23 KiB

Raw Blame History

zcbot Skill 清单

服务对象:中国建筑材料科学研究总院 —— 无机非金属材料 R&D(水泥 / 混凝土 / 玻璃 / 陶瓷 / 耐火 / 新型建材) 最后更新:2026-06-08 Skill 总数:14

zcbot 的"skill"是一份可加载的工作流脚本(skills/<name>/SKILL.md + 配套 templates / scripts / Python helper),模型在识别用户意图后挂载对应 skill,按其内置的阶段化流程产出可交付物。本文档面向使用方 / 协作方,按"做什么、什么时候用、什么时候别用、典型产物"组织。

速览

分类	Skill	一句话
科研写作	proposal	写本子 / 申报书 / 任务书(6 类基金)
科研写作	standard	起草标准:国标 / 行标 / 团标(含 T/CSTM)+ 编制说明
科研写作	patent	写发明专利技术交底书(供代理师转写)
科研写作	review	审稿 / 润色 / 校对(中英文,长文档分段深审)
演示出图	ppt	生成 PowerPoint 演示稿(商务红主题,大纲对齐后一脚本整建)
演示出图	plot_pub	出版级 matplotlib 学术图(中文 + viridis + 矢量)
文献检索	research	查 paper_server(OpenAlex 元数据 + Sci-Hub 下载)
文献检索	documents	查内部 7 学科材料知识库(21W+ 论文,跨语言检索;host-side tool 持 key)
科研计算	pymatgen	晶体结构 / XRD 模拟 / 相图 / Materials Project(host-side tool 持 key)
科研计算	stats_ml	配方-性能建模与机器学习(三库分工)
内容生成	imagegen	豆包 Seedream 5.0 文生图(¥0.22 / 张)
内容生成	videogen	豆包 Seedance 2.0 文生视频(¥1.86 起 / 段)
通用	analyze	科学问题拆解 / 引导(模糊命题 → 子问题 + 路线图)
通用	coding	修代码 / 调试 / 重构

科研写作

proposal

撰写中国科研项目申报书 / 课题任务书。

把课题信息整理成可提交的申报书 .docx。流程是先定基金类型 → 八条对齐 spec → 逐章列要点 → 起草 → 渲染 docx,不一口气出全文,每个关键章节"一段一卡"等用户确认。

覆盖基金类型:

国家重点研发计划(key_rd)
国家科技重大专项(major_project)
国自然面上 / 青年(nsfc_general / nsfc_youth)
NSFC 联合基金(nsfc_joint_fund)
省 / 地方基金(provincial)
横向(enterprise)

何时用:写本子、立项依据、研究方案、技术路线、申报书、任务书、申请书。

核心能力:

6 类基金的章节骨架 + 字数预算 + 必填表格(fund_types.md)
GB/T 7714 顺序编码制 + 文献真实性铁律(不允许编造引文)
评审雷区清单与"不可考核词"过滤(review_redlines.md)
间接费用台阶 + B1-B4 经费表自动生成
mermaid 技术路线图自动渲染成 PNG 并按 caption 编号插图
quality_check.py 校验:结构完整性 / 假大空 / 占位符 / 指南覆盖度 / 插图引用

典型产物:<task>/<task>.docx(带目录 + 自动图题 + 图表编号) + sections/ 分章草稿。

standard

起草中国标准文件(国标 / 行标 / 团标)及配套编制说明。

把材料 / 方法 / 产品信息变成符合 GB/T 1.1—2020《标准化工作导则》 的标准草稿 .docx。流程:先定层级与体裁 → 八条对齐 spec → 逐章起草 → 自检渲染,不一口气出全文,核心技术章"一段一卡"。

覆盖层级(用户确认三类,不做地标):

国家标准(GB 强制 / GB·T 推荐)
行业标准(建材 JC·T 等)
团体标准(T/,重点对接 CSTM → T/CSTM,材料试验团标对口建材院检测方向,周期最短最易牵头)

覆盖体裁(已做骨架):试验方法标准(GB/T 20001.4)、产品标准;术语 / 规程按需补。

何时用:写标准、起草标准、编标准、做试验方法 / 产品标准、写标准草案 / 征求意见稿 / 送审稿 / 报批稿、写标准编制说明。

何时不用:

⛔ "按 XX 标准做检测 / 写报告" → 是执行标准,不是写标准
⛔ 写投标技术方案 → 不是标准;写申报书 → 走 proposal;写专利交底书 → 走 patent
⚠️ 用户说"标准"但其实指企业内部规程 / 作业指导书 → 先反问是否对外发布

核心能力:

