“Competitor Analysis” 共 201 个结果
io.github.microclaw/microclaw/sql
编写、运行并解释 SQL 查询，并借助 sqlite3 CLI 对 CSV/SQLite 数据做快速本地分析。当用户要求编写或修复 SQL 查询、查询 .db/.sqlite 文件，或用 SQL 分析 CSV（联表、分组、窗口函数）时使用。触发词包括 SQL、query、SELECT、JOIN、GROUP BY、sqlite、database table、查询、数据库、写个 sql、联表、分组。
io.github.luongnv89/claude-howto/code-review-specialist
全面的代码审查，含安全、性能与质量分析。当用户要求审查代码、分析代码质量、评估 pull request，或提到代码审查、安全分析、性能优化时使用。
io.github.doocs/leetcode/git-commit
执行 git commit，支持约定式提交信息分析、智能暂存与信息生成。当用户要求提交变更、创建 git commit 或提到 "/commit" 时使用。支持：(1) 从变更自动检测 type 和 scope；(2) 从 diff 生成约定式提交信息；(3) 可覆盖 type/scope/description 的交互式提交；(4) 按逻辑分组做智能文件暂存。
io.github.wshobson/agents/sql-optimization-patterns
掌握 SQL 查询优化、索引策略与 EXPLAIN 分析，大幅提升数据库性能并消除慢查询。在排查慢查询、设计数据库 schema 或优化应用性能时使用。
io.github.wshobson/agents/kpi-dashboard-design
设计高效的 KPI 仪表盘，涵盖指标选取、可视化最佳实践与实时监控模式。适用场景：构建追踪 MRR、流失率、LTV/CAC 比率的 SaaS 高管仪表盘；设计带实时服务健康与请求吞吐的运营中心；为产品团队创建同期群留存分析视图；或排查因计算口径不一致导致指标互相矛盾的仪表盘。
io.github.kubeshark/kubeshark/security-audit
由 Kubeshark MCP 驱动的 Kubernetes 网络安全审计技能。当用户想审计集群安全威胁、检测失陷工作负载、发现恶意流量模式、搜寻失陷指标（IOC）、检查数据外泄、识别 C2（命令与控制）通信、检测挖矿、发现横向移动、察觉凭据窃取尝试、评估网络安全态势或在 Kubernetes 中做威胁狩猎时使用。当用户提到 security audit、威胁检测、失陷评估、漏洞扫描、“我的集群是否失陷”、“找恶意流量”、“检查威胁”、DNS 外泄、DNS 隧道、端口扫描、IMDS 访问、反弹 shell、矿机、MITRE ATT&CK、IOC 检测、异常检测、可疑流量、失控工作负载、未授权访问，或任何通过网络流量分析评估集群安全的请求时也触发。
io.github.videojs/v10/refactor-behavior
以目标优先（purpose-first）的纪律重构既有的 SPF 行为。强制先阐明该行为的目的与业务规则，再分析代码，然后映射到 internal/design/spf/conventions/ 中的成文模式。触发语：refactor behavior、refactor this behavior、clean up behavior、apply conventions to behavior、review behavior for refactor。
io.github.kubeshark/kubeshark/network-rca
由 Kubeshark MCP 驱动的 Kubernetes 网络根因分析技能。当用户想调查历史事故、做事后流量分析、抓取或管理流量快照、提取 PCAP、从历史抓包剖析 L7 API 调用、按时间段比较流量模式、检测快照间的漂移或异常，或在 Kubernetes 中做任何取证式网络分析时使用。当用户提到快照、raw capture、PCAP 提取、流量回放、postmortem 分析、“昨天/上周发生了什么”、根因分析、RCA、云快照存储、快照剖析，或针对历史流量的 KFL 过滤时也触发。即便用户在 Kubernetes 语境里只说“弄清楚哪里出了问题”或“把今天的流量和昨天对比”，也应使用本技能。
io.github.kubeshark/kubeshark/kfl
KFL2（Kubeshark Filter Language）参考。在编写、构造或建议任何 KFL 过滤表达式前必须先加载本技能。KFL 是静态类型的——错误的字段名或语法会静默失败或报错。未加载本技能时不要猜测 KFL 语法。触发于任何提及 KFL、CEL 过滤、流量过滤、显示过滤、查询语法、过滤表达式、写过滤器、构造查询、build a KFL、创建过滤表达式、“我该怎么过滤”“只看……”“查找满足……的流量”、协议专属查询（HTTP 状态码、DNS 查询、Redis 命令、Kafka topic）、Kubernetes 感知过滤（按命名空间、pod、service、label、annotation）、L4 连接/流过滤、基于时间的查询，或任何在 Kubeshark 中切分/搜索/收窄网络流量的请求。当其他技能需要构造过滤器时也触发——KFL 是所有 Kubeshark 流量分析的查询语言。
