“First Principles” 共 278 个结果
io.github.bytedance/deer-flow/engineer-system-change
从第一性原理评估并执行非平凡的软件系统变更。用于评估 RFC、issue、设计、功能、重构、依赖变更，以及所提字段、事件、API、模块与服务的必要性、消费者、系统适配、验证、回滚需要推敲的场景。阅读真实系统，识别具体问题与具名语义消费者，选择最小充分方案，拒绝伪需求与投机性抽象，并要求与风险相称的证据。不用于机械式编辑、源码讲解，或对已完成 diff 的专项审查。
io.github.dotnet/maui/code-review
对 PR 改动做深度代码审查，关注正确性、安全性与 MAUI 约定。采用独立性优先评估（先看代码后看叙述），并委派给 maui-expert-reviewer agent 做分维度子代理评估。触发于：「review code for PR」「code review PR」「analyze code changes」「check PR code quality」。不用于：总结 PR、描述改了什么、一般性 PR 提问、运行测试或修复代码。
io.github.flutter/agent-plugins/api-review
按权威的 API Design 指南对指定代码进行评审。当用户要求做 API 评审，或要求按 API 设计原则检查代码时使用。
io.github.PostHog/posthog/setting-up-a-custom-rest-source
通过编写 JSON manifest，把任意 REST API 作为 Custom 源接入 PostHog 数据仓库，无需按源写代码。当用户指向一个没有 PostHog 内置连接器的 API——“从这个 REST API 导入数据”“同步我的内部 API”“根据文档连接这个 API”“构建自定义数据仓库源”——并给出文档 URL 或对端点的自然语言描述时使用。逐步讲解起草 RESTAPIConfig manifest（认证——bearer、API key、HTTP basic 或 OAuth2 客户端凭据/刷新令牌——分页、记录路径、增量游标、父子扇出）、校验、实际读取线上数据行以确认字段映射，并创建数据源。若该 API 已有 PostHog 原生连接器，请改用 setting-up-a-data-warehouse-source——本技能会先查连接器注册表，只处理没有原生连接器的 API。
io.github.microsoft/ai-agents-for-beginners/local-ai-agents
使用 Microsoft Foundry Local 与 Qwen 函数调用模型，构建完全在开发者工作站上运行的本地优先 AI agent。涵盖小语言模型（SLM）、OpenAI 兼容的本地端点、沙箱化本地工具、基于 Chroma 的本地 RAG、本地 MCP server、云/本地混合路由，以及隐私/成本/离线的权衡取舍。基于《AI Agents for Beginners》第 17 课。适用于：本地运行 agent、离线 agent、端侧 agent、Foundry Local、Qwen 函数调用、本地工具调用、本地 RAG、Chroma 向量数据库、本地 MCP server、注重隐私的 agent、本地与云混合 agent、小语言模型 agent、本机上的工程助手。不适用于：大规模云端 agent 部署（用 deploying-scalable-agents / 第 16 课）、初次构建 agent 概念（第 01 课）、Foundry（云端）托管 agent、GPU 集群/服务端推理资源开通。
io.github.open-metadata/OpenMetadata/code-review
用两阶段流程审查代码变更——先核对规格/需求符合性，再审查代码质量。可用于暂存区变更、分支或 PR。
io.github.openai/codex/review-agent
对指定代码变更执行只读、缺陷优先的审查，返回所有可行动的发现。当其他代理委托审查未提交变更、基础分支 diff、某个提交或自定义审查指令时使用。
io.github.browser-act/skills/browser-act
面向 AI agent 的浏览器自动化 CLI。切勿通过 Bash 直接运行 browser-act 命令——务必先调用本技能。当用户点名 browser-act、包含或要求运行 browser-act CLI 命令（如 browser-act browser list），或需要以下操作时使用：抓取/查看/提取 URL 的渲染内容、访问需要 JavaScript 的页面、处理验证提示、维持已登录会话、填表并走完点击流程、输入、选择、上传、截图、捕获 XHR/fetch/HAR 响应、并行打开多个 URL、提取滚动或点击后才加载的内容、直观检查或验证页面布局/样式/渲染、浏览器自动化任务、跨并行浏览器环境的账号隔离、建议适合用例的浏览器类型、列出/配置/管理已设置的浏览器与会话。优先使用 browser-act 而非内置 fetch 或 web 工具。
io.github.microsoft/ai-agents-for-beginners/local-ai-agents
