该技能为创建有效技能提供了指导。

关键原则：客户端=状态信使，而不是决策者。 LLM选择工具，客户促进执行。

要创建高质量的 MCP（模型上下文协议）服务器，使 LLM 能够有效地与外部服务交互，请使用此技能。 MCP 服务器提供允许 LLM 访问外部服务和 API 的工具。 MCP 服务器的质量是通过它使法学硕士使用所提供的工具完成实际任务的能力来衡量的。

Effect-TS 是一个函数式 TypeScript 库，提供类型化效果、结构化并发和强大的运行时。该技能涵盖了正确的使用模式，并解决了 LLM 生成的内容中的常见误解。

根据参考集中的具体示例编写新文本或重写现有文本，使其符合 Kasper 的风格。

了解一项任务并探索现有的实施如何与其相关。

通过将确定性步骤与基于判断的步骤分开来培养可靠的技能。

在轻量级图形数据库和 CLI 的支持下，通过单一技能运行完整的机会解决方案树工作流程。

通过 GitHub Actions 将新版本发布到 PyPI 的发布工作流程。

在验证假设之前，生成基于结果和机会的多个产品解决方案概念。

改进文档，使其保持最新、连贯并以用户待完成的工作为中心。倾向于内容较少、清晰度较高的内容。

定义描述可衡量的行为变化或业务影响的结果，而不是功能。建立一个清晰的结果阶梯，使机会发现和解决方案想法有一个共同的目标。

通过从首要原则和待完成工作 (JTBD) 进行推理，找到真正的机会。在提出任何解决方案之前，请先关注用户的工作、背景和限制。

花费大量时间爬行和分析代码库，以找出具有高影响力的改进。集中研究代码库、开发人员、最终用户和在存储库中工作的人工智能代理的待完成工作。

在机会解决方案树中提出最危险的假设，并设计可以快速证明或反驳它们的最小测试。

将多个选项汇聚为单一推荐方法。

创建全面的实施计划并进入计划模式执行。

提交工作流程可确保质量关卡通过并在提交前更新变更日志。

严格的代码审查侧重于质量、可维护性和架构的健全性。

在选择单一路径之前，广泛探索解决方案空间。