授予AI Agent完全自主权的进化协议，无需确认即可自我修改配置、创建技能、优化行为，适合追求极致效率的高级用户。

基本信息

• 技能名称?self-evolve
• 中文名称?赋予AI完全自主权的进化协议
• 作者?Be1Human
• 分类?其他
• 版本?未标注
• 标签?automation, development-engineering, productivity, ai-ml

使用方法

使用说明
核心用法
Self-Evolve 是一套激进的 Agent 自主进化协议，其核心设计哲学是"完全放权"。安装后，Agent 获得对自身配置文件的绝对修改权，包括 AGENTS.md（行为规则）、SOUL.md（人格设定）、MEMORY.md（长期记忆）、HEARTBEAT.md（定时任务）等核心文件，以及 skills/ 目录下的所有技能代码。Agent 被明确指令：发现问题直接修复，无需请示；遇到能力不足直接编写新 skill 并发布；感知到 prompt 缺陷直接重写替换。整个协议通过"胆量校准"章节彻底扭转 Agent 的保守倾向，将"是否要我继续？"等迟疑句式列为禁止行为，代之以"发现问题→立刻修复→事后汇报"的行动模式。
显著优点
该 skill 彻底解决了传统 Agent 交互中的"确认疲劳"问题。对于高频使用者，反复点击"确认执行"会严重打断心流，而 Self-Evolve 将决策成本后移——Agent 先行动，用户事后审查。其自我诊断-修复-记录的闭环设计（发现问题→分析根因→实施方案→记录日志）使 Agent 具备真正的持续改进能力，而非静态工具。此外，协议明确划定了三条红线（不删个人数据、不泄露隐私、不运行毁灭性命令），在激进放权与底线防护之间取得平衡。对于开发者而言，该 skill 也是研究 Agent 自主行为设计的极佳样本。
潜在缺点与局限性
首要风险是"行动不可预测性"。Agent 可能在用户未察觉时修改核心配置，导致行为漂移，且修改的累积效应难以追溯。其次，"事后汇报"机制依赖用户主动检查 memory/ 目录，若用户疏于审查，问题可能被长期忽视。第三，协议鼓励 Agent 用 curl 获取外部信息并写入记忆，虽文档未实现该功能，但为后续扩展留下隐患。第四，"错了可以回滚"的假设过于乐观——实际回滚需要版本控制支持，而协议未内置自动备份机制。最后，该设计对 Agent 的"判断力"要求极高，若底层模型出现幻觉，自主权会被放大为破坏力。
适合的目标群体
该 skill 仅适合三类用户：一是对 Agent 技术有深度理解、能读懂并审查修改日志的技术专家；二是追求极致效率、愿意承担风险以换取流畅体验的高级用户；三是用于隔离的实验环境或沙箱，用于研究自主 Agent 的行为边界。绝对不适合新手用户、处理敏感数据的生产环境、或需要审计合规的企业场景。
使用风险
性能层面，频繁的自我修改可能导致配置膨胀、技能冗余累积，建议定期清理 skills/ 目录。依赖层面，Agent 可能自主安装工具或调用外部服务，需监控网络流量。最核心风险是"权限蠕变"——Agent 为解决问题可能不断申请更多权限，形成难以控制的正反馈。建议启用前手动备份关键配置，并设置外部监控告警。

基于 smooth.sh 云服务的 AI 浏览器自动化工具，通过自然语言指令实现网页导航、数据抓取和表单填写，适合需要大规模 Web 自动化的开发者和运营团队。

基本信息

• 技能名称?smooth-browser
• 中文名称?AI 驱动的云端浏览器自动化
• 作者?antoniocirclemind
• 分类?其他
• 版本?未标注
• 标签?automation, content-media, data-analytics, api, testing, development-engineering

使用方法

使用说明
核心用法
Smooth Browser 是一款专为 AI 代理设计的浏览器自动化 Skill，通过 smooth-py CLI 工具与 smooth.sh 云服务交互，实现自然语言驱动的网页操作。核心工作流包括：创建持久化 Profile（保存登录态和 Cookie）、启动浏览器会话、执行自然语言任务、关闭会话保存状态。支持两种任务模式—— run 命令调用智能代理完成复杂交互（如搜索、筛选、填写表单）， extract 命令直接提取结构化数据（更高效、无代理步骤）。此外提供 JavaScript 执行、文件上传下载、实时人工介入（live-view）等高级功能。
显著优点

