开源 Agent 身份卡生成与验证工具，基于 forAgents.dev 规范，帮助开发者快速创建标准化的 agent.json 身份元数据。

基本信息

• 技能名称?agent-identity-kit
• 中文名称?AI Agent 标准化身份管理工具
• 作者?ryancampbell
• 分类?开发
• 版本?v1.0.0
• 标签?development-engineering, automation, api, devops, backend

使用方法

使用说明
核心用法
Agent Identity Kit 是一套便携式的 AI Agent 身份系统，主要提供三大功能：通过交互式脚本生成 agent.json 身份卡片、基于 JSON Schema 验证卡片格式合规性，以及提供标准 Schema 供编辑器集成和 CI 流水线使用。用户运行 ./scripts/init.sh 即可通过命令行交互输入名称、句柄、描述、所有者等信息，快速生成符合 Agent Card v1 规范的 JSON 文件； ./scripts/validate.sh 则支持对现有卡片进行格式校验，自动安装所需的 ajv-cli 或 jsonschema 依赖。
显著优点
该工具的最大优势在于 标准化与互操作性 。它遵循 forAgents.dev 开放的 Agent Card 规范，生成的身份卡片可被全球 Agent 目录索引，支持 Fediverse 风格的 @name@domain 句柄体系，便于 Agent 之间的发现与信任建立。工具设计轻量，仅依赖标准包管理器安装验证工具，无复杂运行时；同时提供完整示例（包括最小化配置和团队多 Agent 场景），降低上手门槛。对于需要发布公开 Agent 的开发者，支持 .well-known/agent.json 标准托管路径，与现有 Web 基础设施无缝集成。
潜在缺点与局限性
作为 T3 社区来源项目，其 长期维护稳定性 存在不确定性。功能层面，当前版本仅覆盖身份卡片的创建与验证，不涉及密钥管理、签名认证或信任评分机制，无法防止身份伪造。交互式脚本虽友好，但 不适合自动化流水线批量生成 场景。此外，验证脚本的依赖自动安装行为（pip/npm）在严格管控的企业环境中可能触发安全策略限制。Schema 验证仅检查格式合规，不验证内容真实性（如所有者身份、端点可访问性）。
适合的目标群体
AI Agent 开发者 ：需要为自研 Agent 发布标准化身份元数据
Agent 平台运营方 ：构建多 Agent 生态，需统一身份格式
开源项目维护者 ：希望将 Agent 能力注册到 forAgents.dev 全球目录
DevOps/CI 工程师 ：在流水线中集成 Agent 卡片格式检查
使用风险

1. 依赖安装风险 ：validate.sh 会自动通过 pip 安装 jsonschema，需确保网络环境可信
2. 输入内容责任 ：init.sh 接收的用户输入直接写入 JSON，恶意内容可能导致发布后的卡片被滥用
3. 隐私泄露 ：agent.json 包含联系信息和端点 URL，公开托管时需注意敏感信息脱敏
4. 无加密签名 ：生成的卡片缺乏密码学签名，无法防止篡改或冒用
5. T3 来源风险 ：社区个人账号维护，建议生产环境使用前审查代码

阿里云官方模型文档自动化抓取工具，基于标准库实现零依赖安全脚本，为开发者团队提供模型列表同步与Skills批量生成功能。

基本信息

• 技能名称?alicloud-ai-misc-crawl-and-skill
• 中文名称?阿里云模型自动化抓取工具
• 作者?cinience
• 分类?开发
• 版本?v1.0.2
• 标签?automation, data-analytics, api, development-engineering, content-media, devops

