把智能体能力，拼成你的工作流。

compbio-pi 为 Claude Code 提供偏方法驱动的计算生物学决策框架，在模型、超参数、预处理、基线、消融和图表选择等常规问题上，用“决定、理由、下一步”直接给出方案。它偏好简单基线、可解释性和可复现结果；涉及核心科学主张、投稿层级、新购数据或算力、寻找合作者、伦理与数据协议时仍会要求研究者确认。

CLI Trainer 用一句话触发分步流程，在百度 AI Studio 选择可训练模型、检查数据、推荐超参数、提交并轮询训练任务，再汇报 loss 趋势和模型产物。它支持 ERNIE 的 PaddleFormers 以及 Qwen、Llama 等模型的 LlamaFactory，并覆盖 SFT、LoRA、DPO、KTO；需要 Python、requests、AI Studio token 和访问训练平台的网络。

find-what-you-live-by 通过对话帮助处于转折期或面临重大选择的人，从有重量的生活经历中提炼个人原则，再把原则翻译成可观察的行为。它不提供现成的百条清单，而是保留用户的主体性与语言；适合安静进行 30–60 分钟的自我探索，但不适合急性心理危机、严重创伤、活跃精神疾病症状或失控成瘾。

这个 Claude Code skill 将 Roger Martin 与 A.G. Lafley 的 Playing to Win 选择级联应用于商业想法、产品或市场动作，先梳理赢的愿望、战场、取胜方式、能力和管理系统，再做红队压力测试。它会把事实、推断、假设和猜测分开，输出自包含 HTML 与 Markdown，并以 Proceed、Narrow、Test manually、Park 或 Kill 之一收束；适合需要明确选择而非泛泛建议的场景。

specdd 把模糊的功能请求先整理成不依赖技术的规格和简短计划，确认后才开始写代码。它会按任务规模选择 Quick、Feature 或 Project，并检查空态、错误态、无障碍、键盘、移动端和可观测性；适用于 Claude、Codex、Copilot、Cursor 等能读取 skill 指令的编码代理，无需专用 CLI。

personal-brand-ops 会先判断你所处的受众规模阶段，再为品牌定位、内容节奏、平台分发、团队招聘和商业化选择匹配相应方法与可填写工作表。它适合创始人、创作者和内容负责人把零散建议变成可执行计划，但不覆盖付费获客、SEO 或视觉设计，需要另配专项方案。

这个 Claude Skill 将推荐、信息流、搜索重排和任务优先级等问题拆成 Source、Hydrator、Filter、Scorer、Selector、SideEffect 六个阶段，先讨论候选来源、过滤、打分与副作用，再按 TypeScript、Go 或 Python 生成可运行脚手架。它还覆盖多动作评分、候选隔离和多种过滤与排序模式，适合需要清晰边界的个性化系统设计。

它把科研项目拆成九个阶段，并让 Claude 在导师、审稿人或混合模式下提供帮助：前期收敛选题、规划文献与方法，中期检查实验、数据和可复现性，后期打磨论文、模拟评审、准备审稿回复并制定投稿策略。各阶段配有清单、提示和风险点，适合需要持续指导与严格自审的研究者。

image-studio 让 Claude Code 按描述编写 HTML/CSS，再用无头 Chromium 输出指定尺寸的 PNG 或 JPEG，可用于广告、社交卡片和缩略图。现有广告截图或网址还能转成可替换文案、图片和品牌变量的模板，便于版本控制和批量变体；运行需 Node.js 与 Playwright Chromium。

先由确定性脚本抓取八类公开来源，写入原始 feed 并输出供代理处理的 JSON；再按提示生成中文、英文或双语日刊，每条内容都依据原文重写。项目不会自动发布到社交平台，认证来源只在标准输出返回私有信号，不写入公开 feed 或日刊。

它把阴影、渐变、曲线、箭头和图标等复杂幻灯片主体画成 HTML/SVG，经无头 Chrome 渲染为 PNG，再嵌入 python-pptx；标题、页脚和页码仍保留为可编辑文本。流程要求用 Keynote 或 LibreOffice 导出复核，适合原生 PPTX 形状在跨软件打开时失真的场景。

它把公开的 X 推荐系统代码、社区注释机制和相关分析整理成可执行策略，用于起草帖子、检查现有文案、判断是否适合发帖串，并给出修改、发布时间和媒体形式建议。规则带来源与置信标记，但算法会变化，也不能保证传播效果，因此更适合作为有依据的发布前检查表。

这个 Claude Code 技能会判断哪些任务适合交给 Google Antigravity CLI，再把网页研究、图像生成、代码库分析、浏览器调试或科学数据库查询委派出去，只把结果带回当前对话。使用前必须安装并登录 agy，还需在技能中设置正确的二进制路径。

模拟产品经理、架构师、UI、前后端、测试和运营等角色，先澄清目标与预算，再按标准、资源受限或 MVP 模式推进 Phase 0–5；各阶段围绕需求、设计、安全、测试和业务验收设门禁，并记录风险、成本、冲突与技术债务。

为没有规格说明的旧项目读取代码、Git 历史、文档及可用的 Jira、Confluence 或网页资料，按能力生成带 file:line 或工单引用的 OpenSpec spec.md。它会把不确定处标成 GAP/TBD，并提供全量扫描、单能力深挖和增量更新；依赖现有 agent 订阅，不需要单独的模型 API key。

先对 Java 8、11 或 17 代码执行审查，识别空指针、金额精度、线程安全和旧并发模型等问题，生成 analysis.md、优先级路线图和 1–100 分评分。确认后，第二个技能读取报告并把建议应用到新的 *Modern.java 文件，不修改原文件；规则尤其面向金融、交易和消息处理系统。

给它一本书的 PDF 等文件，可选择生成全本中文译本、逐章精读笔记或跨章节主题索引，并整理到 Obsidian 书库；译本还可导出 EPUB、PDF、DOCX 和 Markdown。它支持多个 agent，需按需安装 Python 依赖，完整导出还需要 Calibre 和 Pandoc。

jira-planner 会把自然语言问题整理为经过调研、估时和结构化描述的 Jira Cloud 工单，并在创建前让用户确认，写入后再核对字段。它通过 Atlassian MCP 执行读写，也可用 acli 加速读取；首次使用必须连接 MCP 并完成本地站点配置。