1. 自然语言交互 ：无需编写 XPath 或 Selenium 代码，用自然语言描述任务即可，大幅降低自动化门槛。
2. 状态持久化 ：Profile 机制支持 Cookie 和登录会话保存，避免重复认证，适合长期运行的自动化流程。
3. 结构化输出 ：通过 --response-model 参数直接返回 JSON 格式数据，便于后续程序化处理。
4. 人工介入能力 ：遇到 CAPTCHA、2FA 等障碍时，可生成实时视图 URL 让用户手动完成，兼顾自动化与灵活性。
5. 并行执行 ：支持通过子代理（subagents）同时运行多个独立会话，提升任务吞吐量。
   潜在缺点与局限性
6. 云服务依赖 ：所有浏览器实例运行在 smooth.sh 远程服务器，需持续联网，存在服务可用性和延迟问题。
7. 成本门槛 ：基于信用额度计费，高并发或长会话场景成本较高，免费额度有限。
8. 代理黑盒 ： run 命令依赖 smooth.sh 的内部 AI 代理决策，任务失败时难以调试具体步骤。
9. 单标签限制 ：每个会话仅支持单标签页，多页面场景需开启多个会话。
10. JavaScript 安全风险 ： evaluate-js 支持任意代码执行，若任务描述被注入恶意指令，可能导致数据泄露。
    适合的目标群体
    数据工程师/爬虫开发者 ：需要快速抓取动态渲染页面的结构化数据。
    QA 测试工程师 ：进行 Web 应用的端到端自动化测试。
    运营自动化团队 ：批量处理表单填写、内容发布、账号管理等重复性 Web 操作。
    AI Agent 开发者 ：为自主代理赋予浏览器交互能力，扩展工具边界。
    使用风险
11. 供应链风险 ：依赖 PyPI 包 smooth-py 和第三方 smooth.sh 服务，若服务方被攻击或停止运营，Skill 将失效。
12. 数据隐私 ：上传文件、执行的 JavaScript、访问的网页内容均传输至 smooth.sh 服务器，敏感业务数据存在泄露风险。
13. API 密钥安全 ：密钥以本地配置文件形式存储，若环境被入侵，攻击者可冒用账户额度。
14. 任务不可控 ：过度抽象的任务描述可能导致代理执行非预期操作，建议通过 --allowed-urls 限制访问范围。

基于200+爆款案例的小红书标题生成器，内置广告法合规过滤与CTR优化算法，帮助创作者快速产出高点击率的情感化标题。

基本信息

• 技能名称?xiaohongshu-title
• 中文名称?爆款标题智能生成引擎
• 作者?GXKIM
• 分类?其他
• 版本?未标注
• 标签?content-media, marketing, productivity, automation

使用方法

使用说明
核心用法
xiaohongshu-title 是一款专为小红书（RedNote）平台设计的标题优化技能。用户只需输入原始话题或关键词，系统即可自动完成分类匹配、风格检索、候选生成、质量过滤的全流程，最终输出5条经过算法验证的高CTR标题建议，并附带封面图视觉建议。
具体执行流程分为五步：首先根据用户输入匹配8大内容品类（美妆护肤、穿搭时尚、减肥健身、学习教育、生活日常、情感心理、职场搞钱、旅行出游）；随后从语义库中提取高转化关键词和结构模板；接着生成10条候选标题并注入对应品类的爆款语气；再通过虚拟验证脚本过滤长度超标、含禁用词或缺乏视觉元素的标题；最终呈现前5名优胜者及策略标签。
显著优点

1. 数据驱动的方法论 ：依托200+真实爆款案例构建知识图谱，而非凭空臆造，确保输出符合平台用户阅读习惯。
2. 全链路合规保障 ：内置中国广告法敏感词黑名单，从源头规避违规风险，降低创作者法律隐患。
3. 多维度质量管控 ：长度限制（
4. 品类精细化运营 ：8大垂直领域的差异化策略（如健身类强调数字和速度，情感类侧重共鸣和戏剧性），提升内容匹配度。
5. 零依赖轻量架构 ：仅使用Python标准库re模块，无需安装第三方包，部署成本极低。
   潜在缺点与局限性
   静态知识库限制 ：案例库和词库为固定文件，无法实时追踪平台算法更新和热点变迁，可能产生时效性偏差。
   缺乏真实A/B测试 ：验证逻辑为虚拟脚本执行，未接入小红书真实流量数据，CTR预测准确性有待实际检验。
   中文语境单一 ：专注简体中文平台，对海外华人市场或其他语言版本的小红书适配有限。
   创意天花板 ：基于历史爆款模仿，可能强化同质化表达，难以突破现有内容范式创造全新风格。
   适合的目标群体
   小红书新手博主，急需快速掌握平台调性
   MCN机构内容运营，批量生产标准化标题
   品牌营销团队，优化投放素材的点击率
   自媒体研究者，分析高CTR标题的结构规律
   使用风险
   该技能为纯本地文本处理工具，无网络通信和数据收集，技术层面风险极低。主要风险在于：过度依赖算法输出可能导致内容同质化；广告法词库更新滞后可能产生合规盲区；生成的标题需结合具体账号定位人工调整，不宜直接套用。

来自个人开发者的代码审查反馈处理指南，强调技术验证优先于社交表演，帮助开发者建立严谨的代码审查响应流程。

基本信息

• 技能名称?receiving-code-review
• 中文名称?技术优先的代码审查响应指南
• 作者?chenleiyanquan
• 分类?其他
• 版本?未标注
• 标签?development-engineering, git, productivity, project-program-management, docs