使用方法

使用说明
核心用法
本 Skill 是一套面向阿里云 Model Studio 的自动化数据抓取与技能生成工作流，通过三步命令完成模型信息的获取、清洗与结构化输出。首先使用 npx @just-every/crawl 爬取官方模型文档页面，获取原始 Markdown 数据；随后通过 Python 脚本解析模型列表、提取 API 与使用链接，生成结构化的摘要文档；最终自动创建或更新 skills/ai/** 目录下的独立技能文件，实现模型能力的模块化封装。
显著优点
零依赖架构 ：核心脚本仅使用 Python 标准库（json、re、pathlib、urllib.parse），彻底规避了第三方包的安全风险与版本冲突问题，部署成本极低。
流程标准化 ：将原本需要人工维护的模型列表更新工作转化为可复现的自动化流水线，显著降低文档滞后风险，确保技能文件与官方文档保持同步。
输出结构清晰 ：生成包括原始爬取数据、清洗后的摘要 Markdown、结构化 JSON 列表、技能覆盖报告在内的多维度产物，便于后续集成与审计。
安全编码规范 ：代码中完全规避了 eval/exec/system/subprocess 等危险函数，文件操作均采用 Path 对象，URL 解析使用标准库，具备基础的输入存在性检查与编码错误处理。
潜在缺点与局限性
外部工具依赖 ：核心爬取功能依赖 npm 生态的 @just-every/crawl 包，该工具的版本锁定与长期维护状态未明确，存在供应链不确定性。
解析鲁棒性有限 ：使用正则表达式处理 HTML/Markdown 混合内容，若阿里云官方页面结构发生较大变更，可能导致解析失败或数据缺失，需人工介入修复。
T3 来源信任门槛 ：当前由个人开发者账号维护，虽代码本身通过安全审计，但组织级场景下可能面临合规审查障碍。
无增量更新机制 ：每次执行均为全量重新生成，对于大型模型列表可能存在不必要的 I/O 开销，且无法追踪历史变更差异。
适合的目标群体
需要维护阿里云大模型技能库的开发者团队与 MLOps 工程师
构建内部 AI 中台、需定期同步厂商模型能力的产品团队
从事模型评测、文档自动化生成的技术写作与开发者关系岗位
追求零依赖、可审计脚本的安全敏感型组织
使用风险
网络可达性 ：爬取步骤依赖对 help.aliyun.com 的访问，内网或受限网络环境需配置代理。
npx 执行风险 ：尽管 @just-every/crawl 为公开工具，但运行时下载执行仍存在潜在的供应链攻击面，建议在隔离环境或锁定版本后使用。
数据时效性 ：模型文档更新频率与 Skill 执行周期之间的 gap 可能导致短期信息不一致，关键业务场景建议增加校验环节。
文件系统影响 ：脚本会覆盖 output// 目录及 skills/ai/** 下的现有文件，执行前需确保无未提交的本地修改。

基于KiCad CLI的PCB自动化设计工具，支持从自然语言电路描述到Gerber制造文件的完整硬件开发流程，集成PCBWay报价，显著提升电子原型开发效率。

基本信息

• 技能名称?kicad-pcb
• 中文名称?硬件开发从设计到制造一站式自动化
• 作者?G0HEAD
• 分类?开发
• 版本?v1.0.0
• 标签?development-engineering, automation, hardware, manufacturing, electronics

