搜索「harness engineering」的结果

io.github.nexu-io/open-design/wireframe-annotated

带标注/红线的低保真线框图——桌面落地页/营销页以扁平灰盒画在浏览器边框内，叠加单一主色的编号标注针（①②③④⑤），并配右侧规格面板逐条列出每个编号针的简短工程/UX 说明。这是「线框 + 红线规格」风格——干净、扁平、低保真、非手绘。当需求提到「annotated wireframe」「redline wireframe」「wireframe with spec」「lo-fi landing wireframe」「low fidelity」「线框图」「标注线框」或「redline」时使用。

io.github.TriliumNext/Trilium/evolving-the-data-model

在 Trilium 中添加数据库迁移或给 Becca 实体新增列/字段时使用（如"加一个迁移""给 notes/attributes 加列""ALTER TABLE""给 BNote/BAttribute/BBranch 加字段"、schema 变更）。迁移不是带日期的 .sql 文件，而是 packages/trilium-core/src/migrations/migrations.ts 中按整数版本号排列、降序存放的 MIGRATIONS 数组条目（dbVersion 由 MIGRATIONS[0] 自动推导），schema 位于 packages/trilium-core/src/assets/schema.sql。涵盖加列的完整文件链、hashedProperties 的跨实例同步哈希隐患、CLS 包裹的 JS 迁移以及测试框架。

io.github.omnigent-ai/omnigent/cursor-sdk-e2e-dev

启动本地 Omnigent 服务器并端到端跑通 Cursor SDK harness——构建 cursor agent、运行真实回合、冒烟测试与集中找 bug。在开发、测试或调试 cursor harness（omnigent/inner/cursor_executor.py、cursor_harness.py、cursor_auth.py）及其认证/模型/工具桥行为时加载。

io.github.affaan-m/ECC/dynamic-workflow-mode

为 Claude 动态工作流模式及其他自适应智能体框架设计任务局部评测脚手架（harness）、评估门禁与可复用技能抽取。适用于构建任务局部 harness、添加评估门禁，或从临时性工作中抽取可复用技能。

io.github.affaan-m/ECC/clickhouse-io

ClickHouse 数据库模式、查询优化、分析与数据工程最佳实践，适用于高性能分析型工作负载。适用于设计 ClickHouse Schema 或查询，或分析型查询过慢时。

io.github.affaan-m/ECC/living-docs-governance

通过为现有项目文档分配清晰的章程、地图、状态与历史角色，再把正在使用的代理运行框架接到这些权威来源上，从而避免长期项目的文档腐化。在维护阶段使用：当文档与代码脱节、代理跨会话丢失上下文，或刻意删除的内容反复被重建时。优先沿用仓库现有的文档结构，而不是新建根目录文件。中文触发：文档治理、活文档、项目状态追踪、防文档漂移、项目地图、健康仪表盘、删除区、长期项目治理

io.github.zhaoxuya520/reverse-skill/ctf-sandbox-orchestrator

CTF、漏洞利用、逆向、DFIR、pwnable、密码、隐写、移动端、AI agent、云、容器、Active Directory、Windows 主机与身份类题目的默认入口和总编排工作流。当用户给出的题目基础设施、二进制、提示、主机或身份应默认按沙箱内部处理，且 Codex 需要选择、路由并加载合适的下游分析路径、给出简明证据时，先使用本技能。

io.github.zhaoxuya520/reverse-skill/mobile-reverse

用于获授权的 Android/iOS 应用逆向与安全测试：APK/IPA 分析、运行时插桩、SSL pinning、平台防护检查。

io.github.Jeffallan/claude-skills/devops-engineer

编写 Dockerfile、配置 CI/CD 流水线、撰写 Kubernetes manifest，并生成 Terraform/Pulumi 基础设施模板。处理部署自动化、GitOps 配置、事故响应 runbook 与内部开发平台工具。在搭建 CI/CD 流水线、应用容器化、管理基础设施即代码、部署到 Kubernetes 集群、配置云平台、自动化发布或响应生产事故时使用。涉及流水线、Docker、Kubernetes、GitOps、Terraform、GitHub Actions、值班响应或平台工程时调用。

io.github.affaan-m/ECC/configure-ecc

在 Claude Code、Codex 或 Kimi 内引导 ECC 的安装、更新或重新配置，并尊重各自环境真实的插件、作用域与钩子能力。

io.github.PostHog/posthog/writing-evals

讲解如何在 `products/posthog_ai/eval_harness/` 框架上编写与运行 evals——包括针对预置 Hedgebox 项目在 Docker 或 Modal 沙箱中执行真实编码代理的沙箱化 agent 套件，以及每个用例对单次进程内模型调用打分的 one-shot 套件。当在 `products/posthog_ai/evals/` 或 `products/*/evals/` 下新增或修改 eval 套件、用例、scorer、seeder、synthesizer，改动 `products/posthog_ai/eval_harness/` 下的框架，或运行/调试这些 evals（`hogli evals`）时使用。涵盖套件类型与发现机制、用例结构、seeder/synthesizer 分工、单分支 scorer 模式，以及结果解读。不适用于 `ee/hogai/eval/ci/` 的 pytest evals，也不适用于 LLM Analytics 产品的评估功能。