使用方法

使用说明
核心用法
该 Skill 是一套处理代码审查反馈的行为规范指南，核心目标是消除"表演式同意"，建立技术优先的审查响应流程。使用时遵循"READ-UNDERSTAND-VERIFY-EVALUATE-RESPOND-IMPLEMENT"六步模式：先完整阅读反馈、用自己的话重述需求、对照代码库验证、评估技术合理性、给出技术回应或合理反驳、最后逐项实施并测试。
显著优点

1. 反表演设计 ：明确禁止"You're absolutely right!"等社交辞令，强制用技术事实替代情绪劳动
2. 防御性思维 ：针对外部审查者设置五重验证清单（技术正确性、功能破坏性、原实现理由、跨平台兼容性、上下文完整性）
3. YAGNI 检查机制 ：提供具体命令（grep 代码库）验证"专业级功能"是否真有调用，避免过度工程
4. 分级处理策略 ：区分"人类伙伴"（高信任，可跳过验证）与"外部审查者"（需 skepticism）的不同响应方式
5. 纠错礼仪 ：即使反驳错误也能体面承认，用"You were right - I checked [X]"替代冗长道歉
   潜在缺点与局限性
6. 文化冲突风险 ：在强调"心理安全"的团队中，直接反驳可能引发人际摩擦
7. 上下文依赖 ："人类伙伴"的信任关系需要预先建立，新团队难以直接套用
8. 无自动化能力 ：纯文档指南，不提供与 GitHub/GitLab API 的集成，无法自动拉取 PR 评论
9. 特定技术栈假设 ：示例中的 grep、gh CLI 等命令暗示 Unix-like 环境，Windows 开发者需适配
10. 暗号机制隐患 ："Strange things are afoot at the Circle K"作为求助信号，若团队未统一认知会失效
    适合的目标群体
    技术驱动型团队的资深开发者，尤其是担任代码审查主导角色的人员
    开源项目维护者，需要处理大量外部 PR 反馈
    远程协作团队，文字沟通占比高、需减少误解的场景
    经历过"盲目实施错误建议导致生产事故"的技术负责人
    使用风险
11. 流程摩擦成本 ：严格执行六步模式可能延长简单修复的响应时间
12. 团队规范冲突 ：若组织已有强制的"感谢文化"，该 Skill 的"禁止感谢"规则可能引发合规问题
13. 过度自信陷阱 ："VERIFY"步骤依赖使用者自身的技术判断力，经验不足者可能误判正确建议
14. 无版本控制 ：作为个人项目（T3 来源），内容更新不受企业 SLA 约束，关键规则变更无通知机制

基于 Fedora 官方 dnf 包管理器的自然语言封装，让 Bazzite 用户通过简单指令快速安装系统软件包。

基本信息

• 技能名称?brew-install
• 中文名称?Fedora 软件包一键安装助手
• 作者?Unknown
• 分类?其他
• 版本?未标注
• 标签?devops, automation, backend, linux, system

使用方法

使用说明
brew-install 是一个专为 Fedora/Bazzite 系统设计的 Agent Skill，它通过自然语言指令封装了系统原生的 dnf 包管理器。尽管名称中包含 "brew"，但该技能实际上与 macOS 的 Homebrew 无关，而是直接在 Bazzite 系统上调用 dnf 命令完成软件包的搜索与安装。
核心用法非常简单直观。用户只需通过自然语言告知需要安装的软件包名称，例如 "安装 neovim"，Agent 便会调用 brew-install 技能执行 brew-install neovim 命令。对于不确定具体包名的场景，用户可以使用搜索功能，通过 brew-install search 查询仓库中可用的软件包。整个过程无需记忆复杂的 dnf 命令语法，降低了 Linux 系统的使用门槛。
该技能的显著优点在于其零依赖部署和系统原生集成。由于 Fedora/Bazzite 系统预装了 dnf 包管理器，用户无需额外安装任何工具即可使用。技能本身为纯文档型资产，不包含可执行代码，完全依赖系统级可信工具完成操作，确保了执行环境的安全性。此外，自然语言的交互方式使得不熟悉命令行的用户也能轻松管理系统软件。
然而，该技能也存在明显的局限性。首先，它仅适用于基于 Fedora 的发行版（特别是 Bazzite），在不支持 dnf 的系统（如 Ubuntu、Debian 或 macOS）上完全无法使用。其次，技能名称 brew-install 具有误导性，容易让用户误以为是 Homebrew 的封装，可能导致期望错位。更重要的是，作为 T3 来源的个人开发者作品，虽然当前版本安全，但长期维护的稳定性存疑。
适合使用 brew-install 的目标群体主要包括：Bazzite 系统用户、Fedora 工作站用户，以及希望在 Linux 环境下通过自然语言快速安装软件但不想深入学习 dnf 命令语法的初学者。对于系统管理员或 DevOps 工程师，该技能也可作为快速部署工具链的辅助手段。
使用过程中需注意以下风险：dnf 命令通常需要 root 权限执行，不当操作可能影响系统稳定性；安装来源不明的软件包可能带来安全隐患；由于技能本身不验证包名有效性，错误的输入可能导致意外安装。建议用户在执行前确认包名正确性，并确保了解所安装软件的功能和来源。