搜索「Customer Service」的结果

io.github.K-Dense-AI/scientific-agent-skills/bioservices

40+ 生物信息学服务的统一 Python 接口。适用于在单个工作流中查询多个数据库（UniProt、KEGG、ChEMBL、Reactome）并使用一致的 API。最适合跨库分析与跨服务 ID 映射。快速单库查询用 gget；序列/文件操作用 biopython。

io.github.jeremylongshore/claude-code-plugins-plus-skills/kubernetes-service-manager

管理 Service 相关操作，属于 DevOps Advanced 的自动激活 skill。在处理 Kubernetes Service 管理功能时使用。触发词：kubernetes service manager、kubernetes manager、kubernetes。

io.github.microsoft/skills/python-appservice-deploy

把 Python（Flask/Django/FastAPI）代码部署到 Azure App Service。适用场景：“Flask App Service”“Django App Service”“FastAPI App Service”“部署 Python 到 App Service”。不适用：Container Apps、Functions、非 Python 项目、Terraform/Bicep/IaC、整套基础设施——这些请改用 azure-prepare。

io.github.biersoeckli/QuickStack/backend-services

使用项目既定的单例、适配器、缓存与错误处理模式，创建并更新 QuickStack 后端服务、适配器、独立服务与 server action。在编辑 src/server/services、src/server/adapter、src/server/utils、src/server.ts 下的文件，或相关的服务端 action 与后端工具时使用。

io.github.goadesign/goa/goa-service-designer

设计并演进 Goa 应用服务。涵盖 Goa DSL 变更、服务方法、payload/result 建模、校验、HTTP/gRPC 映射、错误、拦截器、代码生成与实现。

io.github.NVIDIA/SkillSpector/sqp2_clean

通过 shell 命令将服务部署到 staging 环境。

io.github.TencentBlueKing/bk-ci/backend-microservice-development

编写 BK-CI 后端微服务代码时使用，例如新增 Resource、组织 API/Service/DAO 分层、依赖注入、服务归属判断和 Spring Boot 开发约定。当用户要做 Kotlin/Java 后端开发时优先使用。

io.github.ComeOnOliver/skillshub/kubernetes-service-manager

Kubernetes Service Manager —— DevOps Advanced 分类下的自动激活技能。触发词：kubernetes service manager。属于 DevOps Advanced 技能分类。

io.github.Dicklesworthstone/pi_agent_rust/kubernetes-service-manager

管理 Kubernetes Service 操作。属于 DevOps 进阶类别的自动激活技能。触发条件：kubernetes service manager。在涉及 kubernetes service manager 功能时使用，可用触发短语包括 kubernetes service manager、kubernetes manager、kubernetes。

io.github.davila7/claude-code-templates/service

检查服务状态、重命名服务、更换服务图标、关联服务，或用 Docker 镜像创建服务。若要用本地代码创建服务，优先使用 railway-new 技能；若来源是 GitHub 仓库，先用 railway-new 创建空服务，再用 railway-environment 配置来源。

io.github.Azure/azure-service-operator/testing-aso-recordings

当你需要运行 ASO 控制器的 CRUD 测试或示例测试、验证录制文件能否正确回放，或在变更后重新录制时使用。

io.github.sickn33/agentic-awesome-skills/azure-aks

Deploy and manage Azure Kubernetes Service clusters. Configure node pools, networking, and integrations. Use when running Kubernetes workloads on Azure.

