-
Add-uint-support ：给 PyTorch 算子补 uint 支持，是一个被低估的精细活
大部分写 PyTorch 的人一辈子不会碰“给算子加类型支持”这种事。你用 tensor.float()、tensor.int()，内核里那些 AT_DISPATCH 宏替你扛下了所有类型分支，你甚至感觉不到它们存在。直到某天你要跑一个 uint16 的张量。 然后你会撞上一堵墙。PyTorch 的 uint8（对应 kByte）支持得很完整，但 uint16、uint32、uint64 这三个所…- 1.1k
- 0
-
Final-release-review ：发布前最后一刀，OpenAI 选择交给一个 Skill
跟大多数开发者一样，我做 release 的方式一直很"野生"。改完代码，跑一遍 CI，看一眼 diff，标签一打就推上去了。如果手滑改了 public API，那只能等用户报 bug 才知道。 这套流程放在个人项目还行，放到 openai-agents-python 这种 SDK 上就是玩火。任何一个签名变更、任何一个依赖版本跳动，都可能炸掉下游几百个项目。 所以当我看到 O…- 1.2k
- 0
-
Agent-identifier：用一套 Prompt 模板把 Agent 创建变成工程问题
在 Claude Code 里创建 Agent 这件事，看起来门槛很低。建一个 markdown 文件，写一段 system prompt，放到 agents 目录，完事。但真跑起来你会发现，Agent 不触发、触发了行为跑偏、或者 prompt 太长 Claude 直接忽略关键约束，这些问题出现的频率远比想象中高。 agent-identifier 是 Anthropic 在 Smithery.…- 1k
- 0
-
Configured-agent ：Claude Code 插件的“记忆系统”
给 Claude Code 写插件的人迟早会撞上一堵墙：插件需要记住用户的选择，但你不能写数据库，不能装 Redis，连环境变量都不好使。Claude Code 的插件运行在 hooks、commands 和 agents 里，每次启动都是全新的 shell 进程。 多数人第一反应是写个 JSON 配置文件丢在项目根目录。然后你会发现在 bash 里解析 JSON 有多痛。即使你用 jq 绕过去，…- 1.2k
- 0
-
PyTorch PR Review：一个只报问题不夸人的代码审查员
给 PyTorch 提 PR 是什么体验？你花了两周写完一个算子优化，通过了所有 CI 检查，Lint 全绿，测试全过，然后等了两周没人 review。好不容易有人看了，留了一条评论：“LGTM”。 这不是段子，是 PyTorch 贡献者每天都在经历的现实。PyTorch 仓库有超过四千个贡献者，每天几十个 PR 涌入，而核心维护者的带宽是固定的。结果就是大量 PR 要么被粗放式 review 放…- 1.2k
- 0
-
Anthropic Audit Support：把 SOX 合规从噩梦变成可控流程
做财务的朋友一提到 SOX 404，表情基本上只有一种：痛苦。这个 2002 年塞进法律里的条款，要求管理层对财务报告内部控制的有效性做出评估并签字负责。听起来合理，但落到实操层面就是几百页的工作底稿、令人窒息的控制测试矩阵、以及永远对不齐的样本量和风险评估。 Audit Support 这个 Skill 试图解决的，恰好是这个痛点最锋利的那一端。它不替你签字、不替你出审计意见，但它把 SOX 4…- 1k
- 0
-
Anthropic Compliance Skill：让法务团队拥有隐私合规的”第二大脑”
隐私合规这件事，法务团队的人最有发言权。GDPR 的 99 条条文、CCPA 的修正案、各国层出不穷的新法规，光是把这些文本通读一遍就要花掉一个初级法务整整两周。更麻烦的是，法规不是读一次就够的，监管指引在变，执法案例在积累，跨境数据传输的规则几乎每季度都有更新。 Anthropic 在 Smithery 上发布的 compliance skill，直接瞄准了这个痛点。它不是一个泛泛的法律问答机器…- 1.2k
- 0
-
Sentry Skill：让查错像聊天一样简单
生产环境报错这件事，经历过的人都懂。凌晨三点告警响了，你爬起来打开 Sentry，在密密麻麻的 issue 列表里翻找，点开 stack trace，试图从几千行日志里定位根因。这一套流程下来，问题可能还没找到，天已经亮了。 Sentry 的仪表盘功能确实全，但问题也出在这里：太全了。查一个简单的问题也要在十几个页面之间跳转。openai/sentry 这个 Smithery Skill 做的事很…- 1k
