搜索「Customer Support」的结果

io.github.msenol/gorev

面向 AI 助手的任务管理系统，支持 MCP 协议、模板与土耳其语/英语双语。

io.github.paiml/pmat-agent

零配置的 AI 上下文生成与代码质量工具包，支持 Claude Code Agent Mode

io.foqal/Foqal

Foqal 借助 AI 工单系统把 Slack/Teams 变成高效的客服平台。

io.github.morinokami/astro-mcp

辅助 Astro 项目开发的 MCP 服务器。

io.github.ryaker/appstore-connect-mcp

对接 Apple App Store Connect API 的 MCP 服务器，支持 OAuth 认证。

io.github.affaan-m/ECC/accessibility

使用 WCAG 2.2 Level AA 设计、实现并审计无障碍数字产品。适用于构建或审计必须满足 WCAG 2.2 Level AA 的 UI，或审查变更对键盘、对比度、屏幕阅读器的支持。使用此技能为 Web 生成语义化 ARIA，并为 Web 与原生平台（iOS/Android）添加无障碍特性。

io.github.affaan-m/ECC/frontend-a11y

React 与 Next.js 的无障碍访问模式——语义化 HTML、ARIA 属性、表单标注、键盘导航、焦点管理与读屏软件支持。当构建任何交互式 UI 组件或表单时使用。

io.github.cathrynlavery/diagram-design/diagram-design

Create branded architecture, IT current-state, flowchart, sequence, state machine, ER/data model, timeline, swimlane, quadrant, radar/spider, polar chart (polar/radial lollipop), loop/flywheel, nested, tree, org chart, layer stack, Venn, pyramid/funnel, treemap, heatmap, bar, waterfall, line, Gantt and scatter charts, high-level, process, medallion, data flow, DP integration, DP security matrix, Sankey, fishbone, Wardley map, kanban, user journey, deployment, dependency graph, UML class, story map, or database schema diagrams as HTML/SVG/PNG, with .drawio and .excalidraw import support, plus lifecycle phase maps and onboarding guidance.

io.github.ossrs/srs/srs-develop

SRS 与 Oryx 代码库以及 SRS Docker 镜像工具链的开发、修改、调试、评审、维护与讲解。用于对下一代 SRS Go 代理、SRS 浏览器播放器、ossrs/dev-docker 镜像，以及 Oryx 的 Go 后端、React 控制台、一体化运行时、打包、安装器、发布与测试做计划性改动；也包括缺陷维护、issue 与 PR 分诊、PR 评审以及 Learn Code 提问。C++ 版 SRS 服务器已进入维护模式，基于 Go 的新版源站与边缘节点的规划性开发尚不支持。不适用于终端用户支持、使用提问或配置咨询——这些请使用 srs-support。

io.github.OpenHands/OpenHands/frontend-api-contracts

This skill should be used when the user asks to "add an API call", "change a backend", "update settings persistence", "change conversation events", "fix backend auth", "add Agent Server support", or changes src/api, backend registry, Cloud/runtime transport, settings, secrets, compatibility, or conversation resume behavior.

io.github.ccxt/ccxt/new-exchange

按 certified-exchange 模板用 TypeScript 脚手架新建 CCXT 交易所集成。逐步指导实现 describe()、必需的统一方法、解析器、capability 标志、sandbox 配置与静态 fixtures。当需要为 ts/src/ 下尚不存在的交易所添加支持时使用。

io.github.NVIDIA/OpenShell/build-openshell-mxc-windows

维护并验证 OpenShell 仅限构建的 Windows MSVC 通道（x64 与 ARM64）。在处理 Windows 编译、`windows:*` mise 任务、不受支持的 Windows compute-driver 契约或 Windows 构建报告时使用。本技能不在 Windows 上实现 Docker、Kubernetes、Podman、VM、MXC 驱动、策略转换、MSI、服务或 supervisor 运行时支持。

io.github.ossrs/srs/internal-codemap-for-srs

把 SRS 与 Oryx 的代码任务路由到最小相关的可信代码库地图与验证指引。只要支持、开发、调试、评审或维护工作需要定位、选择、阅读、修改、测试或验证 SRS/Oryx 代码时使用。覆盖第一代 C++ 源站与边缘媒体服务器及其 State Threads 依赖、下一代 Go 服务器、浏览器推流与播放、SRS Docker 镜像工具链、SRS 测试，以及 Oryx 的 Go 后端、React 控制台、一体化运行时、打包、安装器、发布与测试。作为父级支持与发展技能的代码导航依赖；面向用户的工作流程与结果仍由父技能负责。

