Claude Skills
The open format is called Agent Skills and works in Claude Code, Codex, Cursor and other agents — most people know it as Claude Skills.
Every Agent Skill we could find on GitHub, deduplicated by content. 86 696 files from 2 113 authors, of which 68 413 are unique — the rest is the same skill repackaged into someone else's repository. For each one: what it weighs in tokens, whether it ships runnable scripts, and which MCP servers it needs.
停止错误方向，也是一种推进——归零分析、暂停策略、止损决策
收入从哪里来，产品就会站在哪边——收入来源审视与激励偏差检查
先看机制是否有害，再看结果是否有效——价值/代价/情绪/退出权四重检查
把话说真，而不是把问题说顺——语言清洗、纪要体检、诚实表达练习
修正判断路径，而不是堆更多观点——拆解判断链，区分前提/证据/推理/情绪
持续觉察、系统反思、判断沉淀——建立个人与团队的决策觉察力
先修正看法，再调用方法——默认检查、证据校验、后果追问、八种修正视角
把问题看准，而不是把现象说圆——三层看问题法（现象层/情境层/关系层）
《判断力与直觉力》全书编排器——九步闭环决策路线图的路由器与聚合器
判断力元认知——理解什么是判断、识别判断的场景与类型
直觉训练——将直觉转化为可压缩的认知模型与模式识别
系统性思维——结构化分析、关系映射、反馈回路识别
产品心理学——用户心理模型、行为设计、动机分析
AI产品决策九步闭环总论——覆盖做什么、值不值得、用不用AI、做成什么、用户托付、怎么做、怎么验证、怎么卖、反馈回路
九步前半段——做什么、值不值得、用不用AI的判断框架
九步中段——做成什么形态、用户托付度、怎么做的决策框架
九步后段——怎么验证、怎么进入市场、反馈回路的决策框架
判断陷阱与认知偏误——识别常见判断错误模式及其防范策略
直觉进化——持续训练判断力、建立标准提升机制
组织判断力——将个人判断转化为团队判断能力的系统方法
《AI Beauty》全书编排器——审美主导权与美感体系化训练的路由器
AI在审美中的角色定位——放大器/陪练器/协作者，而非审美本身
美感的重新定义——生成焦虑、美感六维度、美感双轴模型
从生产美感到选择美感——选择力是新核心技能，Context决定输出上限
人的不可替代性——美感作为护城河、标准进化、人的核心优势
故事力即美感——叙事结构、情感节奏、信息架构的审美维度
AI Native 产品方法论——试验展开概述的实操 Skill。 用户提供 Direction Brief，Skill 自动执行试验展开框架设计： 资料准备评估 → 三层实验体系设计 → 评估Rubric建立 → 实验节奏规划 → 输出试验展开总体方案。 基于《AI Native 产品方法论》第06章（试验展开-概述）。 '
审美训练体系——系统化积累与校准审美标准、人机协作流程、标准进化机制
美感的商业价值——市场接受度、美感溢价、体验美感、物理世界平衡
AI Native 产品方法论——试验展开阶段的实操 Skill。 用户提供 Direction Brief 或问题方向，Skill 自动执行试验展开流程： 资料准备 → 能力实验 → 产品实验 → 商业实验 → 评估与失败分析 → 输出实验结论报告。 覆盖《AI Native 产品方法论》第06-10章。 '
前言与核心命题——当一切都能生成之后，审美主导权成为核心竞争力
AI Native 产品方法论——产品形态探索的实操 Skill。 用户提供能力实验结论，Skill 自动执行产品形态探索： 能力边界分析 → 交互原型设计 → 工作流嵌入测试 → 产品形态判断 → 输出产品形态建议。 基于《AI Native 产品方法论》第07章（试验展开-产品形态探索）。 '
AI Native 产品方法论——流程重构与任务设计的实操 Skill。 用户提供产品形态建议，Skill 自动执行流程重构设计： 任务拆解 → 人机协作模式选择 → 工作流设计 → 节点标注 → 验证与迭代 → 输出流程重构方案。 基于《AI Native 产品方法论》第08章（试验展开-流程重构与任务设计）。 '
AI Native 产品方法论——目标收敛与产品决策的实操 Skill。 用户提供多轮实验记录，Skill 自动执行收敛分析： 实验记录整理 → 证据对比分析 → 收敛信号识别 → 产品决策 → 输出收敛报告与决策结论。 基于《AI Native 产品方法论》第09章（试验展开-目标收敛与产品决策）。 '
AI Native 产品方法论——记忆系统设计的实操 Skill。 用户提供产品场景，Skill 自动执行记忆系统设计流程： 记忆需求分析 → 记忆分类设计 → 权限与时效策略 → 存储与索引 → 人工修正与再沉淀 → 输出记忆系统方案。 基于《AI Native 产品方法论》第13章。 '
AI Native 产品方法论——影子验证的实操 Skill。 用户提供收敛决策结论，Skill 自动执行影子验证： 影子系统设计 → 并行运行方案 → 人工对比机制 → 失败模式沉淀 → 审计放行证据 → 输出影子验证报告。 基于《AI Native 产品方法论》第10章（试验展开-影子验证）。 '
AI Native 产品方法论——系统构建阶段的总论 Skill。 用户提供实验结论报告，Skill 自动执行系统构建流程： 实验证据输入 → 系统边界定义 → 能力模块设计 → 治理与观测补齐 → 输出系统构建方案。 基于《AI Native 产品方法论》第11章。 '
AI Native 商业模式设计 Skill。基于《AI确定性商业模式》方法论， 帮助用户设计以"确定性溢价"为核心的 AI 商业模式： 避开6种失效模式，选择4种确定性模型，构建可持续的收费逻辑。
AI Native 产品方法论——智能体与技能单元设计的实操 Skill。 用户提供任务场景，Skill 自动执行能力编排设计流程： 任务拆解 → Agent 角色定义 → Skill 拆分 → Tool 映射 → 边界与回退设计 → 输出能力编排方案。 基于《AI Native 产品方法论》第12章。 '
