技术研发

UniWeb后端开发（AI原生，一次完成）。当基于PRD进行后端开发时触发：(1)确认模块划分与外部集成, (2)编写架构蓝图, (3)逐模块完整交付（DTO+Controller+Helper+Test一次通过）。

UniWeb后端开发评审（AI原生）。当Java后端开发完成后触发：(1)评审架构蓝图与代码质量, (2)验证测试全部通过, (3)确认安全性与Javadoc完整性。

深度阅读和分析技术博客、产品公告、行业洞察等非学术类长文。自动判定博客类型（技术研究型 / 产品发布型 / 行业观点型 / 案例故事型），以中文自然语言段落输出分析报告，禁用 markdown 列表。当用户分享博客链接、要求阅读技术文章、分析产品公告、解读行业趋势文章时使用。触发词：读博客、分析这篇文章、看看这个 blog、技术博客、产品公告、帮我读一下。

后端开发指导技能，提供后端开发工具和框架的使用规范、最佳实践和开发指导。支持 Node.js、Python、Java、Go、PHP 等语言，涵盖项目结构、API 设计、数据库操作、安全实践、性能优化等。

Node.js / Python 接口自动化与签名还原工程技能：对自有平台或已授权平台的 Web API 进行签名分析与接口对接， 通过 Camoufox 反检测浏览器动态调试与静态源码分析，定位并还原前端加密/签名逻辑， 使用 Node.js 或 Python 实现算法复现与自动化接口调用。 深度集成 camoufox-reverse MCP（C++ 引擎级指纹伪装，35 个逆向分析工具）。 擅长 JSVMP 虚拟机保护的双路径攻克：路径 A 算法追踪（Hook / 插桩 / 日志分析 / 源码级插桩四板斧）， 路径 B 环境伪装（jsdom/vm 沙箱 + 浏览器环境采集对比 + 全量补丁）。 v3.0.0 硬约束 Checklist + 红线四条 + 经验法则压缩。 v3.1.0 SKILL.md 瘦身（核心层 + references/ 按需加载），工具引用对齐 MCP 合并 API。 v3.2.0 移除 MCP session 依赖，Checklist 从五项压缩到三项，cases/ 成为唯一经验库。 v3.3.0 核心层回归扩容：Phase 1-5 详细动作 + 10 个场景速查 + 经验法则回迁核心层。 v3.3.1 经验法则精简至 22 条：移除单站点经验，合并 evaluate_js 规则。

高级 AI Agent 全栈开发讲师。擅长教前端工程师转型 Agent 全栈开发，所有教学基于 Piko 项目实际代码，产出可运行的实用功能（AI 出行规划、智能截图记账、每日消费建议、定时推送等）。认证相关一律使用 Better Auth。当用户询问 AI/Agent 开发、后端开发、数据库、认证/登录、LLM 集成、Tool Calling、定时任务、推送通知、RAG 等话题时自动激活。

后端编码规范技能，提供后端开发的编码标准和最佳实践指导

前端编码规范技能，提供前端开发的编码标准和最佳实践指导

引导长期软件产品在需求频繁变更下建立「文档真源 + 变更闭环」：需求接收与归类、用户故事与验收、排期与承诺、 ADR/变更台账、实现闭合与发版说明，以及用户帮助中心的目录与导航。适用于任意技术栈；要求使用者在项目根维护 AGENTS.md（或等价文档地图）声明路径与优先级。在用户讨论立项、排期、PRD、路线图、需求变更、研发流程、 文档如何配合编码、帮助文档信息架构时使用。多步执行前须先与用户确认拟办步骤及可选/高风险环节。 收到 PDF 或 Office（DOCX/PPTX/XLSX 等）需求材料时，可配合本仓库 mineru-office-to-markdown 技能在本地转为 Markdown 后再做 Intake；若无 MinerU 须先说明成本并征得用户同意再引导安装。 与具体云厂商或某一内部工具无绑定。

面向 GPT Image 2 的图像生成 / 编辑技能。可在 3 种环境下使用：(A) Garden 本地模式，通过 OpenAI 兼容接口直接出图并落盘；(B) Host-Native 模式，把本 Skill 当作提示词工程指引，把渲染好的 prompt 交给宿主 Agent 自带的图像工具出图；(C) Advisor 模式，宿主无任何图像工具时退化为高质量 prompt 顾问。涵盖 18 大类、70+ 个结构化模板，覆盖海报 / UI / 产品 / 信息图 / 学术图 / 技术架构图 / 漫画 / 头像 / 编辑工作流等场景。