io.github.serverless/serverless/serverless-mcp

使用 Serverless Framework 内置的 MCP 支持，将 Model Context Protocol（MCP）服务器托管到 AWS——基于官方 SDK 的服务器模块，部署到 AWS Lambda 的流式 API Gateway REST 端点后，自带网关访问控制与 OAuth protected-resource 发现，打包和 elicitation 状态均已代为实现。当用户要在 AWS 或 Lambda 上部署、托管、加固或调试 MCP 服务器，编写或编辑 serverless.yml 中的 `mcp:` 配置块，通过 HTTP 向 Claude 或其他 AI 客户端暴露 tools、resources 或 prompts，或遇到 `MCP_*` 配置错误（MCP_UNSUPPORTED_NODE_RUNTIME、MCP_FUNCTION_NAME_COLLISION、MCP_INVALID_STATE_ARN 等）时使用。即使用户没有点名 Serverless Framework 或 MCP，只要描述把自有工具通过 HTTPS 端点提供给 AI 客户端，也应触发。

io.github.K-Dense-AI/scientific-agent-skills/opentrons-integration

为 Flex 与 OT-2 机器人编写、审查、迁移、仿真并排查官方 Opentrons Python Protocol API v2 协议。适用于机器人专属的液体处理、deck 与 labware 设置、移液器、模块、运行时参数、液体类别，以及 Opentrons App 分析。当同一工作流需要支持多品牌机器人时改用 pylabrobot。

io.github.langgenius/dify/e2e-cucumber-playwright

在 e2e/ 下编写、修改或审查 Cucumber 与 Playwright 测试时使用，涵盖 feature 文件、step 定义、支撑代码、scenario 标签、定位器和断言。不适用于 Vitest、React Testing Library、后端测试或 E2E 套件之外的通用浏览器自动化。

io.github.PostHog/posthog/debugging-experiments

为查看自己结果的客户调试和支持 PostHog Experiments（A/B 测试）。只要粘贴了实验支持工单或客户提出结果相关问题就使用，最常见的是“为什么我的曝光不均？”“为什么某个变体没有流量？”“为什么我缺少/只见很少曝光？”“为什么出现偏差横幅？”“为什么 PostHog 的数字和我的 SQL 对不上？”。以只读方式拉取实验真实数据，对照已知成因清单匹配，产出面向客户的解释、修复方案与相关数字的评审。加载 diagnosing-experiment-results 作为深度诊断库。不触发：创建实验（用 creating-experiments）、仅配置放量（configuring-experiment-rollout）或指标（configuring-experiment-analytics）、询问生命周期问题（managing-experiment-lifecycle），或行为异常的是底层 feature flag 而非结果（用 debugging-feature-flags）。

io.github.affaan-m/ECC/scientific-thinking-scholar-evaluation

对论文、申请书、文献综述、方法章节、证据质量、引用支撑与研究写作反馈做结构化的学术评估。在需要按可复用的评分量表评估论文、申请书、方法章节或证据质量等学术与科学工作时使用。

io.github.PostHog/posthog/triaging-warehouse-sync-tickets

借助 PostHog 自身生产数据，从支持工单出发排查客户的数据仓库源、schema 或表。当工单称仓库表过期、为空、卡住、重复、缺行或同步失败，且你需要同步的真实状态而非客户描述时使用。客户所在团队你的 MCP 会话无法直达，因此所有答案都来自 execute-sql，其 connectionId 指向直连 PostHog 线上生产库（存有全部客户数据）的 direct-connect 源。涵盖区域判定（US 与 EU）、生产 Postgres 连接（externaldatasource / externaldataschema / externaldatajob / datawarehousetable）、生产 ClickHouse 连接（log_entries、app_metrics2）、经 posthog-connection-call 的跨区域访问、为何 external-data-* 产品工具会悄悄从你自己的项目作答，以及如何以一条建议动作加“谁能执行”收尾。仅限内部：每次查询返回的都是其他客户的数据。

io.github.PostHog/posthog/suggesting-data-imports

当用户询问收入、支付、订阅、账单、CRM 商机、工单、广告投放、生产数据库表等 PostHog 原生不采集的数据，或想把 PostHog 产品事件与这些外部业务数据关联分析时使用。当查询因表不存在失败、或预期外部数据查无结果时也使用。数据仓库可从 SaaS 工具（Stripe、Hubspot、Zendesk 等）、广告平台、生产数据库（Postgres、MySQL、BigQuery、Snowflake）及其他任意数据源导入。涵盖检查现有数据源、识别正确的源类型并引导完成配置。

io.github.HKUDS/OpenSpace/react-localstorage-keyboard-nav

创建带有 localStorage 持久化与键盘导航支持的 React 组件。

io.github.ruvnet/ruflo/api-docs

从源代码生成 API 文档,支持 JSDoc 与 OpenAPI。

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。