- 0
-
Nda-triage ：从 GREEN 到 RED，一份 NDA 的 30 秒体检
销售同事甩过来一份 12 页的 NDA，法务邮箱里还有二十份排队的。这个场景在每家公司都反复上演，而绝大多数 NDA 内容其实是模板化的，真正需要律师逐字看的比例并不高。问题在于，没人愿意冒"没看仔细"的风险去省这个时间。 Anthropic 最近在 Smithery 上释出的 nda-triage 解决的就是这个矛盾。它把 NDA 预审做成一个标准化的三色分类流程：GREEN…- 1.2k
- 0
-
OpenAI Security Threat Model：从 STRIDE 到代码纪律，威胁建模的实操化转身
让 AI 给一个仓库做威胁建模，大多数模型会还给你什么？一份看起来非常专业的报告，结构大概是这样： 一份组件清单，覆盖常见的网关、缓存、数据库 一段攻击面描述，套用 OWASP 的分类法 几条 OWASP 引用，证明自己懂行 一堆"建议验证输入"式的缓解措施 每条都对，但没有一条能对到你的代码上。你拿着它去评审，说不出哪里错，也说不清该改哪里。 OpenAI 显然被这个问题折磨…- 1k
- 0
-
secops-triage: Google 把 SOC 一线分析师塞进了一个 Skill
SOC（安全运营中心）的一线分析师每天都在做同一件事： 看告警 判真假 决定要不要升级 听起来简单，但实际跑起来，这句轻描淡写的话背后是大量重复劳动： 同一个 IP 查十遍 同一个告警类型翻来覆去写同样的结论 在三个系统之间切来切去地找上下文 这就是 Google 的 secops-triage Skill 想解决的问题。它不搞花里胡哨的 AI 自动狩猎，也不承诺"一键搞定所有安全事件&…- 1.1k
- 0
-
Security Ownership Map ：把 Git 历史变成安全地图
你们团队负责认证模块的那个人如果明天离职，你知道哪些文件会变成孤儿吗？大多数团队的回答是"不太确定"。CODEOWNERS 文件写了名义归属，但 git log 讲的才是真话。OpenAI 内部安全团队最近释出的 Security Ownership Map，干的事情就是把这两者之间的差距量化出来。 它的思路不复杂：扫一遍 git 历史，提取每个人碰了哪些文件。然后做两件传统安…- 1k
- 0
-
Security Best Practices ：这个 Skill把安全左移做到了 Prompt 层
安全工具这个品类有个通病：它们都在代码写完之后才介入。SonarQube 扫一遍，Snyk 扫一遍，GitHub CodeQL 再扫一遍，每个工具都在你写完代码之后告诉你哪里有问题。问题是，等你看到报告的时候，那行有漏洞的代码已经在仓库里躺了好几天了。 OpenAI 的 Security Best Practices Skill 走了另一条路。它不扫代码，它扫你的 Prompt。准确地说，它把自己…- 1.1k
- 0
-
Code Review Skill: 让 AI 替你把关每一次提交
Code Review 这件事，嘴上都说重要，实际做起来能拖就拖。PR 挂了两天没人看，reviewer 扫一眼点了 approve，合进去才发现漏了个空指针。这不是哪个团队的问题，是所有团队的通病。 Zapier 的 Code Review 这个 Skill 试图解决的就是这件事。它不替代人类 reviewer，不要求你改 workflow，也不在代码仓库里加一堆 bot 配置。它的定位很明确：…- 933
- 0
-
Zapier 把代码审查做成了一个 Skill，而且比你想象的要聪明
代码审查是个反人性的活。它需要你在别人的逻辑里游泳，同时保持清醒到能发现一个越界索引或一个缺失的空值检查。更糟的是，大部分时候你是在赶进度和认真看代码之间做选择。两件事天然冲突。 AI 代码审查工具不是新鲜事。GitHub Copilot Code Review、CodeRabbit、Amazon CodeGuru 都在这个赛道上。问题也很明显：要么绑在特定平台，要么生成的评论读起来像一本教科书在…- 989
- 0
-
Executive-briefing ：Anthropic 这个 Skill 把“向上管理”做成了一行代码都不写的事
你有没有过这种经历：花了两天做调研，数据堆了一堆，结论其实很清晰，但要把这些写成一份领导愿意看的简报，反而卡住了。不是内容不够，是不知道怎么砍。 说实话，这个问题比“没东西写”更折磨人。你知道答案在哪，但每次打开文档，第一行就是改不出来的。你改了三版，最后领导扫了十秒钟，问了一句“所以核心结论是什么？”，那一瞬间你就知道，这稿白写了。 executive-briefing 这个 Skill 干的恰…- 985
