bootstrap
在无标注与评测集时构建初始评估体系与 v0 分级器。
▸ 推荐理由快速把空白项目变为可验证的初步评测流程，便于迭代。
全部收录
相关性达标的全量 Skills（含未精选长尾）· 共 417 个
redteam
生成攻击型提示并系统性评估模型/应用的安全与越狱漏洞。
▸ 推荐理由为模型与代理提供结构化、政策感知的红队测试流程。
▸ 风险提示包含可用于绕过模型防护的攻击性提示，禁止滥用或未经授权测试。
prompt-regression
用严格统计方法对比两版提示，报告置信区间并校正位置偏倚。
▸ 推荐理由强制置信区间与去偏方法，适合需要严谨验证提示改动效果的工程化场景。
rag-eval
把检索与生成问题分离，诊断 RAG 系统并定位是检索还是生成导致错误。
▸ 推荐理由能快速定位 RAG 故障来源，帮助针对性优化检索或生成模块。
eval-report
汇总多项评测结果，生成综合分析报告、趋势与优先整改建议。
▸ 推荐理由把分散的评测信号综合成可执行的高层结论和优先级，便于决策。
align-human
评估自动评判器与人工标注的一致性，检测系统性偏差并规划人力替代路径。
▸ 推荐理由有严格门控条件，有助于安全且可验证地降低人工审核比例。
metric-design
选择、配置并组合评测打分器，生成可用于自动评估的度量与代码。
▸ 推荐理由输出可执行的 GradingRunner 代码，便于将多种评估器整合到管道中。
▸ 风险提示需要安装并依赖 py-openjudge 等外部 SDK
eval-design
为 LLM/agent 设计高质量评测数据、测试用例与分层样本并输出可用数据集。
▸ 推荐理由能产出可直接用于自动评测（如 OpenJudge）的评测集，节省人工设计成本。
meta-eval
指导从零构建 LLM/agent 评估体系并推荐后续评测路径与工具。
▸ 推荐理由适合想搭建或改进评估管线的团队，覆盖从数据到工具的决策点。
rl-reward
为 RL/RLHF 构造点式或对式奖励并聚合多维评分为标量
▸ 推荐理由提供可配置奖励策略与对比式方案，便于训练回报设计
ref-hallucination-arena
检验模型引用的文献是否真实并衡量参考文献的幻觉率
▸ 推荐理由字段级验证准确性，适合引用质量基准测试
▸ 风险提示会调用外部数据库/API进行核验
paper-review
对学术论文进行安全、正确性、创新性等多阶段自动审阅
▸ 推荐理由支持多学科与 LaTeX/PDF，便于自动化初审与筛查
▸ 风险提示自动审稿结果需人工复核，可能存在误判
openjudge
用 OpenJudge 构建 LLM 输出的自动化评估与评分流水线
▸ 推荐理由完整的评测组件与策略，适合模型对比与打分
bib-verify
将 .bib 文件逐条核对 CrossRef、arXiv 与 DBLP 并报告字段不匹配的技能。
▸ 推荐理由自动发现伪造或错误引用，节省人工核对参考文献的时间。
▸ 风险提示需访问外部学术数据库，涉及网络请求与可能的速率限制。
auto-arena
自动生成测试用例、收集模型响应并用判定模型生成排行胜率的对比框架技能。
▸ 推荐理由端到端对比多模型、自动化生成评测标准，适合模型选择与研究对比。
▸ 风险提示会调用外部模型端点并需 API 密钥，可能产生费用或泄露输入数据。
agent-evaluation-v3
面向 LLM 代理的测试与基准评估工作流，含支持文件与来源信息。
▸ 推荐理由适合需要保留并移植上游评测流程和证据的场景。
agent-evaluation-v2
用于对 LLM 代理进行行为测试与基准评估的工作流包。
▸ 推荐理由保留上游完整工作流与支持文件，便于复现和迁移测试流程。
advanced-evaluation
实现 LLM 驱动的输出比较与评估工作流，支持配对比较与打分。
▸ 推荐理由能快速搭建自动化评测管线，适合模型迭代验证。
advanced-evaluation-v2
提供 LLM 作为评判者的评价流程，用于比较与评分模型输出。
▸ 推荐理由适合需要系统化评测、生成评价标准和减偏的研究/工程团队。
20-andruia-niche-intelligence
提供针对特定细分行业的情报分析与知识注入（旧版）。
▸ 推荐理由适合项目早期快速补充领域背景知识。
▸ 风险提示可能引用未经核实的行业信息或法规。
20-andruia-niche-intelligence-v2
