Skills 目录 · 第 10 页

Node.js, Express, Next.js API 라우트를 위한 백엔드 아키텍처 패턴, API 설계, 데이터베이스 최적화 및 서버 사이드 모범 사례.

面向 Node.js、Express 和 Next.js API 路由的后端架构模式、API 设计、数据库优化和服务器端最佳实践。

Patrones de arquitectura backend, diseño de API, optimización de base de datos y buenas prácticas del lado del servidor para Node.js, Express y rutas API de Next.js.

面向Node.js、Express和Next.js API路由的后端架构模式、API设计、数据库优化和服务器端最佳实践。在构建或审查Node.js、Express或Next.js API路由及其数据访问时使用。

面向Node.js、Express和Next.js API路由的后端架构模式、API设计、数据库优化和服务器端最佳实践。在构建或审查Node.js、Express或Next.js API路由及其数据访问时使用。

面向 Node.js、Express 和 Next.js API 路由的后端架构模式、API 设计、数据库优化和服务器端最佳实践。

Node.js, Express ve Next.js API routes için backend mimari kalıpları, API tasarımı, veritabanı optimizasyonu ve sunucu tarafı en iyi uygulamalar.

后端架构模式、API设计、数据库优化以及适用于Node.js、Express和Next.js API路由的服务器端最佳实践。

为前端开发者创建 API 交接文档。适用于后端工作完成、需为前端集成提供文档，或用户要求“创建交接”“记录 API”“前端交接”或“API 文档”。

Find betting edges with BankrollSZN Monte Carlo picks, line shopping, props, and line movement. Use when the user asks for picks, the best odds, prop edges, or line moves.

Build DraftKings or FanDuel DFS lineups from BankrollSZN projections, ownership, and injuries. Use when the user asks for DFS lineups, an optimizer run, projections, or ownership for a slate.

Introduce BankrollSZN and run a first DFS or betting query. Use when the user first connects BankrollSZN or asks what BankrollSZN can do.

Research MLB matchups with BankrollSZN weather, park factors, splits, starters, and the home run board. Use when the user asks about an MLB game, home run picks, stacks, or weather.

Answer NFL fantasy questions with BankrollSZN, such as start or sit, survivor picks, defense vs position, and injuries. Use when the user asks who to start, a survivor pick, or an NFL matchup for fantasy.

Backtest a player type against one defense and save it as a BankrollSZN Target. Use when the user asks how a kind of player does against a team, or asks for tonight's target plays.

Bash/Linux 终端模式。关键命令、管道、错误处理、脚本编写。适用于在 macOS 或 Linux 系统上工作。

面向生产自动化、CI/CD 流水线和系统工具的防御式 Bash 脚本专家，擅长编写安全、可移植且可测试的 shell 脚本。

确定产品发布的首个滩头市场细分群体，依据强烈痛点、付费意愿、可争取的市场份额和推荐潜力进行评估。用于选择首个市场、锁定初始客户群或规划市场进入策略。

AI 运行模式（头脑风暴、实现、调试、审查、教学、交付、编排）。用于根据任务类型调整行为。

像真实的人一样回复，直接而温暖，不使用列表或模棱两可的措辞。当用户说你听起来像机器人、要求你真实或像人一样说话、想要镜像模式，或正在经历悲伤、失业或恐惧时使用。不适用于代码或事实查询。

集成 Benchling 研发平台。通过 API 访问登记库（DNA、蛋白质）、库存、ELN 条目和工作流，构建 Benchling Apps，查询 Data Warehouse，用于实验室数据管理自动化。

测量性能基线并检测回归，涵盖浏览器 Core Web Vitals（LCP、INP、CLS、页面大小）、API 端点延迟分位数和构建/测试反馈时间，将前后比较保存为 Git 跟踪的 .ecc/benchmarks JSON。适用于检查页面速度、回应“感觉很慢”、验证发布性能目标或比较替代技术栈。

将限定范围内的竞品集合评分为可比较的画像卡片：九个加权维度（定位、语调、视觉工艺、产品包装、证据、企业就绪度、思想领导力、定价、客户张力），采用1-5分且以证据为依据的评分标准，并绘制张力2x2图。在基准评估或评分竞品、构建竞品对比矩阵，或在组装报告前评估对手定位时使用；在competitive-platform-analysis之后、competitive-report-structure之前运行。

在 competitive-platform-analysis 已产出分层竞争对手集合后使用。以明确的 1–5 分评分标准和张力图，按九个加权维度（定位、语调、视觉工艺、产品包装、证据、企业就绪度、思想领导力、定价、客户的战略张力）为每个竞争对手评分。先于 competitive-report-structure 使用。

将“让它更快”的请求转为有边界、可测量的优化循环：先建立基线，生成各基于单个假设的变体，逐一在正确性关卡下进行基准测试，再用可复现命令选用最快的安全变体。适用于加速、尝试多个变体、递归优化、测量延迟/吞吐/成本，或通过反复测量选择最佳实现。

孟加拉语（Bangla）文本处理模式，包括 Unicode 归一化、文字系统检测、分词、合字处理，以及面向 AI 应用的孟加拉语 NLP 最佳实践。

应用现代Web开发最佳实践，以确保安全性、兼容性和代码质量。适用于被要求“应用最佳实践”、“安全审计”、“现代化代码”、“代码质量审查”或“检查漏洞”时。

依据 WCAG 2.2 审查并修复键盘和焦点行为、ARIA、可访问名称、表单、屏幕阅读器播报、动效和缩放。

通过生成调色板、命名语义 token、格式转换和测量对比度，构建并检查颜色系统。

从无障碍性、布局、文案、排版、色彩和 UI 打磨等方面审查一个屏幕、流程或整个界面，并返回一份带排名的报告。

设置分组、对齐、阅读顺序、响应式结构以及译文所需空间，使布局在调整大小、翻译或镜像时依然稳固。

设定并审阅文本的渲染方式，从字号层级和间距到字体特性、换行、截断和标点。

以精确数值打磨界面表面、图标和动效，涵盖圆角半径、光学对齐、阴影、图标状态和动画。

撰写并审阅界面文案，从标签和错误信息到空状态和确认提示，使其符合产品语气并告诉用户下一步该做什么。

Manages datasets, tables, and jobs in BigQuery, and integrates with BigQuery ML and Gemini for advanced data analytics and AI-driven insights. Use for SQL queries, resource management, data ingestion, or AI applications on BigQuery.

