搜索「Customer Service」的结果

io.clawhub.ivangdavila/k8s

调试 Kubernetes 工作负载并审阅清单：Pod、探针、资源、滚动发布、Service、存储与 RBAC。当 Pod 处于 Pending、CrashLoopBackOff、ImagePullBackOff、OOMKilled 或卡在 Terminating；Service/Ingress 无响应或返回 502/503/504；集群 DNS 不稳定；发布卡住或悄悄上线了故障版本；HPA 拒绝扩容；PVC 一直未绑定；节点 NotReady 或 drain 迟迟不结束；编写或审阅 YAML、Helm chart、kustomize overlay；调优 requests、limits、QoS、探针与优雅关闭；收紧 RBAC、NetworkPolicy、Pod Security 与 Secret；API server 限流或准入 webhook 阻塞所有创建；GPU Pod 始终无法调度；mesh sidecar 影响 Job；或规划集群升级、备份与恢复时，都适用。涵盖 kubectl 排障、StatefulSet、Jobs 与 CronJobs、自动扩缩、operator、节点驱逐与 DaemonSet。构建容器镜像不适用（见 `docker`）。

io.clawhub.zw008/vmware-vks

当用户需要管理 vSphere Kubernetes Service（VKS）——Supervisor 集群、vSphere 命名空间与 TKC 集群生命周期时使用本技能。直接支持：检查 VKS 兼容性、创建/删除命名空间、创建/扩缩/升级/删除 TKC 集群、获取 kubeconfig、检查 Harbor 镜像仓库。凡是“创建 Kubernetes 集群”“扩容工作节点”“升级 K8s 版本”“创建命名空间”“获取 kubeconfig”或任何 VKS/TKC 任务，一律使用本技能。普通虚拟机操作不要用它（改用 vmware-aiops），非 vSphere 的 Kubernetes（如 kubeadm、EKS、AKS）也不适用，AVI/AKO 负载均衡用 vmware-avi。网络用 vmware-nsx。

io.clawhub.wpank/kubernetes-devops

内容：Kubernetes 清单生成——Deployment、StatefulSet、CronJob、Service、Ingress、ConfigMap、Secret 与 PVC，具备生产级安全性与健康检查。适用场景：用户需要创建 K8s 清单、部署容器、配置 Service/Ingress、管理 ConfigMap/Secret、设置持久化存储，或组织多环境配置。关键词：kubernetes、k8s、manifest、deployment、statefulset、cronjob、service、ingress、configmap、secret、pvc、pod、container、yaml、kustomize、helm、namespace、probe、security context。

io.clawhub.bmdhodl/azure-infra

基于 Azure CLI 与门户上下文的对话式 Azure 基础设施助手。用于查询、审计与监控 Azure 资源（VM、存储、IAM、Functions、AKS、App Service、Key Vault、Azure Monitor、账单等），并在任何写入/破坏性操作前提出需显式确认的安全变更方案。

io.clawhub.anajuliabit/memoclaw

面向 AI Agent 的记忆即服务（Memory-as-a-Service）。通过语义向量搜索存储和回忆记忆。每钱包 100 次免费调用，之后通过 x402 微支付。

io.clawhub.slempiam/prospector

当用户想要寻找符合 ICP（理想客户画像）的线索、潜在客户或联系人时使用此技能。它通过 Exa 搜索公司，通过 Apollo 补全联系人信息，输出为 CSV，并可选择同步到 Attio CRM。强制触发词：“find leads”、“prospecting”、“ICP search”、“find contacts”、“lead generation”、“/prospector”。

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。

io.github.bytedance/deer-flow/smoke-test

DeerFlow 的端到端冒烟测试技能。引导完成：1）拉取最新代码；2）Docker 或本地安装与部署（尊重用户偏好，遇 Docker 网络问题时默认本地）；3）服务可用性验证；4）健康检查；5）最终测试报告。当用户说「run smoke test」「smoke test deployment」「verify installation」「test service availability」「end-to-end test」等时使用。

io.github.YosemiteCrew/Yosemite-Crew/backend-patterns

在 apps/backend 中开展工作时使用——新端点、控制器、服务、模型、队列/Worker 或集成。涵盖 Router 到 Controller 到 Service 到 Model 架构、Zod 校验、Prisma/PostgreSQL 数据访问、Winston 日志、BullMQ 任务以及 FHIR/IDEXX/Merck 集成

io.github.YosemiteCrew/Yosemite-Crew/backend-patterns

在 apps/backend 中开展工作时使用——新端点、控制器、服务、模型、队列/Worker 或集成。涵盖 Router 到 Controller 到 Service 到 Model 架构、Zod 校验、Prisma/PostgreSQL 数据访问、Winston 日志、BullMQ 任务以及 FHIR/IDEXX/Merck 集成

io.github.first-fluke/fullstack-starter/oma-backend

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

io.github.EliasOulkadi/shokunin/kubernetes

在生产环境部署、管理与调试 Kubernetes —— Deployment、Service、Gateway API、服务网格（Istio/Linkerd/Cilium）、eBPF 可观测性（Cilium Hubble）、安全加固（Pod Security Standards、OPA/Kyverno、seccomp、Falco/Tetragon 运行时安全）、Helm、HPA、PDB、拓扑分布以及问题排查。当用户要求编写 K8s 清单、部署到集群、调试 Pod、搭建 Gateway API、配置弹性伸缩或加固集群安全时使用。不用于编写 Dockerfile（请用 docker）、CI/CD 流水线设计（请用 ci-cd）或 Terraform 基础设施（请用 terraform）。