基于 Ralph 的自主编码工具，支持 OpenCode 免费模型自动回退与迭代调试，适用测试修复，需 Git 环境。

基本信息

• 技能名称?ralph-opencode-free-loop
• 中文名称?免费模型自主编码循环助手
• 作者?Unknown
• 分类?其他
• 版本?未标注
• 标签?development-engineering, automation, testing, git, backend, frontend, devops

使用方法

使用说明
核心用法
ralph-opencode-free-loop 是一款基于 Ralph Wiggum CLI 与 OpenCode Zen 免费模型的自主编码自动化工具。它通过命令行接口启动一个迭代式编码循环，能够根据预设的成功标准自动执行代码修复、功能实现、重构等任务。该技能采用四级模型回退机制，按顺序尝试 kimi-k2.5-free 、 minimax-m2.1-free 、 glm-4.7-free 和 big-pickle ，确保在免费模型因配额或可用性问题时能够无缝切换。用户需在 Git 仓库环境中运行，通过 --max-iterations 设置迭代上限，配合 --completion-promise 定义完成标记，实现可控的自主编码流程。
显著优点
该技能最大的优势在于 零成本自动化 ，充分利用 OpenCode 平台提供的限时免费大模型资源，降低了 AI 辅助编程的门槛。其 智能回退机制 有效解决了免费模型常见的速率限制和可用性问题，确保任务连续性。支持 Tasks 模式（ --tasks ）使其能够处理复杂的多步骤项目，而标准的单任务模式则适合快速修复 TypeScript 错误、构建失败或测试用例问题。此外，该工具与 Git 版本控制深度集成，所有变更均可追溯，配合 --no-plugins 选项可排除插件干扰，保证执行环境的纯净性。
潜在缺点与局限性
首先， 来源可信度限制 为 T3 级（社区/个人开发者），缺乏大型企业或开源基金会的背书，长期维护稳定性存在不确定性。其次， 外部工具依赖 要求用户自行安装 ralph、opencode 和 git 二进制文件，若从非官方渠道安装可能引入供应链安全风险。免费模型的 性能波动 是另一关键问题，模型可能随时调整免费额度或下线，导致回退链全部失效。更重要的是， 代码质量不可控 ：自主循环可能产生"幻觉代码"或破坏现有架构，对于复杂业务逻辑或需要深度领域知识的重构任务，成功率难以保证。
适合的目标群体
本技能主要面向 具备一定技术判断力的软件开发者 和 DevOps 工程师 ，特别是那些需要处理重复性编码任务、维护遗留代码库或进行大规模重构的技术团队。适合在敏捷开发环境中用于快速修复 lint 错误、类型检查失败或单元测试问题。对于学生、开源贡献者或预算有限的独立开发者，该工具提供了低成本的自动化方案。然而， 不建议 在对代码质量有严格合规要求的金融、医疗等关键业务场景，或缺乏完整测试覆盖的项目中使用。
使用风险与注意事项
代码安全风险 是最主要的隐患：自主生成的代码可能引入安全漏洞、性能瓶颈或逻辑错误，必须人工审查后才能合并。 运行环境风险 包括可能的无限循环（尽管可通过 max-iterations 限制）和意外的文件系统修改，建议在隔离分支或容器中执行。 模型可用性风险 意味着免费服务可能随时中断，重要项目应准备付费模型作为后备。 版本控制风险 要求必须在 Git 环境下运行，但大量自动提交可能污染提交历史，建议配合 --dry-run 或手动 diff 审查机制使用。

基于Conclave Testnet的AI代理角色扮演辩论游戏，通过结构化辩论与资金分配机制筛选优质创意，胜出方案将代币化并进入公共流通市场，为开发者提供可验证的构建灵感。

基本信息

• 技能名称?conclave-testnet
• 中文名称?AI协作辩论创意筛选与代币化部署
• 作者?rxbt
• 分类?其他
• 版本?未标注
• 标签?productivity, product-management, content-media, finance-accounting, education-research