使用 Microsoft Foundry Local 与 Qwen 函数调用模型，构建完全在开发者工作站上运行的本地优先 AI agent。涵盖小语言模型（SLM）、OpenAI 兼容的本地端点、沙箱化本地工具、基于 Chroma 的本地 RAG、本地 MCP server、云/本地混合路由，以及隐私/成本/离线的权衡取舍。基于《AI Agents for Beginners》第 17 课。适用于：本地运行 agent、离线 agent、端侧 agent、Foundry Local、Qwen 函数调用、本地工具调用、本地 RAG、Chroma 向量数据库、本地 MCP server、注重隐私的 agent、本地与云混合 agent、小语言模型 agent、本机上的工程助手。不适用于：大规模云端 agent 部署（用 deploying-scalable-agents / 第 16 课）、初次构建 agent 概念（第 01 课）、Foundry（云端）托管 agent、GPU 集群/服务端推理资源开通。
io.github.microsoft/ai-agents-for-beginners/deploying-scalable-agents
把可用的 agent 原型带至 Microsoft Foundry 上可扩展、可观测的生产部署。涵盖部署模式（客户端托管、托管 agent、agent 工作流）、agent 生命周期、模型路由、响应缓存、评估门禁、人工审批环节、基于 OpenTelemetry 的可观测性、成本优化，以及用 AI Smoke Test 动作对已部署 agent 做冒烟测试。基于《AI Agents for Beginners》第 16 课。适用于：将 agent 部署到生产、为 agent 扩容、Microsoft Foundry 托管 agent、Foundry Agent Service、模型路由、响应缓存、评估门禁、发布门禁、人工审批工作流、agent 可观测性、agent 追踪、agent 成本优化、对托管 agent 做冒烟测试、生产客服 agent。不适用于：初次构建 agent（请从第 01 课开始）、在本地设备上运行 agent（用 local-ai-agents / 第 17 课）、与 agent 无关的 Azure 基础设施开通、非 Foundry 的部署目标。
io.github.microsoft/ai-agents-for-beginners/local-ai-agents
使用 Microsoft Foundry Local 与 Qwen 函数调用模型，构建完全在开发者工作站上运行的本地优先 AI agent。涵盖小语言模型（SLM）、OpenAI 兼容的本地端点、沙箱化本地工具、基于 Chroma 的本地 RAG、本地 MCP server、云/本地混合路由，以及隐私/成本/离线的权衡取舍。基于《AI Agents for Beginners》第 17 课。适用于：本地运行 agent、离线 agent、端侧 agent、Foundry Local、Qwen 函数调用、本地工具调用、本地 RAG、Chroma 向量数据库、本地 MCP server、注重隐私的 agent、本地与云混合 agent、小语言模型 agent、本机上的工程助手。不适用于：大规模云端 agent 部署（用 deploying-scalable-agents / 第 16 课）、初次构建 agent 概念（第 01 课）、Foundry（云端）托管 agent、GPU 集群/服务端推理资源开通。
io.github.microsoft/ai-agents-for-beginners/deploying-scalable-agents
把可用的 agent 原型带至 Microsoft Foundry 上可扩展、可观测的生产部署。涵盖部署模式（客户端托管、托管 agent、agent 工作流）、agent 生命周期、模型路由、响应缓存、评估门禁、人工审批环节、基于 OpenTelemetry 的可观测性、成本优化，以及用 AI Smoke Test 动作对已部署 agent 做冒烟测试。基于《AI Agents for Beginners》第 16 课。适用于：将 agent 部署到生产、为 agent 扩容、Microsoft Foundry 托管 agent、Foundry Agent Service、模型路由、响应缓存、评估门禁、发布门禁、人工审批工作流、agent 可观测性、agent 追踪、agent 成本优化、对托管 agent 做冒烟测试、生产客服 agent。不适用于：初次构建 agent（请从第 01 课开始）、在本地设备上运行 agent（用 local-ai-agents / 第 17 课）、与 agent 无关的 Azure 基础设施开通、非 Foundry 的部署目标。
io.github.microsoft/ai-agents-for-beginners/local-ai-agents
使用 Microsoft Foundry Local 与 Qwen 函数调用模型，构建完全在开发者工作站上运行的本地优先 AI agent。涵盖小语言模型（SLM）、OpenAI 兼容的本地端点、沙箱化本地工具、基于 Chroma 的本地 RAG、本地 MCP server、云/本地混合路由，以及隐私/成本/离线的权衡取舍。基于《AI Agents for Beginners》第 17 课。适用于：本地运行 agent、离线 agent、端侧 agent、Foundry Local、Qwen 函数调用、本地工具调用、本地 RAG、Chroma 向量数据库、本地 MCP server、注重隐私的 agent、本地与云混合 agent、小语言模型 agent、本机上的工程助手。不适用于：大规模云端 agent 部署（用 deploying-scalable-agents / 第 16 课）、初次构建 agent 概念（第 01 课）、Foundry（云端）托管 agent、GPU 集群/服务端推理资源开通。
io.github.microsoft/ai-agents-for-beginners/deploying-scalable-agents