AI Native 产品方法论——上下文工程的实操 Skill。 用户提供任务场景，Skill 自动执行上下文组织流程： 任务目标识别 → 上下文层选择 → 动态拼装 → 成本与窗口控制 → 结果校验与纠偏 → 输出上下文工程方案。 基于《AI Native 产品方法论》第14章。 '
仲裁者模式设计器。设计以"真相即服务"为核心的商业模式： 提供可验证的真实信息和判断，让用户相信每个数字都是真的。 基于《AI确定性商业模式》概念卡。
确定性溢价计算器。基于《AI确定性商业模式》核心公式， 帮助产品团队计算 AI 产品的确定性溢价，从而设计更高价值的收费模式。
保险模式设计器。设计以"结果担保"为核心的商业模式： 为 AI 的输出结果提供担保，出错则赔偿或免费。 基于《AI确定性商业模式》概念卡。
AI Native 营销与增长策略 Skill。基于《AI Native 营销与增长》方法论， 帮助用户构建以 AI 为第一性原理的增长系统：从工具思维升级为系统思维， 建立 AI Native 增长飞轮，实现数据-模型-反馈的复利增长。
数据飞轮构建器。基于《AI Native 营销与增长》数据飞轮概念卡， 帮助产品团队评估和构建自增强的数据飞轮：使用→数据→模型→产品→更多用户→更多数据。
预测套利设计器。设计以"超越人类预测能力"为核心的商业模式： 在 AI 预测能力强于人类的领域进行套利，将预测优势转化为商业价值。 基于《AI确定性商业模式》概念卡。
AI Native 产品方法论——RAG与知识系统设计的实操 Skill。 用户提供企业知识场景，Skill 自动执行知识系统设计流程： 资料来源分析 → 清洗与脱敏 → 索引与权限控制 → 检索召回 → 评估与更新 → 输出知识系统方案。 基于《AI Native 产品方法论》第15章。 '
意图预测营销设计器。基于《AI Native 营销与增长》意图预测营销概念卡， 帮助产品从"人群定向"升级为"个体预见"——在用户明确表达之前就提供相关内容。
营销产品化设计器。基于《AI Native 营销与增长》营销产品化概念卡， 帮助产品将营销活动设计为产品功能，让用户在使用中自然完成"被营销"。
RAX 风险评估器。基于《AI时代的用户体验》RAX 框架（Risk, Ambiguity, eXposure）， 系统性评估 AI 产品的风险、模糊性和暴露程度，帮助产品团队识别和管理用户体验风险。
AI Native 产品方法论——审计放行阶段的实操 Skill。 用户提供系统构建方案，Skill 自动执行审计放行流程： 设计证据 → 评估证据 → Shadow 证据 → 放行边界判断 → go/no-go 决策 → 输出放行方案。 基于《AI Native 产品方法论》第17章。 '
AI Native 产品方法论——客户循环的实操 Skill。 用户提供 AI 产品阶段和目标客户画像，Skill 自动执行客户循环设计： 早期客户筛选 → 共创边界设计 → 反馈收集机制 → 产品改进回路 → 客户扩张策略 → 方法论回流 → 输出客户循环方案。 基于《AI Native 产品方法论》第24章。 '
预测性留存设计器。基于《AI Native 营销与增长》预测性留存概念卡， 帮助产品从"流失后挽回"升级为"流失前阻止"——在用户流失之前主动干预。
AI Native 产品方法论——AI Native 用户体验设计的实操 Skill。 用户提供产品场景，Skill 自动执行 UX 设计流程： 任务分析 → 人机分工设计 → 状态可见性 → 纠偏机制 → 信任设计 → 反馈沉淀 → 输出 UX 方案。 基于《AI Native 产品方法论》第16章。 '
渐进式披露清单。基于《AI时代的用户体验》渐进式披露理论， 提供 AI 产品逐步展示功能和能力的设计清单，避免一次性向用户交付过多信息。
信任度分级设计器。基于《AI时代的用户体验》信任分级理论， 设计 AI 产品的信任度分级体系，让用户渐进式地建立对 AI 的信任。
Universal operating skill: bind the public task, act from evidence, preserve boundaries, and verify the delivered result.
| 点子王 (Idea King) — reason from first principles & run adversarial review. A thinking partner for the Partner (搭子) workflow and for standalone use. Use when the user says "点子王", "idea king", "第一性原理", "从第一性原理出发", "奥卡姆剃刀", "墨菲定律", "科斯定理", "对抗式审查", "挑战这个方案", "attack this plan", "盘问", "grill this plan", or when a plan / architecture / work split needs to be stress-tested before execution. Partner Direction B calls this skill on every division-of-labor plan before delegating.
|
Write reusable ChatCrystal task memories after substantive work completes. Use when implementation or debugging produced a durable fix, pitfall, pattern, or decision worth preserving, and when the environment can either persist it through `write_task_memory` or emit a structured memory candidate for later save.
Claude Skills — questions
Answers built from the skills we actually parsed.