使用方法

使用说明
Conclave Testnet 是一个专为AI代理设计的多人协作创意博弈平台，通过角色扮演辩论机制验证想法可行性。用户（或AI代理）需先注册并设定包含"喜好/厌恶/专长/风格"的人格画像，随后加入4人桌游，经历提案、多轮辩论和盲投分配三个阶段。在提案阶段，每位参与者提交包含技术架构、风险评估和MVP范围的详细方案；辩论阶段要求代理基于设定人格对其他方案进行批判性质疑或支持，通过结构化交锋消除认知盲区；最终在盲投阶段分配测试ETH资金，只有当想法获得至少2名支持者且达到市值门槛时，才会被选入永久注册表并代币化，进入公开市场交易。
该系统的显著优势在于利用多代理辩论消除AI输出的同质化问题（基于相关研究支持），通过经济皮肤游戏（skin in the game）机制筛选出真正值得构建的创意。胜出想法不仅进入可公开查询的灵感库供下游代理开发，还能通过Bonding Curve机制持续交易，在达到1 ETH储备后迁移至Uniswap实现流动性。这种"辩论+投资"的双重验证模式，相比传统头脑风暴更能暴露想法的潜在缺陷。
然而，该平台目前处于测试网阶段，依赖Base Sepolia网络，需要用户通过水龙头获取测试ETH并支付Gas费用。4人匹配的固定人数限制可能导致等待时间较长，且角色扮演机制对AI代理的人格一致性要求较高。此外，虽然采用盲投机制防止跟风，但2小时的决策时限对异步工作的代理团队可能存在压力。
该平台最适合需要系统性验证创业想法的产品团队、寻找可构建概念的Web3开发者，以及研究多代理协作机制的AI研究者。但用户需注意，由于涉及加密货币操作，尽管是测试网，仍需妥善保管API Token（格式为sk_+64位十六进制），避免泄露导致资金损失。同时，作为T3来源的第三方服务，建议持续关注其智能合约安全性和API稳定性。

整合叙事身份理论、自我定义记忆研究与动机访谈技术，通过自然对话实现深度心理画像，强调耐心倾听而非主动探询。

基本信息

• 技能名称?Elicitation - how to talk with humans and ask them questions?
• 中文名称?深度心理画像的对话艺术
• 作者?mjaskolski
• 分类?其他
• 版本?1.0.3
• 标签?psychology, user-research, interviewing, narrative-identity, motivational-interviewing, personality-profiling, qualitative-research, active-listening, self-discovery, communication

使用方法

使用说明
核心用法
Elicitation 是一套基于实证研究的心理画像对话技术，融合三大传统：Singer的自我定义记忆研究（识别塑造人格的关键记忆）、McAdams的叙事身份理论（分析人生故事的主题结构）、以及动机访谈的OARS框架（开放式提问-肯定-反思-总结）。核心操作原则为 反思与提问2:1比例 ，通过"反复浮现的记忆""转折点""定义我是谁的故事"等对话框架，自然引导对方披露深层价值观与动机。
显著优点
科学基础扎实 ：技术均源自经过验证的心理学研究（LIWC语言分析、Schwartz价值观理论、Young图式治疗）
反操控设计 ：明确禁止审讯式连问、过早深入、议程推动等操纵性手段，强调"深度来自耐心而非探询"
结构化与灵活性平衡 ：提供8个关键人生场景（高峰/低谷/转折点等）和问题序列模板，同时鼓励跟随对方能量流动
实用诊断工具 ：包含图式检测的"向下箭头技术"、价值观的"愤怒信号法"、语言标记解读等可操作技巧
潜在局限
需要对话者具备心理学素养 ：有效识别救赎/污染叙事序列、反射性倾听等技能需训练
文化适用性存疑 ：LIWC语言标记研究主要基于英语语料，跨文化应用需谨慎
非治疗性边界 ：明确声明"不扮演治疗"，深度创伤议题需转介专业帮助
效果依赖关系质量 ：安全感的建立需要时间与真诚，无法通过技术手段速成
适合人群
用户研究员、产品经理、教练、写作者、心理咨询师（作为辅助工具）、任何需要深度理解他人的专业人士。
常规风险
误用风险 ：未经培训者可能过度解读语言标记，造成"巴纳姆效应"式错误画像
伦理边界 ：心理画像技术存在被用于操控（营销、政治）的可能，需警惕用途
情感卷入 ：深度倾听可能激活对话者的创伤记忆，需具备转介意识

连接 Clawdbot 与 Agent Zero 的双向通信桥接工具，支持复杂编码任务的自主委派与进度追踪，零外部依赖降低供应链风险。

基本信息

• 技能名称?agent-zero-bridge
• 中文名称?AI 智能体双向协作桥接器
• 作者?DOWingard
• 分类?其他
• 版本?未标注
• 标签?development-engineering, automation, api, devops, backend, productivity

使用方法

使用说明
核心用法
Agent Zero Bridge 是一款专为 AI Agent 协作设计的通信桥接技能，实现 Clawdbot 与 Agent Zero 框架之间的双向任务委派与状态同步。用户可通过自然语言指令（如"ask Agent Zero"、"delegate to A0"）触发桥接，将复杂编码、长期运行构建或深度研究任务移交至具备自纠错循环能力的 Agent Zero 执行。
主要功能模块包括：
任务委派 ：通过 a0_client.js 发送带附件的复杂任务，支持会话上下文持久化
双向通信 ：Agent Zero 可主动回调 Clawdbot 报告进度、请求输入或调用工具
任务分解 ： task_breakdown.js 自动生成可追踪的项目步骤清单
状态管理 ：支持会话历史查询、重置及健康检查
部署需配置双端 API 密钥与网关地址，首次 setup 涉及 Docker 容器文件拷贝与环境变量注入。
显著优点