io.github.hyperdxio/hyperdx/page-layout

使用 PageHeader 与 PageLayout 添加或更新应用页面头部与布局。在创建新页面、修复不一致的页头，或把 Service Map / Kubernetes / dashboard 页面迁移到共享布局时使用。

io.github.google/skills/gke-alert-configuration

使用 PromQL 与 Google Cloud Managed Service for Prometheus，通过 Terraform 为 Google Kubernetes Engine（GKE）集群、工作负载与服务配置告警策略。用于编写、分析、校验或部署以监控 GKE 服务延迟、流量、错误率（采用多窗口多燃烧率 SLO 告警）、内存饱和，以及 CrashLoopBackOff、Node NotReady 等集群健康状况的 Terraform 告警策略。不用于非 GKE 计算运行时，如无 GKE 的独立 Compute Engine VM 或独立 Cloud Run 服务。

io.github.docling-project/docling/docling

用 Docling 理解任意受支持格式文档的内容——PDF（原生数字或扫描件）、DOCX、PPTX、XLSX、HTML、Markdown、AsciiDoc、CSV、图片、音频与 XML——把它们统一转换为 DoclingDocument（Markdown 或结构化 JSON）。当你需要读取、解析、转换、提取或切分无法直接阅读的文档时使用，例如“这份 PDF 里有什么”“转成 markdown”“提取表格”“为 RAG 切块”“读这份扫描文档”“解析这个 DOCX/PPTX”。涵盖 docling CLI、Python SDK（DocumentConverter 与 PipelineOptions）、远程 Service Client（自托管或托管的 docling-serve），以及用于最小依赖体积的 docling-slim install extras。

io.github.bentoml/BentoML/bentoml-k8s-deploy

使用纯 kubectl manifest（不用 Helm、operator 或 BentoCloud/Yatai）将容器化的 BentoML 服务部署到 vanilla Kubernetes 集群。接收已推送的容器镜像（来自 bentoml-containerize 技能），探测 bento 的服务拓扑，为部署编写一份 `config.yml`，并据此为每个 BentoML 服务渲染一个 Deployment + Service（外加可选 HPA/Ingress），按依赖顺序应用，并用真实推理请求验证 rollout。当用户说“deploy my BentoML service to Kubernetes”“deploy this bento image to my cluster”“run my bento on k8s”“create k8s manifests for my bento”“split my bento services into separate pods”“expose my BentoML service in Kubernetes”等时使用。也可诊断失败的部署——“my BentoML pods are crashing”“ImagePullBackOff”“pod stuck Pending”“readiness probe failing”“rollout stuck”“can't reach my service on Kubernetes”“inference 4xx/5xx”。

io.github.google/skills/data-manager-api-audience-ingestion

引导开发者使用 Data Manager API 及其相关客户端库来管理（添加、移除与清空）面向 Google 产品的受众成员。当用户想上传受众成员、移除特定用户，或清空/替换整个受众（用于 Customer Match、移动设备 ID 受众或 Data Manager API 支持的其他受众用例）时使用。不用于上传事件或转化（用 data-manager-api-event-ingestion 技能）。

io.github.first-fluke/oh-my-agent/oma-backend

后端专家，负责 API、数据库与认证，遵循整洁架构（Repository/Service/Router 模式）。用于 API、端点、REST、数据库、服务器、迁移和认证相关工作。

io.github.first-fluke/oh-my-agent/oma-backend

后端专家，负责 API、数据库与认证，遵循整洁架构（Repository/Service/Router 模式）。用于 API、端点、REST、数据库、服务器、迁移和认证相关工作。

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/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/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/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.forcedotcom/sf-skills/mobile-platform-offline-validate

审查 Lightning Web Component 的移动端离线兼容性——即 Komaci 离线静态分析器，为 Salesforce Mobile App Plus 与 Field Service Mobile App 预填充数据图谱。输出带代码级修复建议的问题清单，涵盖 @wire 配置中的内联 GraphQL 查询、新版 lwc:if / lwc:elseif / lwc:else 指令，以及 Komaci ESLint 规则违规（私有 wire 属性、非局部响应式引用、getter 副作用）。当用户要求“mobile offline review”“Komaci check”“offline priming audit”“offline priming failure”“offline data graph error”，或要求按 @salesforce/eslint-plugin-lwc-graph-analyzer 推荐规则集校验 LWC 时使用。通用 LWC 代码审查（请用相应领域审查技能）或构建带原生移动能力的 LWC（请用 mobile-platform-native-capabilities-integrate）不要使用。