GB/T 1.1 要素骨架:封面 / 前言 / 引言 / 范围 / 规范性引用文件 / 术语 / 技术要素 / 附录 / 参考文献,标注必备 vs 可选、规范性 vs 资料性 + 封面前言固定套话
层级选型:国标 GB·T / 行标 JC·T / 团标 T·CSTM 的编号规则、归口路径、立项程序(含 CSTM 体系与三维结构)+ 选型决策树
起草铁律:能愿动词(应 / 不应 = 要求,宜 = 推荐,可 = 允许,能 = 能力)、不可考核词过滤、指标量化闭环(要求章 ↔ 试验方法章呼应)、术语一术一义、引用真实性
编制说明(报批必交件):立项依据 / 国内外现状 / 主要技术指标确定依据 / 试验验证骨架
渲染复用 proposal 脚本(同一套 markdown + mermaid + 自动图表编号)

典型产物:<标准名称>.docx(标准正文草稿)+ <标准名称>_编制说明.docx;正式报批前灌官方 TCS / CSTM 模板做版式精修。

patent

撰写中国发明专利技术交底书(供专利代理师转写为正式申请文件)。

把项目素材(方案 docx / 汇报 pptx / 论文 pdf / 代码)变成可交给代理师的技术交底书 .docx。流程:摄取素材 → 挖专利点 → 现有技术检索 → 八条对齐 spec → 逐章起草 → 渲染。

何时用:写交底书、挖专利点、做现有技术检索、把项目材料 / 代码 / 论文整理成可申报的发明专利材料。

核心能力:

专利点分类(方法 / 装置 / 系统 / 介质)+ 三性自检(新颖 / 创造 / 实用)
客体排除清单(纯商业方法 / 智力活动规则 / 数学算法本身 → 直接淘汰)
现有技术检索:web_search 搜中国专利文库 + Google Patents + documents 本地命中
七章交底书骨架(技术领域 / 背景 / 发明内容 / 实施例 / 有益效果 / 附图说明 / 摘要)
渲染脚本复用 proposal skill(同样的 markdown + mermaid 约定)
自查清单:参数 / 公式一致、逻辑闭环、脱敏边界、附图编号

典型产物:技术交底书 .docx(7 章,含创新点对照表 + 区别技术特征 + 附图)。

review

审稿 / 润色 / 校对中英文文本。

面向中文、英文或中英混排文本。保住作者意图与事实边界,再提升结构、语义、连贯性和语言质量。不是只改错别字 —— 全局问题优先于局部润色。

何时用:

用户说"审稿" / "帮我看看" / "润色" / "校对"
给论文 / 申报书 / 报告 / 邮件 / PPT 文案 / 合同说明 / 宣传稿要求改进
要求指出问题、给修改意见、生成修改稿、做前后对照
关心读者理解、语气、说服力、专业性、一致性或投稿 / 评审风险

何时不用:

从零起草新文本 → 走对应写作 skill(proposal / patent)
事实核查 / 文献真伪 / 最新政策 → 先用 research / documents / web 核验
代码审查 → 走 coding

审稿顺序(先大后小,分层处理):

任务与读者 → 2. 结构与主旨 → 3. 语义与事实边界 → 4. 逻辑与连贯 → 5. 表达与风格 → 6. 语言细节

长文档处理(≥5000 字 / 8 页 / ≥4 个一级章节):

阶段 1 骨架扫描:通读全文,只出"章节目录 + 全局问题表 + 章节粗读印象 + 疑点章节",不出修改稿;等用户挑章节
阶段 2 分段深审:用户指定章节后再出"问题表 + 修改稿",每轮 1-3 章

演示出图

ppt

生成 PowerPoint 演示文稿 (.pptx)。

把材料(汇报草稿 / 项目方案 / 调研报告)变成可演示的 .pptx。流程:先定调(8 项 + 逐页大纲)→ 一个脚本建整 deck → quality_check 验收。方向在大纲阶段对齐,执行阶段一把出稿(不逐页来回)。

触发:

✅ 用户明确点名 PPT / 幻灯片 / 演示文稿 / .pptx / slide / deck
⛔ 用户明确说"报告 / 文档 / 纪要"等纯文档产物 → 不走本 skill
⚠️ 用户说"汇报 / 方案 / 材料"等产物形态不明 → 先反问 PPT 还是 Word/Markdown,确认后再 load

默认主题 —— 商务红(硬约束):

主色 #C00000 / 辅色 #E15554 / 强调色 #FFC107
⛔ 不允许擅自换色,除非用户明确点其它配色或提供 brand guideline

八条对齐(spec 阶段定稿):

#	项	默认值
1	画布	16:9 (13.33×7.5 in)
2	页数	封面 + 5-8 页正文 + 尾页(Q&A) = 7-10 页
3	受众	看材料推断:领导汇报 / 同行评审 / 客户 pitch
4	风格	现代简约(白底 + 细线 + 留白)
5	配色	商务红
6	字体	微软雅黑 + Arial
7	图标	Iconify `tabler` 集(主色染色,本地缓存)
8	图表	数据 ≥ 3 个点的页用 matplotlib 配图

核心能力:

