,覆盖率。**使用时**:结构阶段(C2),已有`papers/core_set.csv` + `outline/outline.yml`,需要确保每小节论文有足够支持再进入证据/写作。**如果**则跳过:还没有大纲(先跑`outline-builder`)或核心集尚未收敛。**网络**:无。**护栏**:覆盖率可审计避免(所有小节重复用同几篇);为弱覆盖小节留下明显的平滑方向(扩散查询/合并小节)。
arxiv-search
使用关键字查询从 arXiv 检索论文元数据并将结果保存为 JSONL (`papers/papers_raw.jsonl`)。**触发**:arXiv、arxiv、论文搜索、元数据检索、文献检索、论文检索、拉取元数据、离线导入。**使用时机**:需要一个初始论文集合(survey/snapshot 的 Stage C1),来源为 arXiv(在线检索或离线) **如果**:已经有可用的`papers/papers_raw.jsonl`,或者数据源不是arXiv,则跳过。**网络**:在线检索需要网络;离线`--input <export.*>`不需要网络。**Guardrail**:只做元数据;不要在`output/`写长散文。
synthesis-writer
将证据综合成基于“papers/extraction_table.csv”的结构化叙述(“output/SYNTHESIS.md”),包括局限性和偏见考虑。**触发**:综合、证据综合、系统评论写作、综合写作、SYNTHESIS.md。**使用时间**:系统评论完成筛选+提取(含偏见评估)后进入写作阶段(C4)。**如果**:还没有则跳过`papers/extraction_table.csv`(或协议/筛选尚未完成)。**网络**:无。**Guardrail**:以提取表为证据支撑;明显局限性与依赖偏倚;不要在无数据支撑时扩写结论。
evidence-auditor
审核支持每个主张的证据,并将差距/疑虑写入`output/MISSING_EVIDENCE.md`。**触发器**:证据审核、缺失证据、不支持的主张、审稿审核、证据缺口。**使用时**:同行评审流程中,需要逐条检查主张的链证据、缺基线、财务薄缺陷。**跳过if**:缺失声明输入(例如还没有`output/CLAIMS.md`)。**网络证据**: none.**Guardrail**:只写“缺口/风险/下一步验证”,不要替作者补写走势或引发新的。
dedupe-rank
对原始论文集(`papers/papers_raw.jsonl`)进行去重和排序,生成`papers/papers_dedup.jsonl`和`papers/core_set.csv`。**触发**:去重、排序、核心集、去重、排序、精选论文、核心集合。**使用时机**:检索后需要把广覆盖集合收敛成可管理的核心集合(用于分类/大纲/映射)。**跳过if**: 已经有人手工整理了稳定的 `papers/core_set.csv`(消耗再次流失)。**Network**: none.**Guardrail**: 偏确定性;输出应可重复(稳定 paper_id、字段规范)。
screening-manager
根据批准的方案管理标题/摘要筛选并将决策记录到`papers/screening_log.csv`中。**触发**:筛选、标题/摘要筛选、包含/排除、screening_log.csv、文献筛选、文献排除。**使用时机**:系统评价的筛选阶段(C2),方案锁定并通过 HUMAN 图层。**如果**:已还没有`output/PROTOCOL.md`(或方案)则跳过。 **网络**:无。**护栏**:每条记录决策包含理由;保持可审计(不要把“未读/缺失”立即纳入)。
claim-evidence-matrix
构建一个按章节划分的主张-证据矩阵(`outline/claim_evidence_matrix.md`)从大纲和论文笔记中提取信息。**触发词**:证据矩阵、证据映射、主张-证据对齐。**使用场景**:在撰写散文之前,需要将每个小节的可检验主张与证据来源明确化(大纲和论文笔记已准备就绪)。**跳过条件**:缺少 `outline/outline.yml` 或 `papers/paper_notes.jsonl`。**网络需求**:无。**限制条件**:仅使用项目符号(不使用散文);每个主张至少包含2个证据来源(或明确说明例外)。
novelty-matrix
创建一个新颖性/先前工作矩阵,将提交的贡献与相关工作进行比较(重叠与增量)。**触发器**:新颖性矩阵,先前工作矩阵,重叠/增量,相关对比,新颖性矩阵。**使用时**:同行评审中评估新颖性/定位,需要把贡献与相关工作逐项对齐并写出差异点。**如果**:证明工作新颖性声明(先跑)则跳过`claims-extractor`)或你不打算做新颖性定位分析。**网络**:无(除非提供,否则检索额外的相关工作超出范围)。**护栏**:与增量明显重叠;尽量给出可回溯证据来源(来自稿件/引用/作者陈述)。
paper-notes
将核心集中每篇论文的结构化笔记写入 `papers/paper_notes.jsonl` (summary/method/results/limitations)。**触发**:论文笔记、结构化笔记、阅读笔记、论文笔记、paper_notes.jsonl。**使用时机**:调查的证据阶段(C3),已有 `papers/core_set.csv`(以及任选全文),需要为后续的 Claims/itations/writing 准备可引用证据。**跳过if**: 还没有核心集(先跑 `dedupe-rank`),或者你只做极轻量快照不需要细粒度证明。**Network**: none.**Guardrail**: 具体可核对(方法/指标/限制),避免大量重复模板;保持格式字段不长散文。
rubric-writer