io.github.QwenLM/qwen-code/codegraph
通过图数据库（neug）与向量索引（zvec）分析已建立索引的代码库。覆盖调用图、依赖关系、死代码、热点、模块耦合、架构报告、语义检索、影响分析、从 GitHub issue 出发的缺陷根因定位、类图（UML）以及 PR 审查（风险评分、冲突检测、可自动合并候选、打标签）。同时涵盖创建、检查与修复 CodeScope 索引。用于：代码结构、谁调用了谁、某处为何改动、相似函数、模块边界、缺陷追踪、类间关系、PR 风险与冲突，或任何适合借助代码知识图谱回答的问题。当工作区存在 .codegraph 索引，或用户希望创建一个时适用。
io.github.aipoch/medical-research-skills/pdf-extract
从 PDF 提取可选中文本以及整页或分页图像（含表格），输出为 Markdown，带逐页标题与图像链接；当你同时需要可读文本和页面视觉素材用于制作 PPT、审阅或分析时使用。
io.github.ForceInjection/domain-driven-design-skills/automation-strategy-melodic-software-claude-code-plugins-b69ff37b
规划测试自动化策略，包括 ROI 分析、自动化候选对象筛选、框架评估以及可长期维护的自动化架构。
io.github.nixopus/nixopus/deploy-flow
完整部署流水线——源检测、提示驱动的分析、项目创建、部署监控与在线 URL 交付。当用户想要部署应用时加载
io.github.SnailSploit/Claude-Red/offensive-mobile
移动（Android + iOS）应用渗透测试方法论。涵盖静态分析（Android 用 apktool/jadx，iOS 用 class-dump/Hopper/IDA）、Frida 与 Objection 动态插桩、SSL pinning 绕过策略、root/越狱检测绕过、deep-link / URL scheme 滥用、导出组件攻击（Android 的 activity、service、provider、receiver；iOS 的 XPC、URL scheme、universal link）、不安全数据存储（SharedPrefs、KeyStore 误用、NSUserDefaults、Keychain ACL 绕过）、IPC / Intent 重定向、WebView 漏洞（JavaScriptInterface、file:// 访问）、Firebase/AWS/Azure 配置错误泄露、移动端 API 测试、生物识别/Face ID/Touch ID 绕过、应用克隆与运行时打补丁，以及移动恶意软件/RAT 分析基础能力。用于移动端渗透、漏洞赏金移动方向排查或应用商店侦察。
io.github.LeoYeAI/openclaw-master-skills/sql-query-generator
生成带校验、分页辅助、风险分析与审计导向防护机制的安全 SQL 查询
io.github.LeoYeAI/openclaw-master-skills/design-critique
获得诚实的设计反馈。上传任何视觉作品——UI 设计、logo、照片、图形、PDF——获得按优先级排列的评审：哪里有问题、哪里做得好、哪里需要打磨。基于 11 个理论框架的分析
io.github.LeoYeAI/openclaw-master-skills/security-sentinel-skill
检测提示词注入、越狱、角色劫持与系统提示词提取尝试。通过语义分析与惩罚评分实施多层防御
io.github.LeoYeAI/openclaw-master-skills/security-scanner-plus
扫描 AI Agent 技能中的安全漏洞、危险代码模式与未声明权限。三层分析：依赖 CVE 扫描、静态代码分析与权限审计。返回结构化 JSON 风险报告。适用于用户要求扫描技能安全问题、检查漏洞、审计权限或评估技能安全性
io.github.LeoYeAI/openclaw-master-skills/pdf-convert-compdf
PDF 转换工具包，具备 AI 版面分析与 OCR 能力。将 PDF 转换为 Word、Markdown、JSON、PPT、CSV、HTML 与 XML，便于 LLM 无缝处理数据
io.github.microsoft/skills-for-fabric/sqldw-operations-cli