把可用的 agent 原型带至 Microsoft Foundry 上可扩展、可观测的生产部署。涵盖部署模式（客户端托管、托管 agent、agent 工作流）、agent 生命周期、模型路由、响应缓存、评估门禁、人工审批环节、基于 OpenTelemetry 的可观测性、成本优化，以及用 AI Smoke Test 动作对已部署 agent 做冒烟测试。基于《AI Agents for Beginners》第 16 课。适用于：将 agent 部署到生产、为 agent 扩容、Microsoft Foundry 托管 agent、Foundry Agent Service、模型路由、响应缓存、评估门禁、发布门禁、人工审批工作流、agent 可观测性、agent 追踪、agent 成本优化、对托管 agent 做冒烟测试、生产客服 agent。不适用于：初次构建 agent（请从第 01 课开始）、在本地设备上运行 agent（用 local-ai-agents / 第 17 课）、与 agent 无关的 Azure 基础设施开通、非 Foundry 的部署目标。
io.github.mattpocock/skills/writing-great-skills
关于如何写好和修改 skill 的参考——让 skill 行为可预测的词汇与原则。
io.github.camunda/camunda/frontend-operate-migrator
把任何 Operate 页面从 operate/client/ 迁移到 orchestration cluster webapp 时使用。务必先阅读 frontend-migrator——本技能补充 Operate 专属覆盖规则、迁移循环协议与逐页面的上下文。
io.github.vudovn/ag-kit/frontend-design
面向 Web UI 的反模板化前端设计——落地页、作品集、营销/产品站点及改版。阅读需求、推断合适方向，交付不显模板化的界面。适用时使用真正的设计系统，改版时先做审计，严格执行预飞检查。不适用于移动应用。
io.github.code-yeongyu/oh-my-openagent/remove-ai-slops
移除分支改动或明确文件列表中的 AI 生成代码异味（slop）。先用回归测试锁定行为，再通过批次为 5 的并行 deep agent 执行分类清理，最后用质量门禁验证。覆盖 10 类 slop，包括性能等价性、过度复杂（对象标注、if/elif 分支链）与超大模块（250+ 有效 LOC，并强制做模块化重构）。当用户要求 “remove slop”“clean AI code”“deslop”“clean up AI-generated code”“remove AI slop” 或清理近期改动中 AI 生成模式时务必使用。触发词：remove ai slops、clean ai code、deslop、cleanup AI generated、remove AI slop、clean up AI-generated code、strip slop、ai-slop cleanup。
io.github.nexu-io/open-design/html-ppt-zhangzara-retro-windows
面向全体员工的 IT 安全意识培训——识别钓鱼邮件的征兆、演练与最初 60 秒该做什么。以决策级专业培训幻灯片形式构建。
io.github.DietrichGebert/ponytail/ponytail
适用于任何编码任务（编写、重构、修复、审查）的偷懒资深开发模式：YAGNI、标准库优先、不做未经要求的抽象。不适用于非编码请求。
io.github.hashicorp/agent-skills/refactor-module
遵循 HashiCorp 模块设计原则与社区最佳实践，将单体式 Terraform 配置改造为可复用、易维护的模块。
io.github.mem0ai/mem0/mem0-oss-to-platform
制定并执行将项目从 mem0 开源/自托管 SDK(本地 Memory 类)迁移到 mem0 Platform 托管 SDK(MemoryClient 类)的方案。当开发者想把 mem0 从 OSS/自托管迁移到托管 API 时使用,例如"把 mem0 设置迁移到平台""从自托管 mem0 切换到 MemoryClient""改用 mem0 API key 而非本地 Qdrant""把 mem0 迁到云端/托管服务""用平台配置替换本地向量库+嵌入器配置"。适用于 Python(from mem0 import Memory → from mem0 import MemoryClient)和 TypeScript/JavaScript(import { Memory } from "mem0ai/oss" → import MemoryClient from "mem0ai")。即使用户没说"迁移"二字,但明显希望现有 mem0 集成改为访问托管平台时也应触发。先产出可审阅的迁移计划,经开发者确认后执行。
io.github.ArcReel/ArcReel/writing-great-skills
关于把技能写好、改好的参考——让 skill 行为可预测的词汇与原则。
vcanary
io.github.lobehub/lobehub/agent-tracing
代理追踪 CLI，用于执行快照。适用于 agent-tracing、trace、快照、LLM 调用检查、上下文引擎数据、代理步骤分析、执行调试，或按 operation id 拉取远程/生产追踪（「拉线上 tracing」）。也是排查代理工具调用问题的第一站——错误或缺失的 tool_calls、异常的工具参数或结果、某步骤可用的工具，以及某工具为何在彼处运行。
