Skill

支持与 Jira 系统深度交互，可自动识别问题编号、查询个人任务及进行中事项、创建和更新各类工单、执行状态流转与指派操作、添加评论、管理迭代冲刺，并能将自然语言请求准确转化为对应指令。

面向教育内容质量评估，从学习者体验与教学设计双重视角出发，系统分析章节的吸引力、可理解性、实践有效性、知识递进逻辑及学习者信心水平，同时检验教学目标设定、认知负荷分配、教学支架设计、AI互动适配性与评估验证机制，最终识别内容、结构与教学法层面的具体缺口，并提供分级优先级的改进建议。

自动生成符合行业标准的 API 合约与 OpenAPI 3.0 规范，支持从设计文档或源码中提取接口定义、资源模型、请求响应结构、认证策略及错误处理逻辑，并输出可执行的路由、控制器、数据模型与中间件代码骨架。

在技术问题陷入僵局时引入高阶智能体进行深度协同分析，整合全部调试上下文、失败尝试、错误日志和用户反馈，通过多轮交互或单次深度推理获取突破性见解，特别适用于复杂架构决策、跨系统故障定位、罕见边缘案例及缺乏现成方案的新型挑战。

提供实时学术研究信息检索能力，覆盖最新论文、技术文档、统计数据及专家观点，自动根据问题复杂度选择高效或深度分析模型，并确保所有结果附带规范引用和权威来源标注。

整合分散的信息并生成结构化研究报告，支持跨页面检索、内容分析与多源数据融合，输出带引用的文档，适用于深度调研与决策支持场景。

通过语义和模式匹配在多语言包文档中快速定位技术实现方案，支持跨 npm、PyPI 等生态的代码示例检索与通用搜索，帮助开发者高效获取依赖注入、钩子模式等具体场景的使用方法。

实现AI员工记忆库的智能维护，通过分析文件内容、元数据和关联关系，自动识别并处理重复信息、错误归类的文档以及过时内容，支持按需合并、迁移或清理，确保记忆结构清晰、检索高效且长期可用。

规范 REST与 GraphQL 接口设计，统一资源命名、请求响应结构及版本管理策略，支持构建可维护的 API 体系，适用于端点规划、契约评审及标准化文档生成。

帮助用户识别和规避 Kling AI 使用过程中的典型错误与潜在风险，涵盖异步处理、错误捕获、密钥安全、成本控制等关键环节，提供可落地的预防策略与验证方法。

根据对话上下文智能提取渠道、用户及关键词，自动检索结构化记忆库中的项目进展、会议决策、人员偏好等历史信息，并融合时间敏感性与关联元数据进行综合分析，生成符合场景需求的自然语言响应，确保每次交互具备上下文连贯性与业务准确性。

专注于 Elixir 生态中 Hex 包的深度技术调研，支持在本地依赖、缓存文档与源码、HexDocs API 及网页间逐层检索，自动补全缺失资料，精准定位模块函数说明、真实用例及源码位置。

将模糊的用户意图转化为结构清晰、可直接执行的技术指令，基于会话记忆智能识别任务类型、技术栈和关键约束，动态生成包含目标、步骤及必要上下文的增强型提示，适用于需要精准工程化表达的开发协作场景。

面向公开信息源开展深度情报搜集，支持对人员、企业、实体及网络威胁的合法合规调查，涵盖背景核查、尽职调查与安全评估等场景，严格限定于可公开访问的数据范围。

面向团队和组织的 Kling AI 协作环境配置能力，支持多用户共享访问、API 密钥分级管理、项目结构化组织及基于角色的权限控制，适用于企业级 AI 应用部署与资源治理场景。

根据问题类型智能选择语义搜索或精确文本检索工具，优先使用语义搜索处理探索性、架构性、因果类问题，仅在确认特定符号、错误名或环境变量存在时采用精确匹配，支持高效代码理解与调试决策。

根据代码变更自动生成并更新系统文档，确保各模块的架构设计、交互关系与实现逻辑得到准确记录，通过子代理完成文档同步后验证其完整性，适用于代码演进过程中的知识沉淀与团队协作维护。

提供一套基于芝加哥学派测试驱动开发的缺陷修复方法论，强调先复现问题、再编写失败测试、最后实施最小化修正，全程贯穿领域建模与不变量维护，确保修复既精准又不破坏现有行为。

提供创业全周期决策支持，覆盖从构思验证、联合创始人选择、产品开发、融资策略到团队建设与规模化增长等关键环节，整合YC精选的443份深度资源，包括保罗·格雷厄姆等专家的原创文章、成功创业者访谈及系统化课程内容。

自动生成符合行业规范的项目说明文档，覆盖版本控制、容器化、基础持续集成与部署及基础设施等核心 DevOps 实践，支持按需定制内容结构并验证输出质量。

自动化生成高质量 JavaScript 概念文档，整合研究、撰写、测试、验证与优化全流程，确保内容准确且易于发现，适用于从零构建或全面重构技术文章。

构建基于分层架构的 Perplexity 集成方案，通过标准化项目结构实现客户端封装、错误隔离与健康监测，支持多环境配置管理与自动化测试集成，适用于生产级应用开发与技术评审。

设计人机协同教学体验，基于教师、学生、协作者三重角色框架实现双向学习，强调人类与AI在规范制定、方案生成、结果验证和持续迭代中的动态互动，确保学生既掌握基础能力又提升AI协作素养。

提供技能开发全流程指导，涵盖从需求分析、结构设计、资源打包到初始化和验证的完整实践方法，帮助用户构建模块化、可复用的专用能力单元，以精准扩展智能体在特定领域中的知识深度与执行精度。

智能分析本地文件系统，识别重复内容、发现杂乱结构并提出合理归类方案，支持按类型、时间或用途自动整理文件夹，协助清理过期文件，在用户确认后执行移动、重命名等操作，持续维护整洁有序的数字工作空间。

构建多智能体协作式辩论系统，支持按需发起结构化多轮讨论或快速观点采样，通过不同专业视角的实时交锋与回应生成可追溯的对话记录和综合洞察，适用于技术决策、架构评估及研究预研等需要集体智慧的场景。

提供深度技术决策支持，通过多源并行调研（代码库分析、官方文档、社区观点、专家视角）系统评估各类技术选项，基于项目上下文与加权标准生成结论先行的对比报告，涵盖性能、学习成本、生态成熟度等维度，并明确标注依据来源与潜在风险。

自动生成技术文档中的设计文档模板，提供符合行业规范的结构化指导与配置生成，支持 API 文档、架构说明及用户指南等场景，输出可直接投入生产的标准化内容并验证其合规性。

支持在 Obsidian 笔记库中进行语义级内容检索与结构化元数据查询，既能按含义查找相关笔记，也能通过 SQL 筛选任务、日程、标签、投资标的等字段，实现自然语言提问到精准结果的映射。

建立统一的知识捕获机制，系统化记录业务规则、技术模式与外部服务接口，通过严格的去重检查、分类归档（领域逻辑 / 技术模式 / 接口契约）和模板化写作，确保文档可发现、易维护、与代码同步演进。