- 0
-
create-an-asset ：从客户信息到品牌化交付物，一个 Skill 串起整个售前流程
你有没有遇到过这种情况，销售说"帮我出个方案，客户明天要"，然后你就开始手动拼 PPT，从公司的产品介绍里摘功能点，对着客户的行业背景硬编几个"定制化价值主张"，最后再调两个小时的排版和配色。说实话，这套流程重复了无数遍，早就该自动化了。 Anthropic 在 GitHub 上开源了一个叫 create-an-asset 的 Skill，目前在 Smith…- 1.1k
- 0
-
daily-briefing ：从信息收集到优先级排序的三步引擎
早上九点，你打开电脑。日历上塞了五个会，邮箱里躺着三十封未读，CRM 里有七个 deal 状态不明。你的本能反应是什么？多数人会先回最上面那封邮件，然后被会议推着走完一天，到下午六点才发现最重要的那件事还没动。 daily-briefing 要解决的就是这个问题。它是 Anthropic 在 Smithery 上发布的一个销售简报 Skill，核心逻辑很简单：每天早上花两分钟，把今天最重要的那件事…- 1k
- 0
-
journal-entry-prep：把会计分录从脑力活变成检查活
月底关账这件事，做过的都知道，烦的不是录入量，是那种"万一哪里搞错了"的焦虑感。 每到月末，一长串分录等你处理： 应计费用 折旧摊销 预提工资 收入确认 每一笔都要借贷平衡，每一笔都要有依据，每一笔都可能在审计时被翻出来追问。问题在于，大部分公司没有自动化系统兜底，靠 Excel 靠记忆靠"上个月怎么做的照抄一份"。抄着抄着，某个月的预提忘了冲销，半年后才翻…- 9.8k
- 0
-
call-prep：Anthropic 把销售准备做成了 Skill，效果比我想的务实
销售准备这件事，大多数人的做法很原始。打开 CRM 翻最近的沟通记录，搜一下对方公司最近的新闻，LinkedIn 上看看参会人员背景，然后对着空白文档发呆。这些事情不算难，但加起来要花一两个小时，而且经常漏掉关键信息。 call-prep 是 Anthropic 发布在 Smithery 上的一个 Skill，做的事情跟上面描述的一模一样。你告诉它公司名和会议类型，它自己去研究、整理信息、生成结构…- 1k
- 1
-
PyTorch 构建 building 深度拆解：从环境准备到跨端编译
如果你试过从源码构建 ExecuTorch，应该对那种"卡在环境配置就花了半小时"的感觉不陌生。每一步都可能踩坑： conda 环境死活激活不了 cmake 版本不对，报错信息还看不出原因 submodule 没同步完整，第三方依赖的 CMakeLists.txt 找不到 交叉编译参数漏了一个，链接时符号全丢了 官方文档写得再详细，实际操作时总会有一些路径问题、权限错误、版本冲…- 974
- 0
-
Profile：PyTorch 边缘部署的性能瓶颈排查指南
模型跑通了，推理结果也对，就是慢得离谱。你打开各种 profiling 工具，日志里一堆时间戳，但每个算子到底吃了多少毫秒，瓶颈卡在模型哪一层，根本看不出来。换个场景重跑一遍，时间分布又变了，连复现都困难。 这不是个别问题。ExecuTorch 作为 PyTorch 的边缘端推理方案，性能分析一直是开发者最头疼的环节。官方文档确实有一套完整的开发者工具链，但配置步骤多、概念门槛高，很多人翻了半天文…- 1k
- 0
-
agent-development：Claude Code Plugin 的 Agent 开发标准答案
写 Agent 这件事，说起来门槛不高，但真正写出一个靠谱的，比想象中难得多。 大多数人的第一版 Agent 都是一个套路：把需求写进 system prompt，给几个工具，然后指望它能自己搞定。结果往往是它要么过于保守什么都不干，要么过于激进一顿操作全错。你反复调 prompt、换模型、加约束，效果还是不理想。问题不在于你不够努力，而在于你从一开始就没按正确的结构来搭。 Anthropic 在…- 1.2k
- 0
-
develop-ai-functions-example：Vercel AI SDK 的示例工厂
Vercel AI SDK 的 npm 周下载量已经跑到三百多万次了。支持 20 多个模型提供商，13 种核心函数，从 generateText 到 rerank、从 transcribe 到 ToolLoopAgent。但如果你是那个负责维护这些示例代码的人，场面就没那么好看了。 每接入一个新 provider，你要给 10 多个函数写示例。每加一个新 feature，你至少要覆盖一个 prov…- 9.7k
- 0