通过跨模型对抗式辩论（GPT-5.4 提案 + Claude 审查）产出高质量产品文档（PRD）。 当用户需要：(1) 创建 PRD 或产品规格说明，(2) 做复杂的产品或策略决策、需要多视角分析， (3) 说 "/debate"，(4) 对产品方向进行结构化论证， (5) 对比多个产品方案的优劣时使用。 不适用于：简单问题、代码评审、单轮文档生成、技术架构设计。

Java 后端开发专家 skill。当用户涉及 Java 后端开发、SSM/Spring Boot/Spring Cloud 框架使用、Redis/Nginx 等中间件、高并发多线程编程、JVM 调优、框架源码分析、设计模式应用、代码重构、Java 面试准备、系统架构设计时， **必须**使用此 skill。触发场景包括：写 Java 代码、分析 Spring 源码、设计高并发方案、讨论 JVM 原理、 使用 MyBatis/Redis/消息队列、微服务架构设计、代码审查、性能优化、面试题解答等。即使用户没有明确说 "Java 后端"，只要涉及上述技术栈，就必须调用此 skill 提供专家级指导。

将 PRD、技术架构、UI 设计三份文档整合为 AI 编程工具可以一步步执行的开发任务序列。当用户运行 ~plan 指令时必须立即调用此技能；当用户说到「任务拆解」「开发规划」「AI 开发指令」「开发顺序」「执行计划」时也要主动触发。产出 docs/dev-tasks.md，每个任务必须包含：任务目标、前置依赖（T 编号）、涉及文件、具体要求（引用 F/P 编号）、验证方式（小白可操作）、边缘情况（2-3 条重点测试提示）。任务粒度原则是「每个任务完成后用户能看到可验证的结果」，AI 执行时间控制在 5-20 分钟。文档末尾必须包含 6 条 Claude Code 行为规范（中文回复、先描述方案、需求澄清、禁止兼容补丁、列边缘情况、BUG 先定位），供用户在第一次执行时发给 AI。在开始工作前必须先完成对上游三份文档的前置审查。

通过多轮引导式对话帮用户把模糊的产品想法梳理成结构化的产品需求文档（PRD）。当用户运行 ~analyze 指令时必须立即调用此技能；当用户说到「需求分析」「功能梳理」「PRD」「产品需求文档」「整理功能清单」「理清想法」「定义功能」时也要主动触发。产出标准化的 docs/prd.md 文件，使用 M001 / F001-01 格式的模块和功能编号，供下游的技术架构师、UI 设计师、开发规划师引用。面向完全不懂技术的小白用户，用日常语言提问，不使用技术术语。在开始工作前必须先完成对 project-config.md 的前置审查，发现模糊或缺失立即向产品经理报告。

在每个阶段产出后进行质量审核，包括完整性、清晰性、一致性、可执行性四个维度的评分，以及仿真测试和结构化对账两种深度检查。当任何阶段的文档产出完成后必须立即自动触发此技能；当用户运行 ~review 指令查看审核详情时也要触发；当用户说到「审核」「检查文档」「质量把关」「对账」时也要主动触发。审核不通过（平均分 < 8 分或任一项 < 6 分）自动打回对应角色修改，最多 3 轮迭代。除了打分以外，必须执行「仿真测试」——自己扮演下游角色，验证文档是否真的足以支撑下游工作；必须执行「结构化对账」——把 PRD 功能编号与技术架构 API 接口、数据字段做表格化比对，检查遗漏。审核报告写入 docs/review-{阶段}.md，供 ~review 指令调阅。

根据产品需求文档（PRD）做技术选型、数据库设计、API 规划和环境配置方案。当用户运行 ~architect 指令时必须立即调用此技能；当用户说到「技术架构」「技术选型」「数据库设计」「API 设计」「架构方案」时也要主动触发。基于多维度决策框架做真正的工程判断，而不是机械匹配模板——技术选型必须考虑用户规模、数据量、并发需求、实时性、团队熟悉度等因素。产出 docs/tech-architecture.md，所有数据表和 API 接口必须标注对应的 PRD 功能编号（F001-01 格式），形成可追溯的设计链路。面向不懂技术的小白用户，每个决策都用大白话解释原因。在开始工作前必须先完成对 PRD 的前置审查。

前端开发约定和模式。基于 TypeScript + React 技术栈的现代前端项目。

构建安全优先的全栈 Web 应用，通过实现集成的前端和后端组件，在每个层级实施分层安全防护。覆盖从数据库到 UI 的完整技术栈，在所有层强制执行认证、输入校验、输出编码和参数化查询。当跨前端和后端实现功能、构建带有对应 UI 的 REST API、连接前端组件到后端端点、创建从数据库到 UI 的端到端数据流，或使用 UI 表单实现 CRUD 操作时使用。与仅前端、仅后端或仅 API 的技能不同，它在单个实现工作流中同时处理所有三个视角——前端、后端和安全。适用于全栈功能开发、Web 应用开发、带视图的认证 API 路由、微服务、实时功能、monorepo 架构或技术选型决策。

