诊断并修复 macOS 上的 Windows 应用程序 (AVD/WVD/W365) 连接质量问题，重点关注传输协议优化。

比较两个视频并生成分析压缩结果的交互式 HTML 报告。该脚本提取视频元数据，计算质量指标（PSNR、SSIM），并使用三种查看模式（滑块、并排和网格）创建逐帧视觉比较。

无需 JavaScript 或身份验证即可获取 Twitter/X 帖子内容。

当 Tailscale 与 macOS 上的代理/VPN 工具共存时，诊断并修复冲突，并提供有关 SSH 访问 WSL 实例的具体指南。

通过基于词典的规则、人工智能驱动的更正和自动模式检测来纠正语音到文本的转录错误。建立一个个性化的知识库，从每次纠正中学习。

创建结构良好的教育性 Teams 频道帖子，以共享有关 Claude Code 功能和最佳实践的内部知识。此技能提供模板、编写指南和结构化工作流程，以生成一致的、可操作的内容，帮助同事学习有效的克劳德代码用法。

此技能提供了用于创建和自定义 Claude Code 状态行的工具和指导。它生成针对纵向屏幕优化的多行状态行，与 ccusage 集成以进行会话/每日成本跟踪，显示 git 分支状态，并支持颜色自定义。

在执行其他操作之前，请检查 ccpm 是否可用。如果没有，请使用一个命令引导整个生态系统：

根据官方最佳实践审查和提高克劳德代码技能。

创造新技能并迭代改进它们的技能。

此技能从 repomix 打包的存储库中提取文件并恢复其原始目录结构。 Repomix 将整个存储库打包成单个 AI 友好的文件（XML、Markdown 或 JSON），并且此技能反转该过程以恢复单个文件。

通过自动检测和删除硬编码凭据，使用 repomix 安全地打包代码库。

此技能提供使用 Promptfoo 配置和运行 LLM 评估的指导，Promptfoo 是一个用于测试和比较 LLM 输出的开源 CLI 工具。

使用 EARS（需求语法简易方法）将模糊提示优化为精确、可操作的规范，EARS 是一种将自然语言转换为结构化、可测试需求的劳斯莱斯方法。

多路径并行产品分析，结合了 Claude Code 代理团队和 Codex CLI，以实现跨模型测试时计算扩展。

目标：将一个简单的主题转变为可用于演示的高质量幻灯片。当关键信息丢失时，请使用最小摄入表（references/INTAKE.md）来收集上下文或应用安全默认值。然后按照工作流程 (references/WORKFLOW.md) 生成大纲、幻灯片草稿、图表和演讲者注释。生成后，使用评分细则进行自我评估（参考文献/RUBRIC.md）；如果分数 < 75，则自动优化最多 2 次迭代，直到在交付前≥ 75。有关最终输出结构，请参阅可交付成果部分。

通过 Markdown 创建专业的 PDF 文档，并提供适当的中文字体支持。

该技能可以从 Markdown 文件中提取美人鱼图并生成高质量的 PNG 图像。该技能将所有必要的脚本（ extract-and-generate.sh 、 extract_diagrams.py 和 puppeteer-config.json ）捆绑在 script/ 目录中，以实现可移植性和可靠性。

通过迭代审查，将原始会议记录转化为全面的、基于证据的会议纪要。

通过智能多工具编排将文档转换为高质量的 Markdown。