使用提取的主张和证据差距(新颖性/健全性/清晰度/影响)编写基于标题的同行评审报告(`output/REVIEW.md`)。**触发**:标题评审,审稿报告,同行评审撰写,审稿报告,REVIEW.md。**使用时间**:同行评审流程的最后阶段(C3),已经`output/CLAIMS.md` + `output/MISSING_EVIDENCE.md`(以及可选新颖性矩阵)。**跳过如果**:上游产品未就绪(索赔/证据缺口)或你不打算输出完整审稿报告。**网络**:无。**Guardrail**:给出行动建议(可操作的反馈),并覆盖新颖性/健全性/清晰度/影响;避免泛泛而谈。
prose-writer
从批准的大纲和证据中编写“output/DRAFT.md”或“output/SNAPSHOT.md”,仅使用“itations/ref.bib”中经过验证的引文键。**触发**:写草稿,散文作家,快照,调查写作,写综述,生成草稿。**使用时**:大纲+证据已准备且HITL RX已记录在“DECISIONS.md”(调查前期:C2通过后)。**跳过if**: 缺少必要曼哈顿(`DECISIONS.md` 未勾选批准 C*)或证据/引用尚未准备好。**网络**: 无。**Guardrail**: 在机器人前禁止写长散文(可做仅项目符号的工件);只使用 `itations/ref.bib` 中存在的引用键。
survey-visuals
为一项调查起草非散文视觉工件(表格、时间线、图形规格),以证据为基础,并使用来自“引用/ref.bib”的引文键。**触发器**:调查视觉效果、表格、时间线、图形、视觉效果、图表、时间线、图形规格。**使用时间**:调查的 C4(无散文),现有大纲 + 声明/证据 +引用,先把对比表/放置时间线/图规格落盘。**跳过如果**:缺少引用`s/ref.bib`(或证据不够完善,导致表格只能写空洞模板)。**网络**:无。**Guardrail**:不需要PROSE;表格/时间线/图规格必须具体且可核对(含引用),禁止继承TODO/SCAFFOLD。
elements-infinity-cats
Elements of ∞-Category Theory (Riehl-Verity) for foundational ∞-categorical
lean-proof-walk
GF(3)-balanced random walk through Lean proof states. Use when generating formal proof chains with parallel triad verification. Invokes 3 agents (Generator +1, Coordinator 0, Validator -1) to traverse proof space via prime geodesics.
literature-engineer
Multi-route literature expansion + metadata normalization for evidence-first surveys.Produces a large candidate pool (`papers/papers_raw.jsonl`, target ≥200) with stable IDs and provenance, ready for dedupe/rank + citation generation.**Trigger**: evidence collector, literature engineer, 文献扩充, 多路召回, snowballing, cited by, references, 200篇, 元信息增强, provenance.**Use when**: 需要把候选文献扩充到 ≥200 篇并补齐可追溯 meta(survey pipeline 的 Stage C1,写作前置 evidence)。**Skip if**: 已经有高质量 `papers/papers_raw.jsonl`(≥200 且每条都有稳定标识+来源记录)。**Network**: 可离线(靠 imports);雪崩/在线检索需要网络。**Guardrail**: 不允许编造论文;每条记录必须带稳定标识(arXiv id / DOI / 可信 URL)和 provenance;不写 output/ prose。
geodesic-manifold
几何流形技能。
julia-scientific
Julia package equivalents for 137 K-Dense-AI scientific skills. Maps Python bioinformatics, chemistry, ML, quantum, and data science packages to native Julia ecosystem.
常见问题
什么是 Claude Skills(Agent Skills)?
Skills 是一种标准化的 SKILL.md 指令包——把「何时触发、如何执行、使用哪些工具」写成结构化工作流,装入 Claude Code、Codex、Cursor 等 AI 编程助手后,Agent 遇到对应任务会自动调用,效果远好于每次手写提示词。
装了 Skill 之后怎么使用?
安装后无需手动调用:直接在 Claude Code / Cursor 里描述你的任务(如「帮我做 PR 代码审查」),Agent 检测到匹配的技能后会自动加载对应 SKILL.md 并按其流程执行。也可以在对话中显式要求「使用 xx skill」。
国内如何高速下载安装?
本站在 Cloudflare R2 托管了全部技能 ZIP 离线包,无需直连 GitHub:在详情页点击「Download ZIP」,或用 `npx skills add <owner/repo>` 一键安装;也可以复制 curl 命令直接解压到 ~/.claude/skills 目录。