liucong-skills

刘聪 NLP 的 Skill 仓库。每个 Skill 都放在 skills/<skill-name>/ 下，可以按需安装和使用。

先确认所使用的 Agent 或视频平台的 Skills 目录，并将它设置为 SKILLS_HOME。推荐使用软链接，仓库里的更新会立即生效。

git clone https://github.com/liucongg/liucong-skills.git
cd liucong-skills
export SKILLS_HOME="/path/to/your-agent/skills"
mkdir -p "$SKILLS_HOME"
ln -s "$(pwd)/skills/painterly-3d2-cinema" "$SKILLS_HOME/painterly-3d2-cinema"

如果目标路径已经存在，先确认它是否是旧链接或旧副本，再自行移除或备份；不要直接覆盖仍在使用的 Skill。

也可以复制安装：

export SKILLS_HOME="/path/to/your-agent/skills"
mkdir -p "$SKILLS_HOME"
cp -R skills/painterly-3d2-cinema "$SKILLS_HOME/"

复制安装后，仓库更新不会自动同步，需要重新复制。安装完成后，重新加载平台的 Skills 列表或重启对应 Agent，使 Skill 被重新发现。

在 Agent 对话中显式调用 Skill：

$painterly-3d2-cinema 做一条 15 秒的三渲二动作短片，白发男光剑士在雨夜湖岸迎战机械敌人。

也可以直接描述需求；当任务涉及三渲二角色、场景、动作故事板或短片提示词时，支持自动识别 Skill 的 Agent 可以自动触发它。

默认工作流为：

1. 提供 3 个剧情方向并等待选择。
2. 锁定剧情与每 15 秒一个 Segment 的节奏。
3. 依次制作角色、角色人物信息画板、场景和对手提示词。
4. 为每个 Segment 制作一张 Midjourney V8.1 的 15 格动作故事板提示词。
5. 根据故事板输出对应的 Seedance 视频提示词。

该 Skill 只交付提示词。图片需要在 Midjourney 外部生成，视频需要在 Seedance 外部生成，再把结果上传给 Agent 检查和继续迭代。

推荐使用软链接安装，仓库里的修改会立即同步到 Agent 的 Skills 目录：

export SKILLS_HOME="/path/to/your-agent/skills"
mkdir -p "$SKILLS_HOME"
ln -s "$(pwd)/skills/gzh-title-strategist" "$SKILLS_HOME/gzh-title-strategist"

也可以复制安装：

export SKILLS_HOME="/path/to/your-agent/skills"
mkdir -p "$SKILLS_HOME"
cp -R skills/gzh-title-strategist "$SKILLS_HOME/"

将完整文章、草稿或已有标题交给 Agent，并显式调用 Skill：

$gzh-title-strategist 根据这篇文章生成一组公众号标题，并选出最值得发布的 3 个。

也可以让它复盘已有标题：

$gzh-title-strategist 结合这些文章的阅读和互动数据，分析哪些标题写法有效，哪些可能只是选题或发布时间带来的影响。

该 Skill 会先诊断文章类型、目标读者、核心结论、事实证据和可交付内容，再生成稳健准确型、网感点击型、专业权威型、数据关键词型和长期型标题。默认会对前 5 名进行评分，并给出 1 个主标题、2 个备选标题及风险提示。

涉及热词或历史数据时，它只使用 Skill 内置的历史样本或用户提供的证据，不会把关键词相关性描述为微信推荐算法规则，也不会为了点击率添加正文没有依据的公司、产品、数字或夸张结论。

推荐使用软链接安装，便于持续获取仓库更新：

export SKILLS_HOME="/path/to/your-agent/skills"
mkdir -p "$SKILLS_HOME"
ln -s "$(pwd)/skills/design-led-website-builder" "$SKILLS_HOME/design-led-website-builder"

也可以复制安装：

export SKILLS_HOME="/path/to/your-agent/skills"
mkdir -p "$SKILLS_HOME"
cp -R skills/design-led-website-builder "$SKILLS_HOME/"

这个 Skill 需要 Agent 具备网页检索、浏览器查看与前端代码编辑能力。素材研究阶段还需要图片搜索或图片生成能力。Skill 自带的目录检索和校验脚本使用 Python 3.11 及 PyYAML；如需运行这些脚本，可在 Skill 目录中安装锁定依赖：

cd skills/design-led-website-builder
uv sync

给出网站服务的对象、建站目的和必须展示的内容即可：

$design-led-website-builder 我是一名独立 AI 研究者，希望做一个个人网站，用来展示研究方向、代表项目、文章和联系方式。整体克制、编辑感强。