io.github.alirezarezvani/claude-skills/senior-ml-engineer

面向将模型产品化的 ML 工程技能，涵盖 MLOps 流水线构建与 LLM 集成。包括模型部署、特征存储、漂移监控、RAG 系统与成本优化。当用户询问向生产部署 ML 模型、搭建 MLOps 基础设施（MLflow、Kubeflow、Kubernetes、Docker）、监控模型性能或漂移、构建 RAG 流水线，或集成带重试逻辑与成本控制的 LLM API 时使用。聚焦生产与运维，而非模型研究或初始训练。

io.github.mukul975/Anthropic-Cybersecurity-Skills/modeling-threats-with-opencti

通过 Docker Compose 部署 OpenCTI（Filigran），并用 pycti Python 客户端把威胁行为者、入侵集合、行动活动与指标建模为带关系（uses、attributed-to、targets）的 STIX 2.1 知识图谱。适用于构建集中式威胁情报知识库、把多源 feed 的 IOC 关联成同一张对手图谱，或为检测工程产出 STIX bundle。

io.github.nexu-io/open-design/wireframe-annotated

带标注/红线的低保真线框图——桌面落地页/营销页以扁平灰盒画在浏览器边框内，叠加单一主色的编号标注针（①②③④⑤），并配右侧规格面板逐条列出每个编号针的简短工程/UX 说明。这是「线框 + 红线规格」风格——干净、扁平、低保真、非手绘。当需求提到「annotated wireframe」「redline wireframe」「wireframe with spec」「lo-fi landing wireframe」「low fidelity」「线框图」「标注线框」或「redline」时使用。

io.github.affaan-m/ECC/mle-workflow

面向数据契约、可复现训练、模型评估、部署、监控与回滚的生产级机器学习工程工作流。适用于构建、审查或强化一次性笔记本之外的 ML 系统。

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/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/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/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.DietrichGebert/ponytail/ponytail

强制采用真正可行的最懒方案：最简、最短、最少。模仿一位见惯一切资深工程师的姿态：先质疑任务是否根本不必存在（YAGNI），优先标准库而非自写代码、平台原生能力而非引依赖、一行而非五十行。支持强度档位：lite、full（默认）、ultra。适用于任何编码任务：编写、新增、重构、修复、审查、设计代码以及选择库或依赖。当用户说 ponytail、be lazy、lazy mode、最简方案、minimal solution、YAGNI、do less、shortest path，或抱怨过度设计、膨胀、模板代码、不必要的依赖时也应使用。不用于非编码请求（通识、文章、翻译、摘要、菜谱）。

io.github.compozy/compozy/writing-tech-post

端到端完成工程博客写作：发布深度解读、故障复盘、架构迁移、性能案例、教程、AI/agent 系统记录、安全披露，以及从研究到产品的转化文章。选对文章原型、规划抽象阶梯、遵循证据节奏（图示、基准测试、profile、trace、代码、消融实验），按 Datadog、Vercel、GitHub、AWS、Meta、Cloudflare、Jane Street 等发布方的行文风格校准语气，并在发布前用叙事推进与披露伦理两道门禁检查。在起草新的工程文章、重构成色平淡的初稿、判断某种证据该放在何处、校验技术深度与产品背景是否均衡，或为对外发布准备故障复盘、迁移、性能叙述时使用。不用于 API 参考文档、README、营销文案、release notes、泛 SEO 内容、代笔高管观点文章，以及非工程类长文。

io.github.aiskillstore/marketplace/backend-atomic-commit

面向 Django/Optimo 风格仓库的严格后端预提交与原子提交技能。强制本地 AGENTS.md / CLAUDE.md、pre-commit 钩子、.security/* 辅助工具以及 Monty 的后端工程品味——提交信息中不带 AI 签名。

io.github.Stirling-Tools/Stirling-PDF/ui-walkthrough

对当前分支功能做完整的 UI 调查。枚举每个视图与状态（空态、有数据、加载、错误、每个对话框/菜单/面板、响应式断点、浅色+暗色+RTL），用内置 Playwright 工装捕获，汇总为带全局明暗切换滑杆的单图 HTML 走查，随后跑两轮审查：视觉/一致性（对齐、间距、专业感、明暗一致、对比度、截断）与 UX/易用性（流程、可发现性、可供性、空态/错误态、预期）。当被要求做 UI 走查、截图审查、设计或 QA 巡检、「找出可以更易用/更好的地方」或前端工作合并前使用。加 --fix 自动应用安全的前端修复并重新捕获；--theme 限定主题；--no-rtl 跳过 RTL。

io.github.telagod/code-abyss/backend

从更强模型蒸馏的后端工程判断经验——在选择技术栈、语言、数据库、队列或架构时调用；在设计服务、API、业务逻辑或 schema 时；在让系统达到生产可用（可观测性、故障处理、安全）时；或评审服务端代码、判断代码库健康度时。包含场景化技术栈取舍、逻辑设计规则、数据纪律、生产底线，以及“腐烂目录”（代码不可维护的早期征兆）。