使用方法

使用说明
核心用法
KiCad PCB Automation 是一款面向硬件开发者的自动化技能，通过封装 KiCad CLI 命令，实现了从电路概念到制造文件的端到端工作流。用户可通过自然语言描述电路需求（如"555定时器LED闪烁电路，1Hz频率，9V供电"），系统自动完成项目创建、元件选型、原理图生成和PCB布局。
工作流分为五个阶段：设计阶段支持元件添加、连线、网络表创建；布局阶段提供自动布线和板框设置；验证阶段执行DRC设计规则检查和ERC电气规则检查；导出阶段生成Gerber、钻孔文件、BOM清单和3D模型；制造阶段集成PCBWay接口获取实时报价。所有关键操作（如下单）均需用户显式确认，避免误操作。
显著优点
该技能最大亮点在于将专业EDA工具的复杂操作简化为命令行指令，大幅降低硬件开发门槛。内置的模板系统（555定时器、Arduino扩展板、USB-C电源等）允许快速复用经典电路设计。自动生成的可视化预览（原理图、PCB各层、3D渲染）便于设计审查和团队协作。
与PCBWay的深度集成是另一大优势，用户可直接获取制造成本估算，避免手动上传Gerber文件的繁琐流程。完善的配置系统支持自定义默认制造参数（层数、板厚、表面处理工艺），适合有批量生产需求的开发者。
潜在缺点与局限性
首先，该技能严重依赖外部KiCad安装（8.0+版本），且仅支持Linux/Ubuntu环境的CLI调用，Windows/macOS用户可能面临兼容性挑战。其次，尽管提供自动布局布线功能，但复杂高速电路仍需人工干预优化，无法完全替代专业PCB工程师的经验判断。
安全方面，技能明确声明不验证高压电路的电气安全性， mains-connected（市电连接）电路需专业工程师审核。此外，PCBWay的自动下单功能标记为"Future"，当前版本仍需手动上传文件到网站完成订单。
适合的目标群体
主要面向三类用户：一是电子爱好者和创客，希望快速将电路想法转化为实体PCB；二是硬件初创团队，需要频繁迭代原型并控制打样成本；三是教育机构，可用于电子工程课程的实践教学，让学生专注于电路逻辑而非软件操作。
对于已有成熟硬件开发流程的企业级用户，该技能可作为CI/CD流水线的补充工具，实现Gerber文件的自动化生成和版本管理。
使用风险
性能风险方面，大型PCB项目（如高密度多层板）的自动布线和3D渲染可能消耗大量计算资源。依赖风险包括KiCad版本兼容性（不同版本CLI参数可能变化）和Python依赖库（cairosvg/pillow）的维护状态。
数据安全风险较低，所有文件操作限制在用户主目录，但需注意该技能会读取本地配置文件（~/.kicad-pcb/config.json）中的PCBWay邮箱信息。电气安全风险需特别关注，工具不会阻止用户设计危险的高压或大电流电路。

来自 GitHub 开源社区的系统化调试方法论指南，涵盖 7 步调试协议与多语言实战命令，帮助开发者快速定位并修复代码问题。

基本信息

• 技能名称?debug-pro
• 中文名称?系统化调试方法论与实战指南
• 作者?cmanfre7
• 分类?开发
• 版本?v1.0.0
• 标签?development-engineering, testing, productivity, docs, git, backend, frontend, devops

使用方法

使用说明
核心用法
debug-pro 是一个纯文档型调试技能，采用结构化的知识组织方式帮助开发者提升排障效率。其核心是 7 步调试协议 ：从稳定复现问题开始，通过隔离范围、建立假设、添加观测、验证根因、精准修复到最终回归测试，形成完整的调试闭环。同时提供多语言场景化的调试命令速查，包括 JavaScript/TypeScript 的 Node.js 调试器与内存分析、Python 的 pdb 与性能剖析、Swift 的 LLDB 调试，以及 CSS 布局调试技巧。网络层覆盖 curl 详细输出、DNS 解析和端口占用排查；版本控制层面整合了 git bisect 二分定位问题提交的工作流。
显著优点

1. 方法论体系化 ：将经验性的调试过程提炼为可复现的标准流程，降低新手学习曲线
2. 多语言覆盖广 ：从前端到后端、从脚本语言到系统语言均有涉及，适合全栈开发者
3. 实战导向 ：所有命令均可直接复制使用，配合常见错误模式速查表实现快速诊断
4. 零依赖零配置 ：纯文档形态，无需安装任何运行时或依赖库，开箱即用
5. 场景细分精准 ：针对 React 水合错误、内存泄漏、CORS 等高频痛点提供专项方案
   潜在缺点与局限性
   动态更新滞后 ：编程语言版本迭代快（如 Node.js 调试协议变更），文档可能无法及时同步
   深度不足 ：每个主题仅覆盖常用场景，复杂调试场景（如多线程死锁、内核级调试）未涉及
   无交互能力 ：纯静态文档无法根据用户实际错误输出智能推荐解决方案
   环境差异 ：部分命令（如 macOS 的 lsof 与 Linux 参数差异）需要用户自行适配
   适合的目标群体
   初级-中级开发者 ：系统学习调试方法论，建立规范的排障思维
   全栈工程师 ：快速切换技术栈时查阅特定语言的调试工具
   技术面试官/导师 ：作为团队内部调试规范培训的参考材料
   DevOps/SRE 人员 ：网络层和系统层的快速诊断命令参考
   使用风险
   命令误用风险 ：文档中的示例命令（如 git bisect ）在错误使用场景下可能导致代码回退混乱，需理解原理后再执行
   性能分析开销 ：部分命令（如 node --expose-gc 、Python tracemalloc）在生产环境启用会显著影响性能，仅限开发调试使用
   权限要求 ：网络调试和端口检查命令可能需要 sudo 或特定系统权限
   信息泄露 ：curl -v 等详细输出模式可能暴露敏感请求头，分享日志前需脱敏处理

