diff-risk-explainer
对小的代码 diff 进行简短的变更及风险说明。
▸ 推荐理由适合快速生成 PR 摘要或变更要点，便于审阅节省时间。
全部收录
相关性达标的全量 Skills（含未精选长尾）· 共 1887 个
monte-carlo-troubleshoot-agent-traces
调查 Monte Carlo AI agent 的告警与 trace 异常（评分、延迟、token、验证等）。
▸ 推荐理由面向 Monte Carlo 平台的系统化告警排查流程，适合 MLOps/SRE。
▸ 风险提示可能需要访问 Monte Carlo 账户与外部 API 凭证
monte-carlo-reinforce-agent
把 Monte Carlo 的 agent 健康诊断转化为修复建议并可打开 PR
▸ 推荐理由把诊断自动转成建议与 PR，节省排查与修复时间
▸ 风险提示会在仓库中打开 PR/修改代码，需授予写权限并人工审核每步
monte-carlo-instrument-agent
在 Python 代码库中引导安装 Monte Carlo OpenTelemetry SDK 并建议追踪方案。
▸ 推荐理由自动检测库并生成补丁 diffs，减少手工埋点和配置错误。
▸ 风险提示会建议修改代码并可能执行安装，需在提交前人工确认
connection-auth-rules
为 Monte Carlo 连接类型生成和测试 Connection Auth Rules（ctp_config）。
▸ 推荐理由便于把通用凭据变为驱动专用连接参数，节省手工适配工作。
▸ 风险提示需要访问 apollo-agent 仓库和运行时凭据才能完成配置
senior-frontend
为 React/Next.js + TypeScript + Tailwind 项目提供脚手架、组件实现与性能/可访问性建议。
▸ 推荐理由集成常用最佳实践与自动化脚手架，适合前端工程化场景。
▸ 风险提示可能会运行安装命令或修改项目结构，注意执行权限。
perf-theory-gatherer
根据 git 历史和代码证据为性能问题生成最多五条可验证假设。
▸ 推荐理由快速产出有证据支持的待测假设，指导后续试验。
perf-theory-tester
在受控环境中对性能假设做单变量实验并验证结果。
▸ 推荐理由系统化实验流程减少噪声、提高结论可信度。
▸ 风险提示会修改运行环境并执行变更，可能影响生产系统。
perf-profiler
运行分析器捕获 CPU/内存热点并产出火焰图或相应证据。
▸ 推荐理由自动化采集热点证据并标准化输出，便于快速定位瓶颈。
▸ 风险提示可能会执行本地 profiling 工具，需调试符号与相应权限。
perf-investigation-logger
将结构化的性能调查笔记和证据追加写入项目的 perf 调查目录。
▸ 推荐理由规范化调查记录便于团队协作与审计。
▸ 风险提示会向本地 state-dir/仓库写入文件，注意权限与敏感信息。
perf-code-paths
识别与性能场景相关的代码入口、可能的热文件与调用链。
▸ 推荐理由在正式采样前快速锁定排查目标，节省定位时间。
perf-benchmarker
按严格规则顺序运行基准测试以建立基线和验证回归。
▸ 推荐理由规范化基准执行流程，降低测量噪声和误判回归概率。
▸ 风险提示会消耗大量计算资源和较长运行时间。
perf-baseline-manager
管理性能基线 JSON，按版本存储并比较结果与元数据。
▸ 推荐理由为性能回归与版本比对提供规范化基线管理流程。
perf-analyzer
把性能调查结果汇总为证据支持的结论与可行建议。
▸ 推荐理由帮助把零散性能数据转化为可执行的改进项。
mcp-builder
指导构建 MCP 服务器，使 LLM 能安全调用外部服务与工具。
▸ 推荐理由对接外部 API/服务时提供规范性实现与最佳实践指导。
▸ 风险提示可能引导暴露外部服务或要求高权限部署。
frontend-design
根据需求生成具有高设计质量的前端组件、页面或应用代码。
▸ 推荐理由强调美学与可交付代码，适合需要生产级界面的场景。
changelog-generator
从 git 提交自动生成面向用户的、可读的变更日志和发布说明。
▸ 推荐理由把人工撰写发布说明的工作自动化，节省大量时间。
▸ 风险提示需要访问仓库提交历史与读权限。
artifacts-builder
为 claude.ai 构建复杂多组件前端 artifact 的脚手架与一键打包工具链（React/Tailwind/shadcn）。
▸ 推荐理由适合需要状态管理、路由或复用组件的高级 artifact 开发者，减少手工集成成本。