针对特定行业注入法规、标准与领域知识的情报工作流（v2）。
▸ 推荐理由有助于快速获取行业准入与合规要点。
▸ 风险提示可能引用未经核实的行业信息或法规。
page-analysis
分析网页内容与结构，输出页面组成、要点与交互元素说明。
▸ 推荐理由快速理解复杂页面结构，利于后续信息抽取或自动化决策。
▸ 风险提示会访问外部网页用于抓取与分析
deep-research
跨多源调研并生成带引用的 Markdown 报告与结构化 JSON。
▸ 推荐理由适合需要系统化、可引用的深度调查与报告自动化。
▸ 风险提示会访问外部网站并在本地写入研究文件
wr3-editorial-bench
定期收集并分析顶级媒体与竞品的视频编辑样板与趋势报告。
▸ 推荐理由自动化竞品与行业样板研究，帮助内容策略与风格定位决策。
▸ 风险提示抓取外部媒体与样板可能涉及版权、反爬或访问限制风险。
research
为代码库出具不带承诺的预决策调研包，评估风险与后续路径。
▸ 推荐理由专注于 repo 级别的可行性与风险评估，适合决策前分析。
model-bakeoff
让多模型在隔离工作树独立完成同一变更并对比评分合并最佳结果
▸ 推荐理由提供可复现且公平的多模型代码变更竞赛与评估流程
▸ 风险提示可能需大量计算资源并访问多个模型接口
search-knowledge
并行检索 Confluence 与 Jira 并合成带引用的答案。
▸ 推荐理由将企业知识库交叉搜索并给出可引用的综合答复。
▸ 风险提示读取公司内部文档可能暴露敏感信息，应注意数据边界。
search-knowledge
并行搜索 Confluence 与 Jira，合成带引用的答案以回答公司知识问题。
▸ 推荐理由快速定位跨系统讨论与决策证据，便于做出基于证据的回答。
▸ 风险提示需要读取权限并可能暴露敏感内部信息，注意访问控制。
search-knowledge
并行搜索 Confluence 与 Jira 并汇总带引用的答案
▸ 推荐理由快速把公司文档与工单结合成有引用的回答，便于决策与共享
▸ 风险提示需要配置 atl CLI，读取公司内部文档需具备访问权限
benchmark-skill
设计并运行技能的对照基准试验，生成可复现评估报告。
▸ 推荐理由适合验证技能改进是否真实带来收益。
▸ 风险提示可能调用模型或外部服务产生费用与数据外泄风险
amadeus-feasibility
单独运行 AI‑DLC 的 feasibility（可行性）阶段，生成概念验证输出。
▸ 推荐理由便于快速产出可行性分析与合成 id 对用于后续跟踪。
research
用后台代理对高信任的原始资料做调查并生成 Markdown 报告。
▸ 推荐理由适合把阅读与事实核查工作交给代理并产出可审计文档。
microsoft-docs
检索并引用 Microsoft 官方文档，回答配置、限制与最佳实践问题。
▸ 推荐理由直接引用权威资料，适合需要精确信息与配置细节的场景。
refine-literature-question
把宽泛主题精炼为一句可用于检索与写作的研究问题。
▸ 推荐理由快速界定相关文献边界，节省无关阅读时间。
map-literature-contradictions
把文献中冲突的发现映射、解释并结构化为信息。
▸ 推荐理由将分歧转为可检验的解释与后续研究线索。
locate-review-research-gap
从综述合成中定位明确且可执行的研究空白与后续研究方向。
▸ 推荐理由把模糊的“未来研究”转为具体可实施的研究议程。
decompose-review-modules
将核心研究问题拆成3-5个清晰、基本不重叠的综述模块。
▸ 推荐理由便于构建阅读地图、子章节大纲与检索编码方案。
compare-research-methods
比较并论证不同研究方法能回答的问题、局限与适用场景，生成方法表格。
▸ 推荐理由帮助论文或提案中以论证方式选择方法并生成清晰的比较表格。
ratchet-research
用 Claude 做调研并将经审核的结论作为持久知识导入 ratchet。
▸ 推荐理由把一次性研究转化为可复用的知识条目，适合长期知识管理。
run-provenance
记录与追踪任务/实验运行的溯源信息，便于复现与审计。
▸ 推荐理由为研究或数据工作提供系统化的运行历史与复现证据。
▸ 风险提示可能记录敏感输入/输出，需注意数据脱敏与存储策略。