TribeClaw 官方团队知识库技能，连接 AI 编码历史与团队上下文，支持会话搜索、知识管理和自主代理编排，提升开发协作效率。

基本信息

• 技能名称?muse
• 中文名称?团队编码记忆与 AI 代理中枢
• 作者?alexander-morris
• 分类?开发
• 版本?v1.3.0
• 标签?development-engineering, productivity, knowledge-management, automation, team-collaboration, ai-ml, data-analytics, devops

使用方法

使用说明
核心用法
Muse 是 TribeClaw 平台的官方技能，通过 tribe CLI 工具为 AI 助手提供团队编码历史的完整访问能力。核心功能分为四大模块：
会话管理与搜索 ： tribe search 支持跨所有编码会话的全文检索，可按项目、时间范围、工具类型过滤； tribe sessions 系列命令用于列出、读取、提取特定会话的代码、命令和文件内容。
知识库（KB） ：提供个人/团队知识文档的保存、搜索、标签管理和同步功能，支持从文件导入或命令行直接保存内容。
MUSE 代理编排 ：Beta 功能，支持启动 leader 代理、生成子代理执行具体任务（如"修复登录 bug"）、监控代理状态和输出，实现多代理协作的自动化工作流。
CIRCUIT 自主代理 ：更高级的 Beta 功能，用于管理完全自主运行的代理会话，支持自动调度、指标监控和实时仪表盘。
显著优点

1. 上下文连续性 ：打破单次对话的局限，AI 可访问历史会话和团队知识，实现真正的"有记忆"协作
2. 团队知识沉淀 ：编码会话自动转化为可搜索、可复用的知识资产
3. 代理自动化 ：从辅助编程演进为可自主执行任务的代理系统，支持复杂工作流编排
4. 多工具整合 ：统一接口管理来自 Claude Code、Cursor 等不同 AI 编码工具的会话数据
5. 结构化输出 ：大多数命令支持 --format json ，便于与其他工具链集成
   潜在缺点与局限性
6. 平台锁定 ：深度依赖 tribeclaw.com 云服务，数据存储于第三方平台
7. Beta 功能不稳定 ：MUSE 和 CIRCUIT 等核心亮点功能仍处于 Beta，部分命令仅限 TUI 手动执行
8. 额外工具链 ：需单独安装 npm 包、登录认证，增加了使用门槛
9. 隐私顾虑 ：编码会话数据需上传云端分析，对敏感代码库可能不适用
10. 功能边界模糊 ：文档中部分命令描述简略，实际能力需结合 tribe CLI 版本理解
    适合的目标群体
    使用多种 AI 编码工具（Claude Code、Cursor 等）的开发者，希望统一管理历史记录
    需要团队协作和知识沉淀的技术团队
    希望探索 AI 代理自动化工作流的早期采用者
    对 tribeclaw.com 生态已有投入的用户
    使用风险
    数据主权风险 ：编码历史存储于 tribeclaw.com，需评估第三方数据托管的合规性
    服务依赖 ：核心功能依赖外部 CLI 工具和云服务，存在服务中断或变更风险
    Beta 功能可靠性 ：MUSE/CIRCUIT 作为实验性功能，可能频繁变更或存在缺陷
    npm 供应链 ：依赖 @_xtribe/cli 包，需关注其更新和安全状况