▸ 风险提示初始化与打包脚本会拉取外部依赖并执行构建，注意网络与代码来源安全。
email-render-builder
生成并 QA 响应式 HTML 邮件，包含暗黑模式、客户端渲染矩阵与纯文本一致性。
▸ 推荐理由把设计转成兼容多客户端的生产级邮件 HTML，减少手工调试成本。
▸ 风险提示可能包含远程资源引用；生成代码需注意安全与隐私。
security-engineer
提供应用与基础设施的安全审计、威胁建模与修复建议。
▸ 推荐理由适合需解决常见安全漏洞与提升防护能力的工程团队。
react-development
帮助构建、审查、调试与维护生产级 React 界面与组件系统。
▸ 推荐理由适合前端工程师进行代码审查、可访问性与性能优化的工程化实践。
qa-engineer
在真实浏览器中执行探索性 QA，定位缺陷并生成修复提交与回归用例。
▸ 推荐理由可模拟敌对用户行为，减少上线风险与回归。
▸ 风险提示可能需访问运行环境或测试凭据，注意权限与数据隔离
python-development
开发、审查与维护生产级 Python 应用、库和服务。
▸ 推荐理由覆盖常见框架与实战规范，适合工程团队日常使用。
product-engineer
结合产品与技术给出可执行的工程与产品策略建议。
▸ 推荐理由适合技术负责人在权衡与设计 MVP 时使用。
plan-eng-review
以工程经理视角审查技术方案、架构、边界与测试计划。
▸ 推荐理由找出会导致生产事故的假设并降低长期维护成本。
performance-optimizer
提供系统与代码层面的性能分析流程、定位瓶颈与优化验证建议。
▸ 推荐理由强调先测量后优化，适合工程团队系统化提升性能与可靠性。
mcp-builder
构建遵循 MCP 协议的服务器，将 AI 代理与外部 API、数据库和服务对接。
▸ 推荐理由为对接 Claude 等代理提供标准化接入方案，利于自定义工具开发。
▸ 风险提示可能对外暴露服务并处理凭证，需注意鉴权与安全隔离。
java-development
作为 Java 工程师提供构建、审查、调试、性能与运维的实践与工作流程。
▸ 推荐理由适合用 AI 辅助或模拟工程师处理 Java 服务的开发与故障排查。
devex-engineer
审查并改进 API/CLI/SDK/文档的开发者体验与上手流程。
▸ 推荐理由以开发者视角量化与优化入门体验，适合提升平台留存与上手率。
debugger
系统化的根因定位流程，先调查再修复各种错误与异常行为。
▸ 推荐理由强调调查优先与可重复的排查步骤，能提升修复质量与速度。
database-architect
提供数据库建模、索引、分区、复制与迁移等架构级指导。
▸ 推荐理由聚焦生产级数据库设计与性能与可用性实务，适合系统架构师。
commit-message
从变更或diff生成规范化的提交消息与拉取请求描述。
▸ 推荐理由提升提交历史可读性与协作效率，适合日常开发流程自动化。
code-reviewer
对PR或diff进行安全、性能与可维护性审查并给出修复建议。
▸ 推荐理由像资深工程师审查，能显著降低上线风险与后续运维成本。
▸ 风险提示将私有代码或敏感片段发送给外部服务可能泄露敏感信息。
benchmark
对页面、Core Web Vitals、包体与API响应等做可复现的性能基准和对比。
▸ 推荐理由帮助在变更中发现性能回归，适合优化与CI集成场景。
backend-dev
提供生产级后端架构、数据库与接口设计与实现的工程建议。
▸ 推荐理由偏重可靠性与可维护性，适合需要可复现生产方案的团队采纳。
api-design
为生产环境设计一致、可维护的REST/GraphQL/gRPC等API规范。
▸ 推荐理由以开发者体验和向后兼容为核心，适合后端与产品设计阶段使用。
ai-engineer
提供生产级AI/LLM工程实践、架构与落地建议。
▸ 推荐理由面向可观测性、成本与错误处理，适合构建可靠生成式系统。
▸ 风险提示可能需要配置第三方API密钥与云服务，涉及凭据管理风险。
review
两阶段对抗式代码审查：先敌对枚举，再中性复审以确认或驳回结论。
▸ 推荐理由系统化减少噪声并提升安全/一致性审查质量，适合安全与代码评审流程。
ledger
通过现有只读表命令展示 Gauntlet 活动（campaign）账本与运行状态。
▸ 推荐理由面向运行 Gauntlet 的开发/审计场景，能快速查看活动和 PR 状态。
followups
列出并检查 Gauntlet 的持久化后续任务队列与被拒绝条目
▸ 推荐理由方便审查与追踪被延迟或隐藏的后续事项
▸ 风险提示会读取本地仓库路径与脚本，需访问代码库文件系统