找到真正适合你的开源方案。

每轮选择一个视角，从真实代码中提出关于体验、质量、安全、性能、可扩展性或可维护性的尖锐问题，再按严重度和成本排序、验证并记录。它会检查改动是否保留产品本质；适合持续迭代，不是一次性审计。

当你需要预测文字高度、计算行数、把文字排进 Canvas 或 SVG，或虚拟化长列表时，这个 skill 会帮助选择合适的 pretext 调用方式。它强调同步字体、行高和字距，并处理字体尚未加载、空文字等容易造成错误结果的情况。

通过一次一个问题的互动问答，先按业务阶段分流，再用收入、获客成本、客户终身价值和利润等数字找出真正约束，验证假设后只提出最小的高杠杆动作。它借用 Alex Hormozi 的公开框架做教育性辅导，不代表本人，也不提供法律、税务、投资或收益承诺。

为 Obsidian 笔记统一标题层级、分隔线、缩进、强调、贴纸、标签和 PARA 分类规则，并针对中文、日文和韩文容易触发的 CommonMark 加粗边界问题提供自查。它还能让其他写作 skill 遵循同一套规范；内容语言仍以用户要求为准。

先从 pg_stat_statements 找出总耗时最高的查询，再用 EXPLAIN ANALYZE 和缓冲区信息定位最慢节点，判断是扫描、排序、估算或索引问题。随后一次只改一个根因并重新测量，适合需要证据驱动优化的数据库维护；每个索引也要权衡写入和存储成本。

在每篇文章或网页中要求三至五条带明确主张和链接的命名实体引用，使用已核验的主张库，补充 JSON-LD 的 mentions 和 citation 字段，并在文末加入 Sources 与发布前检查。它按魁北克公开权威来源定制，不应把未经核实的数字写进内容。

输入论文、博客或白皮书后，生成一个自包含 HTML 课件：先解释术语，再按文章章节逐段讲解，并用类比、数学、表格和图示辅助理解。课件支持中英文、选中文字提问和本地历史记录；需要 Python 与 Chrome，部分图片后端还需额外凭据。

把一句产品简介转成可在浏览器打开的静态 HTML 与 Tailwind 页面，先从真实网站参考库中选择结构方向，再手工组织仪表板、表格、图表或代码等界面元素，并为页面分配字体、颜色和布局语法。它强调每次生成不同，不是固定模板。

在大型重构或批量任务开始与结束时记录时间戳和 Git 提交锚点，把读取、编辑和测试交给隔离的子代理，并只回收不超过 200 词的结构化摘要。这样可减少主上下文与编辑器内存负担；不适合单文件小改或需要主代理持续推理的任务。

只读诊断代码项目的语言、框架、类型和缺口信号，再按匹配理由推荐图灵图书或公开资源，并生成带代码、阅读和验证任务的周计划。支持跨仓库汇总团队缺口和运营选题；不提供受版权保护的正文，也不绕过登录或付费限制。

按七步流程研究竞品：先打开官网，再用至少两条独立来源核验融资数字，确认客户重合，拆解技术、包装层、销售方式、品牌和网络效应，最后按六个维度为建议打分。它区分融资参考与可学习对象，并明确标出尚未重新核查的旧判断；每家公司通常需要 30–60 分钟。

把 First Principles、JTBD、5 Whys、OKR、SWOT、Porter、BCG、Blue Ocean ERRC 和 Inversion 分开运行，再比较多个视角是否指向同一问题。它输出根因、决策阻塞、反自我吹捧提醒和只能由团队回答的问题；完整工作坊约需两小时，不适合只想看单一框架的快速分析。

使用 /dove-* 命令导入已批准的 DLT 模板，发送单条、批量或 OTP 短信，预约活动并读取逐条投递报告。它会去重、限速、预演并解释 DLT 错误；必须先完成印度 DLT 注册，真实短信会产生费用且涉及同意与合规。

帮助代理为 Microsoft Fabric Apps（Rayfin）定义 TypeScript 数据模型、字段权限、关系和 GraphQL 客户端调用，再按脚手架、授权、消费和部署流程构建应用。该工作负载仍处于预览阶段，实际部署需要 Fabric 容量和管理员开启权限，生成代码前还应核对实时文档。

针对网页、PDF、Office、视频、音频和图片按媒体类型调用确定性工具，再把结果整理成带严重度、WCAG 条款、工具来源和状态的 JSON 与 HTML 报告。缺失输入会标出，键盘焦点、原生移动应用和正式合规声明不在自动覆盖范围；报告不能替代真实辅助技术测试或法律意见。

把课程作业要求整理成可独立使用的评分量规，检查遗漏、矛盾、虚构和权重是否合计 100，并区分能单独扣分的标准与仅作清单的子标准。TEST 模式会用 Claude CLI 模拟实际批改；独立运行需要 Python 3.10，测试还需 PATH 中有 claude。

根据 YouTube URL 获取字幕文字稿，保存为 Markdown 和纯文本，并可把后续动作交给代理生成摘要、要点、逐条批评或追问。脚本本身不运行模型，也不需 API key，但需要 Python、youtube-transcript-api 和网络；无字幕或视频不可用时会返回错误。

把简历、GitHub 仓库和其他文档整理成可持续追加的经历库，再粘贴职位描述生成 STAR 量化简历、A4 HTML 和匹配度报告。模拟面试会围绕简历真实内容由浅入深追问，并把漏洞反馈回经历库；它拒绝编造数字、头衔或技术，网页端还需用户自行保存经历库。