也可以同时提供现有品牌、参考网站 URL、截图或明确的视觉风格。若需求可能对应多种网站产品，Skill 会先用一轮问题锁定意图并等待回答；意图明确时会直接开始。

默认工作流为：

1. 识别现有品牌、内容和参考资料，判断网站的核心任务。
2. 必要时只进行一轮意图确认。
3. 研究 3–5 个同类真实网站，并收集可授权使用或可生成的纹理、艺术作品、编辑图片等视觉素材。
4. 汇报设计方向、参考来源、已收集素材和明确不会照搬的部分。
5. 在同一轮继续完成网站实现，并按内置质量标准检查视觉、响应式、可访问性与基本工程质量。

该 Skill 不会虚构客户、奖项、业绩、人物照片或职业经历，也不会复制参考网站的标志性布局、文案和资产。用户自己的品牌与参考资料优先于内置目录；缺少个人作品或照片时，会保留清晰标注的高保真占位，而不会伪造证明材料。

这个 Skill 需要飞书登录态以及 lark-cli，或宿主 Agent 提供的等价飞书知识库和云文档工具。推荐复制安装，让每个 Agent 独立维护自己的绑定状态：

export SKILLS_HOME="/path/to/your-agent/skills"
mkdir -p "$SKILLS_HOME"
cp -R skills/llm-wiki-ops "$SKILLS_HOME/"

在 Codex 中，可安装到个人 Skills 目录：

mkdir -p "$HOME/.agents/skills"
cp -R skills/llm-wiki-ops "$HOME/.agents/skills/"

首次调用时，Skill 会检查 config/wiki-binding.json。如果没有有效绑定，它会引导用户绑定已有知识库或创建新的 LLM Wiki：

$llm-wiki-ops 帮我初始化或绑定一个 LLM Wiki。

绑定后可以直接入库、查询和体检：

$llm-wiki-ops 把这份资料入库，提取值得沉淀的词条并补全双链。

真实的 config/wiki-binding.json 是本地运行时状态，已通过 Skill 自带的 .gitignore 排除。仓库只提供脱敏的配置示例，任何知识空间 ID、节点 token 和文档 ID 都不应提交。完整说明见 skills/llm-wiki-ops/README.md。

推荐使用软链接安装，便于持续获取仓库更新：

export SKILLS_HOME="/path/to/your-agent/skills"
mkdir -p "$SKILLS_HOME"
ln -s "$(pwd)/skills/liucong-model-eval" "$SKILLS_HOME/liucong-model-eval"

这个 Skill 的模型执行器目前只支持 macOS，需要 Node.js 22 或以上、Claude Code，以及用户自己的火山 Agent Plan 套餐、专属 Key 和可用模型 ID。其他系统仍可编辑和导入题库，但执行器会拒绝在未经验证的隔离环境中运行。只有从 Hugging Face 导入远程 benchmark 子集时才需要 uv 与 Python 3.11。

首次使用，在 Skill 目录初始化并检查本机环境：

cd skills/liucong-model-eval
node scripts/setup.mjs init --model=glm-5.3-flash
node scripts/setup.mjs doctor
node scripts/runner.mjs isolation-check

然后由用户本人在一个终端运行 node scripts/connect.mjs，按隐藏输入提示粘贴 Agent Plan Key，并保持进程运行。Key 默认只保存在该连接进程内存中，不应发到聊天、写进命令参数、题库或报告。

在另一个终端先完成当前连接和所需能力检查，再运行正式测评：

node scripts/runner.mjs run --cases=connection --model=glm-5.3-flash
node scripts/runner.mjs run --cases=visioncheck --model=glm-5.3-flash
node scripts/runner.mjs run --cases=toolscheck --model=glm-5.3-flash
node scripts/runner.mjs run --dry-run --tier=simple --count=3
node scripts/runner.mjs run --tier=simple --count=3
node scripts/runner.mjs status
node scripts/runner.mjs export

视觉检查只在测图片题时需要，工具检查只在测代码题时需要。执行器默认把配置、运行记录和导出包放在 ~/.local/share/liucong-model-eval/，而不是 Skill 目录；私有题库、图片和导出结果公开前需自行筛选。内置题仅用于演示和回归，少量导入题应称为“某 benchmark 子集”，不能冒充完整官方榜单成绩。

显式调用示例：

$liucong-model-eval 用我的题库对照测试两个模型，先做 dry run，把题号、模型和预算列给我确认。

软链接安装时，只需更新仓库：

cd liucong-skills
git pull

复制安装时，更新仓库后需要重新复制对应 Skill。

每个 Skill 使用独立目录：

skills/
└── my-skill/
    ├── SKILL.md
    ├── agents/
    │   └── openai.yaml
    ├── references/
    ├── scripts/
    └── assets/

其中只有 SKILL.md 是必需文件；其他目录按需添加。Skill 目录名应与 SKILL.md frontmatter 中的 name 一致，并使用小写字母、数字和连字符。

添加后，确认 SKILL.md 包含合法的 YAML frontmatter，至少具有 name 和 description；目录名应与 name 完全一致。如果所用平台提供 Skill 校验工具，再按平台说明执行结构校验。

最后在本 README 的“已包含的 Skills”表格中补充入口和用途说明。

Apache License 2.0