自主生物医学 AI 智能体框架，用于执行跨基因组学、药物发现、分子生物学和临床分析的复杂研究任务。在开展多步骤生物医学研究时使用此技能，包括 CRISPR 筛选设计、单细胞 RNA-seq 分析、ADMET 预测、GWAS 解读、罕见病诊断或实验室方案优化。利用 LLM 推理，结合代码执行和集成的生物医学数据库。

分子生物学的主要 Python 工具包。首选用于基于 Python 的 PubMed/NCBI 查询（Bio.Entrez）、序列操作、文件解析（FASTA、GenBank、FASTQ、PDB）、高级 BLAST 工作流、结构、系统发育学。如需快速 BLAST，请使用 gget。如需直接 REST API，请使用 pubmed-database。

用于 bioRxiv 预印本服务器的高效数据库搜索工具。当需要按关键词、作者、日期范围或类别搜索生命科学预印本、获取论文元数据、下载 PDF 或开展文献综述时使用此技能。

用于 40 多种生物信息学服务的主要 Python 工具。多数据库工作流的首选：UniProt、KEGG、ChEMBL、PubChem、Reactome、QuickGO。提供查询、ID 映射和通路分析的统一 API。如需直接 REST 控制，请使用各数据库技能（uniprot-database、kegg-database）。

使用 bkt 操作 Bitbucket Cloud 或 Data Center 仓库、拉取请求、分支、流水线、权限和 webhook。当请求提到 Bitbucket 或 bkt 时使用；在执行平台特定命令前先确认平台。

找出某项变更在其差异之外会破坏什么，并通过运行代码来证明使其安全的那一个事实。在合并共享代码、数据形状或 API 之前使用。

在检查 Blender 角色、绑定、姿势、动画重定向、地面接触、朝向，或仅凭截图不足以判断的模型与动作对齐时使用此技能。

当开发者希望在编写任何代码之前，把想法转化为完整、可投入生产、端到端的系统方案时，使用此技能。触发语包括“规划这个系统”“为……设计架构”“帮我做蓝图”“对 X 做深度规划”“把这个想法拆成组件”“展开为行动点”“完整实施计划”，或用户粘贴项目想法并希望梳理出架构、组件、流水线和文件级执行方案时。口语化说法也会触发：“帮我从头到尾想清楚”“先规划再写代码”。还涵盖活工作区模式：自我改进的知识库、带审计智能体的反思循环、四智能体团队、schema 即代码、wiki 健康度评分。**恢复触发语**：“我们上次停在哪里”“继续这个计划”“恢复我的蓝图”——通过 SESSION.md/NEXT.md/decisions/ 从磁盘重新加载状态。每次调用都必须进行网络调研。

当用户需要 Claude 不具备的能力（图像生成、实时 X/Twitter 数据）或明确要求使用外部模型（"blockrun"、"use grok"、"use gpt"、"dall-e"、"deepseek"）时使用

1行の目的を複数セッション、複数エージェントエンジニアリングプロジェクト向けのステップバイステップ構築計画に変換します。各ステップには自己完結型コンテキストブリーフがあり、新しいエージェントがそれをコールドで実行できます。 敵対的なレビューゲート、依存グラフ、平行ステップ検出、アンチパターンカタログ、計画変更プロトコルを含みます。 トリガー：ユーザーが複雑なマルチPRタスク用の計画、ブループリント、またはロードマップをリクエストするか、複数のセッションが必要な作業を説明する場合。 トリガーしない場合：タスクが単一のPRまたは3未満のツール呼び出しで完成可能な場合、またはユーザーが「単にやってくれ」と言う場合。

将一句话目标转化为跨会话、多智能体工程项目的分步建设计划：每步规模适合一个 PR，附自包含上下文简报、可识别并行步骤的依赖图、对抗式审查关卡和计划变更协议。用于跨多个 PR 或会话的大功能、重构或路线图规划；不用于单个 PR 的任务，或用户说“直接做”时。

将单行目标转化为多会话、多代理工程项目的分步构建计划。每个步骤包含独立的上下文简介，以便新代理能直接执行。包括对抗性审查门、依赖图、并行步骤检测、反模式目录和计划突变协议。触发条件：当用户请求复杂多PR任务的计划、蓝图或路线图，或描述需要多个会话的工作时。不触发条件：任务可在单个PR或少于3个工具调用中完成，或用户说“直接执行”时。

回答 BMad 相关问题，并根据已安装内容推荐下一个技能。适用于用户向 bmad 求助、询问下一步该做什么或从哪里开始；设置、更新、修复、诊断、迁移或检查安装状态，或添加模块；或查看、更改当前活动计划。

推动 LLM 重新思考、精炼和改进最近的输出。用户要求更深入的批判性审查，或提到苏格拉底式追问、第一性原理、事前验尸、红队等已知深度审查方法时使用。

负责市场调研、竞争分析和需求分析的业务分析师。当用户要求与 Mary 交谈或请求业务分析师时使用。