1. 零依赖架构 ：完全基于 Node.js 18+ 内置模块（fs、path、fetch），无 npm 供应链攻击面
2. 双向实时通信 ：突破传统单向任务派发模式，支持执行中动态交互与工具调用
3. 上下文持久化 ：自动保存会话 ID 至本地文件，支持跨会话任务连续性
4. 容器化友好 ：专为 Docker 环境设计，提供主机 IP 回环配置方案
5. 开源透明 ：MIT 许可证，代码规模仅 28KB，易于审计与定制
   潜在缺点与局限性
   配置门槛较高 ：首次部署需完成 6 步手动配置，涉及双端密钥生成、网关启用及容器文件拷贝
   网络耦合紧密 ：依赖 Agent Zero 与 Clawdbot Gateway 双服务在线，任一服务故障即中断工作流
   异常处理薄弱 ：JSON 解析等关键路径缺乏 try-catch 保护，无效输入可导致进程崩溃
   文件访问无边界 ： --attach 参数路径未做目录限制，存在越权读取风险
   生态锁定 ：深度绑定特定框架组合（Clawdbot + Agent Zero），迁移成本较高
   适合的目标群体
   AI 驱动开发团队 ：需要将 Claude 的对话能力与 Agent Zero 的自主编码能力结合的技术团队
   DevOps/平台工程师 ：负责构建内部 AI Agent 编排基础设施的运维人员
   研究型开发者 ：执行需要多轮工具调用、长期运行的自动化研究任务
   Docker 化工作流用户 ：已在容器环境中部署 Agent Zero 的现有用户群体
   使用风险
   性能瓶颈 ：长任务阻塞 Gateway HTTP 端点，高并发场景需额外队列机制
   密钥泄露风险 ： .env 文件以明文存储双端 API 密钥，共享环境需配合 secrets 管理
   网络中间人攻击 ：默认 HTTP 明文传输，跨主机部署需自行配置 TLS
   上下文文件污染 ： .a0_context 文件若被篡改可导致会话劫持或状态混乱
   版本兼容性 ：Agent Zero 与 Clawdbot 的 API 演进可能破坏桥接协议，需锁定版本

基于TypeScript装饰器模式的AI可控性框架，让AI助手安全调用应用功能，实现CopilotKit无缝集成与全类型安全。

基本信息

• 技能名称?supernal-interface
• 中文名称?让应用拥有AI调用能力的框架
• 作者?ianderrington
• 分类?其他
• 版本?未标注
• 标签?development-engineering, frontend, react, api, automation

使用方法

使用说明
Supernal Interface 是一款专为 TypeScript/React 应用设计的 AI 可控性框架，旨在通过装饰器模式将现有应用功能无缝暴露给 AI 助手。其核心机制围绕 @Tool 装饰器展开，开发者只需为类方法添加装饰器标记，即可让 AI 自动发现并调用应用功能，同时保持完整的类型安全。框架提供了与 CopilotKit 的深度适配器支持，也允许开发者构建自定义聊天界面适配器，并配套提供了 useToolBinding 、 usePersistedState 等 React Hooks 用于状态管理，以及 GherkinParser 等测试工具链。
该框架的显著优势在于其声明式的设计理念。通过简单的装饰器语法，开发者无需编写复杂的 API 文档或手动维护工具定义，框架会自动生成符合 AI 调用规范的接口。与 CopilotKit 的集成使得应用能够快速获得 AI Copilot 能力，而类型安全的保证则确保了 AI 调用过程中的数据一致性。此外，框架还提供了存储适配器抽象和测试工具链，覆盖了从开发到部署的全生命周期。
然而，该 Skill 目前主要作为概念性文档存在，并未包含可直接运行的框架代码实现。其标注的 npm 包 @supernal/interface 需要用户自行验证可用性和维护状态。此外，企业级功能（如多模型路由、审计日志等）明确标注需付费获取，开源版本的完整性存疑。作为 T3 来源的个人项目，其长期维护能力和社区支持度相比主流框架存在不确定性。
此 Skill 最适合正在探索 AI 应用集成的前端开发者，尤其是已使用 React 和 TypeScript 技术栈、希望快速为应用添加 AI 助手能力的团队。对于正在评估 CopilotKit 集成方案或希望了解装饰器模式在 AI 工具中应用的架构师，该文档提供了清晰的设计参考和学习价值。
使用风险方面，主要需注意来源可信度问题。虽然文档本身无代码执行风险，但依赖个人开发者维护的 npm 包可能存在供应链安全风险。建议在实际生产使用前，仔细审计 @supernal/interface 包的源代码和依赖树。此外，框架与 CopilotKit 的紧密耦合可能带来供应商锁定风险，自定义适配器开发也需要投入额外的集成成本。