移动设备模拟测试
io.github.NeverSight/learn-skills.dev/mobile-emulation
基于 Playwright 的移动设备模拟与响应式测试。在测试移动端布局、触摸交互、设备特定功能或响应式断点时使用。
“Learn” 共 214 个结果
io.github.NeverSight/learn-skills.dev/mobile-emulation
基于 Playwright 的移动设备模拟与响应式测试。在测试移动端布局、触摸交互、设备特定功能或响应式断点时使用。
io.github.NeverSight/learn-skills.dev/kubernetes-python
使用 Kubernetes Python 客户端进行程序化集群管理。在操作 Kubernetes API,管理 pod、deployment、service、namespace、configmap、secret、job、CRD、EKS 集群,监听资源、自动化 K8s 操作或构建 Kubernetes 控制器时使用。
io.github.NeverSight/learn-skills.dev/nextjs-architecture
Next.js 架构专家。在设计 Next.js 应用、迁移到 App Router、实现 Server Components 或优化 Next.js 性能时使用。涵盖 App Router、Server Components 与最佳实践。
io.github.NeverSight/learn-skills.dev/nextjs-frontend-testing
当用户想为 Next.js(App Router)+ TypeScript + Tailwind + shadcn/ui 项目搭建、改进或运行前端测试(单元、组件与 E2E)时使用此技能,技术栈为 Vitest/Jest、React Testing Library 与 Playwright。
io.github.NeverSight/learn-skills.dev/refactoring-patterns
在重构代码以提升可读性、减少重复或简化复杂逻辑时使用此技能。触发场景:提取方法、内联变量、以多态替换条件、引入参数对象、分解条件表达式、替换魔法数字、方法上提/下推,以及任何在不改变行为前提下进行系统化代码转换的任务。
io.github.NeverSight/learn-skills.dev/refactor-module
Terraform 模块提取决策框架。适用场景:(1) 决定是创建模块还是保持内联;(2) 确定模块边界;(3) 避免过度抽象;(4) 处理状态迁移。 这不是 Terraform 教程,聚焦重构决策(何时模块化、何时保持内联)以及导致模块泛滥的反模式。 触发词:terraform module、refactor terraform、module boundaries、when to create module、terraform abstraction、module sprawl、state migration。
io.github.NeverSight/learn-skills.dev/mobile-testing
在使用 Detox 或 Appium 编写或配置移动应用测试、对接设备农场(AWS Device Farm、Firebase Test Lab、BrowserStack)、集成崩溃上报(Crashlytics、Sentry、Bugsnag)或分发 Beta 构建(TestFlight、Firebase App Distribution、App Center)时使用此技能。触发场景:移动端端到端测试、原生应用自动化、设备矩阵测试、崩溃符号化与 OTA Beta 分发工作流。
io.github.NeverSight/learn-skills.dev/analyze-mobile-app
移动应用竞品分析器。通过 ADB 对 Android 移动应用进行自动化竞品分析。可导航应用、截屏、记录 UX/UI 并生成完整报告。适用场景:分析竞品应用、探索应用 UX、移动应用分析与竞品调研。
io.github.NeverSight/learn-skills.dev/backend-engineering
在设计后端系统、数据库、API 或服务时使用此技能。触发场景:schema 设计、数据库迁移、索引策略、分布式系统架构、微服务、缓存、消息队列、可观测性搭建、日志、指标、链路追踪、SLO/SLI 定义、性能优化、查询调优、安全加固、认证、授权、API 设计(REST、GraphQL、gRPC)、限流、分页与故障处理模式。像资深后端工程顾问一样辅助中级工程师进阶。
io.github.NeverSight/learn-skills.dev/kubernetes
精通 Kubernetes 与 kubectl,覆盖部署、服务、pod、调试与集群管理。当用户要求“部署到 k8s”“创建 deployment”“调试 pod”“kubectl 命令”“扩容服务”“查看 pod 日志”“创建 ingress”或执行任何 Kubernetes 任务时使用。
io.github.NeverSight/learn-skills.dev/docker-deployment
Docker 容器部署,含 Nginx HTTPS 配置与 Cloudflare Tunnel 集成。在使用 Docker 部署 Web 应用、配置 SSL/TLS 证书、搭建 Nginx 反向代理,或通过 Cloudflare Tunnel 实现安全外部访问时使用。
io.github.NeverSight/learn-skills.dev/docker-helper
精通 Docker 与 Docker Compose,涵盖容器、镜像、网络、卷与调试。当用户要求“构建容器”“运行 docker”“调试容器”“编写 dockerfile”“docker compose up”“查看容器日志”“优化 docker 镜像”或进行任何容器操作时使用。
io.github.NeverSight/learn-skills.dev/docker-kubernetes
在应用容器化、编写 Dockerfile、部署到 Kubernetes、创建 Helm Chart 或配置服务网格时使用此技能。触发词:Docker、Kubernetes、k8s、容器、pod、deployment、service、ingress、Helm、Istio、容器编排,以及任何需要容器或集群管理的任务。
io.github.shareAI-lab/learn-claude-code/code-review
从安全、性能与可维护性角度进行全面代码审查。当用户要求评审代码、检查 bug 或审计代码库时使用。
io.github.shareAI-lab/learn-claude-code/mcp-builder
构建 MCP(Model Context Protocol)server,为 Claude 增加新能力。当用户想创建 MCP server、为 Claude 添加工具或集成外部服务时使用。
io.github.NeverSight/learn-skills.dev/backend-developer
全面的后端开发,使用多种框架、数据库与部署策略构建生产级服务端应用。在构建 API、服务、数据库或服务器基础设施时使用。
v1.2.16
io.clawhub.ivangdavila/self-improving
自我反思 + 自我批评 + 自我学习 + 自组织记忆。Agent 评估自己的工作、发现错误并永久改进。
v1.0.0
io.clawhub.xiucheng/xiucheng-self-improving-agent
自我改进的 agent 系统:分析对话质量、识别改进机会并持续优化应答策略。
v1.0.0
io.clawhub.dennis-da-menace/agent-memory
为 AI Agent 提供持久记忆:跨会话存储事实、从行动中学习、回忆信息并跟踪实体。
v4.63.0
io.clawhub.nhadaututtheky/neural-memory
关联式记忆,通过扩散激活实现持久化的智能回忆。在以下情况主动使用:(1)需要跨会话记住事实、决策、错误或上下文;(2)用户询问「你还记得…」或引用过往对话;(3)开始新任务时从记忆注入相关上下文;(4)做出决策或遇到错误后存储以备将来参考;(5)用户询问「为什么会发生 X」时通过记忆追溯因果链。零 LLM 依赖。采用赫布学习的神经图,具备记忆衰减、矛盾检测与时间推理。
v1.0.0
io.clawhub.yueyanc/self-improving-proactive-agent
融合自我改进与主动性的统一 OpenClaw 技能:从纠正中学习、维持活动状态、快速恢复上下文、让工作持续推……(原文截断)
v1.0.0
io.clawhub.g0atfac3/g0atbot-tiktok-carousel
使用 AI 生成爆款 TikTok 图片轮播。采用 6 张幻灯片的公式最大化互动,并包含用于持续改进的学习循环。
v5.15.3
io.clawhub.jarvis-drakon/shieldcortex
AI Agent 的记忆与防御系统:语义回忆、知识图谱与记忆衰减,外加记忆防火墙——扫描并拦截提示注入、凭据泄露与记忆投毒。
v2.0.0
io.clawhub.tobisamaa/self-evolution
生产级自主自我改进系统:有研究支撑的元学习、安全的自我修改与持续优化。