创意研发技能 - 从选题到创意方案的完整工作流。 当用户需要开发新视频创意、设计叙事结构、写创意方案时触发。

专门生成浅色优先的技术架构图 HTML 的 skill。用于用户要求“画架构图/系统架构图/技术架构图/流程架构图/数据流架构图/Agent 架构图/网络拓扑图/组件关系图/部署图/可视化系统设计/生成架构图 HTML”时；也适用于英文请求如 generate architecture diagram, draw technical diagram, visualize system architecture, data flow, agent architecture, deployment architecture, network topology. 默认最终产物是对齐 architecture-diagram-generator 的自包含 HTML，但默认改用 Flat UI Colors US 浅色体系，并融合 fireworks-tech-graph 的 SVG 生成、布局、风格、模板、校验和可选 PNG 导出能力。

专注于 Node.js 后端开发模式与最佳实践。

专注于 Python 后端开发，涵盖 FastAPI、异步编程和性能优化。

当用户需要进行 Node.js 后端开发时使用。此 Skill 提供 Node.js 后端开发的架构模式与最佳实践，涵盖错误处理、中间件设计、异步流控制和依赖注入。

当用户需要进行 Python 后端开发时使用。此 Skill 提供 FastAPI 开发、异步编程和性能优化等 Python 后端开发全栈能力支持。

TEngine Unity 商业游戏框架全栈开发指导。在 TEngine 框架项目中编写或修改任何代码时触发，包括：(1) 模块系统使用（ResourceModule/AudioModule/TimerModule 等），(2) UI 开发（UIWindow/UIWidget/UIModule），(3) 事件系统（int事件/接口事件/UIEvent），(4) 资源管理（YooAsset 加载/释放/热更），(5) 热更代码开发（HybridCLR 程序集划分/GameApp 入口），(6) Luban 配置表集成与访问，(7) 异步编程规范（UniTask），(8) 代码规范与架构设计审查，(9) 通过 unity-mcp (CoplayDev) 操作 Unity Editor（拼 UI Prefab / 操作场景 / 创建脚本 / 材质 / 动画 / 测试自动化）。关键词：TEngine, UIWindow, UIWidget, GameModule, ResourceModule, YooAsset, HybridCLR, UniTask, EventInterface, GameEvent, Luban, ConfigSystem, ProcedureBase, ModuleSystem, GameApp, unity-mcp, manage_gameobject, manage_scene, manage_prefabs, manage_ui, manage_script, batch_execute.

现代 Web 开发专业知识，涵盖 React、Node.js、数据库和全栈架构。 适用场景：构建 Web 应用、开发 API、创建前端界面、配置数据库、 部署应用，或当用户提到 React、Next.js、Express、REST API、GraphQL、MongoDB、 PostgreSQL 或全栈开发时使用。

当你为《电子学报》(Acta Electronica Sinica, AES) 投稿准备代码、数据与硬件设计等研究制品(artifact)的可用性说明时使用。中文学报暂无独立的 artifact evaluation 徽章委员会，本技能说明本刊现状、如何自愿开放代码/数据以增强稿件可信度、如何在正文与附录中规范披露制品、如何在双盲阶段匿名托管仓库、以及电子/信号处理类工作(算法、电路、FPGA、数据集)的制品打包要点。帮助作者在没有强制徽章的前提下最大化《电子学报》稿件的可复现说服力。

在判断一项计算机研究是否适合投《计算机学报》(Chinese Journal of Computers, CJC)、以及应落到哪个栏目/稿件类型时调用。覆盖本刊作为 CCF A 类计算机学科综合性中文旗舰月刊的定位、与专业子刊(软件学报偏软件/系统、自动化学报偏控制、电子学报偏电子通信、计算机研究与发展、计算机科学)的分工、长文与原创性门槛、论文/技术报告/短文/研究简报/综述的类型选择、以及会议论文期刊扩展版的定位。适用于在投稿前把选题的期刊契合度、创新增量与栏目归属想清楚，避免因不符宗旨在初审被退。

Use when the empirical core of a 《数量经济技术经济研究》 (JQTE) manuscript is an econometric model — time series, cointegration, mixed-frequency, VAR/SVAR, state-space, or panel / macro-econometrics. Enforces correct model setup, stationarity / unit-root and cointegration diagnostics, and lag/specification justification. Use when the method itself is the contribution rather than a causal identification claim.

Use to judge whether a manuscript fits 《数量经济技术经济研究》 (JQTE) and to decide how to frame its contribution — measurement, forecasting, or method-application versus clean causal inference — before investing in revision. The most common save: stopping a strong measurement paper from being dressed up as a weak causal study, and routing genuinely clean-causal work elsewhere.