通过 CLI 使用 sqlcmd 与 queryinsights 视图分析 Fabric Data Warehouse 性能。诊断慢查询、SQL 池压力、缓存冷热状态并推荐聚簇键（clustering key）。触发语：DW slow query analysis、slowest queries warehouse、queryinsights long running、warehouse CPU resource consumers、SQL pool pressure window、pressure events warehouse、DW cache warmth cold start、cache warmth analysis、warehouse cluster key recommendation、cluster tables performance、DW performance baseline comparison、performance degraded warehouse、warehouse user query patterns、queryinsights diagnostics、DW optimization sqlcmd。
io.github.microsoft/skills-for-fabric/sqldw-operations-cli
通过 CLI 使用 sqlcmd 与 queryinsights 视图分析 Fabric Data Warehouse 性能。诊断慢查询、SQL 池压力、缓存冷启动并推荐聚集索引键。触发词：“DW slow query analysis”“slowest queries warehouse”“queryinsights long running”“warehouse CPU resource consumers”“SQL pool pressure window”“pressure events warehouse”“DW cache warmth cold start”“cache warmth analysis”“warehouse cluster key recommendation”“cluster tables performance”“DW performance baseline comparison”“performance degraded warehouse”“warehouse user query patterns”“queryinsights diagnostics”“DW optimization sqlcmd”。
io.github.eclipse-rdf4j/rdf4j/docker-jfr-benchmark-loop
在 Docker 中针对 Linux Java 26 与 JFR CPU 时间剖析，对单个 JMH 基准运行可重复的 RDF4J 性能循环。在本仓库进行基准引导的性能改动、热点定位、JFR 解读、CPU 瓶颈分析或重复的基线-修复-重跑循环时使用。当请求提及 benchmark、profiling、JFR、hotspot、perf loop、CPU bottleneck 或 RDF4J 的 Docker 基准运行时触发。
io.github.alirezarezvani/claude-skills/app-store-optimization
面向 App Store Optimization（ASO）的工具包，用于研究关键词、分析竞争对手排名、生成元数据建议、提升应用在 Apple App Store 与 Google Play Store 的可见度。当用户询问 iOS 或 Android 上的 ASO、应用商店排名、应用元数据、应用标题与描述、应用商店列表、应用可见度或移动应用营销时使用。支持关键词研究与评分、竞争对手关键词分析、元数据优化、A/B 测试规划、上线清单与排名变化跟踪。
io.github.danielmiessler/LifeOS/Apify
通过 Apify actor 抓取社交媒体平台、商业数据与电商内容——Instagram 资料/帖子/话题标签/评论、LinkedIn 资料/职位/帖子、TikTok 资料/话题标签/视频/评论、YouTube 频道/搜索/评论、Facebook 帖子/群组/评论、Google Maps 商家搜索并提取联系方式/评论/图片、Amazon 商品/评论/价格，以及配合自定义 pageFunction 提取逻辑的通用多页网页爬取。基于文件的 TypeScript 封装（scrapeInstagramProfile、searchGoogleMaps、scrapeAmazonProduct、scrapeWebsite 等）在返回模型上下文前于代码中过滤与转换数据，相比直接走 MCP 协议可节省 95-99% 的 token。通过 Promise.all 并行查询多平台，支撑社媒监听看板。线索富化流水线：Google Maps → 合格过滤 → 可选 LinkedIn 富化。可同时在 Instagram、YouTube、TikTok 上做竞品分析。适用场景：抓取 Instagram、抓取 LinkedIn、抓取 TikTok、抓取 YouTube、抓取 Faceboo