9 种版式起手代码(封面 / 大标题 / 双栏 / 三栏 / 时间线 / 表格 / 图文混排 / 引子 / 尾页)
业务图标双层兜底(Iconify CDN 拉 SVG → 本地缓存 → unicode 字形)
apply_brand 品牌条 + 安全区 / 越界保护
quality_check.py 验收(越界 / 文本溢出 / 颜色一致)
素材摄取走 markitdown 把 PDF/DOCX/PPTX/XLSX/HTML/URL 统一转 Markdown

典型产物:<task>.pptx + build_deck.py(整 deck 构建脚本,改稿/修验收项都改它重跑)。

plot_pub

出版级 matplotlib 绘图(论文 / 报告 / 申报书用)。

核心是 apply_pub_style() 一键设置 rcParams(中文字体 + viridis 默认 + 字号 + dpi + 矢量优先),避免每次手动配十几行还忘装中文字体。

何时用:

✅ 写论文要投 Cement and Concrete Research / J. Am. Ceram. Soc. / Construction and Building Materials 等期刊
✅ 报告 / 申报书要中文标题 + 中文图例的高 dpi 图
✅ 多组样本数据对比(XRD 多谱叠图、强度发展曲线、温度场)
✅ 双 Y 轴(TG-DSC 是典型)
✅ 要 SVG / PDF 矢量图给论文

何时不用:

⛔ PPT 里要嵌图 → 走 ppt skill(那边已有配色 / 尺寸规范)
⛔ 交互式探查数据 → 用 plotly / 直接 jupyter
⛔ 只要看趋势不出版 → df.plot() 一行搞定

典型场景:XRD pattern(多相叠图 + 标峰)、TG-DSC 双 Y 轴、应力-应变曲线、SEM 标注、多 panel 学术图。

默认配色:viridis(jet 是现代审稿雷区)。

文献检索

research

查 paper_server 文献库(基于 OpenAlex 元数据 + Sci-Hub 下载的内部部署)。

paper_server 是内部 Django 文献库:元数据来自 OpenAlex,PDF / XML 由 Sci-Hub / OpenAlex 异步抓取。库里主语料是英文(OpenAlex 主索引英文文献),少量中文。

何时用:

查 / 找 / 看 / 推荐文献
要 DOI、要某篇 PDF、要 abstract
写申报书 / 研究方案 / 调研报告的"国内外现状"段需要真实文献支撑
配合 proposal skill 的「立项依据」起草

何时不用:

只问通识 → 直接答
已经给了具体文献清单 → 直接用,不要二次校验

关键规则:keyword 优先用英文(库里 95%+ 文献 title 是英文,中文 keyword 命中率很低)。中文术语先转专业英文术语再搜。

四个 helper:

search(keyword, year, year_gte, year_lte, doi, first_author, publication_name, has_pdf, is_oa, limit) —— SearchFilter 匹配 title / first_author / first_author_institution
get_paper(id_or_doi) —— 精准取一篇
fetch_pdf(id_or_doi) —— 拉 PDF 文件
fetch_xml(id_or_doi) —— 拉 OpenAlex 全文 XML

典型产物:候选文献清单(16 字段) → 选定文献的 abstract / PDF / 引用条目。

documents

查内部材料学科知识库(document_search API)。

部署在 https://ai.ctc-zc.com:8100/api。后端按 kb_name 分库存 7 个材料学科,共 21W+ 英文学术论文(Elsevier 期刊为主,DOI 前缀文件名)。每个文档带 md_content(整篇 Markdown,LLM 友好)+ 可选原 PDF 下载。

7 大学科库(classification_id 1-7):

学科	内容
胶凝材料	水泥 / 混凝土 / 砂浆
陶瓷基材料	结构 / 功能 / 先进陶瓷
玻璃基材料	平板 / 光学 / 玻璃陶瓷
晶体材料	单晶 / 多晶 / 晶体生长
复合材料	纤维 / 颗粒 / 层状复合
耐火材料	耐火砖 / 不定形 / 高温防护
检验检测	表征方法 / 标准 / 仪器

核心特色:

跨语言语义检索 —— 中文 query 也能命中英文论文(API 后端处理)
已 Markdown 化 —— LLM 直接读,免 OCR / XML 解析

何时用:

查材料领域文献 / 特定材料性能 / 工艺数据
写申报书 "国内外现状" 段(本库 Markdown 比 research 拿到的裸 PDF/XML 更直接可用)

关系:与 research 互补 —— research 搜全网,documents 是本地预收的材料学科子集。找材料类文献优先 documents,找其他学科或要 DOI 走 research,两者命中不重叠时可并用。

三个 host-side tool:document_list_kb / document_search / document_download。只有宿主配置 DOCUMENT_SEARCH_API_KEY 时注册;key 不进入 sandbox。

科研计算

pymatgen

无机材料计算(晶体结构 I/O、XRD 模拟、相图、对称性、Materials Project 查询)。

底层用 pymatgen 官方 API。离线计算在 sandbox 里跑,本 skill 提供 CEMENT_PHASES 常量(中文相名 → 化学式映射);Materials Project 联网查询走 host-side tool,MP_API_KEY 不进入 sandbox。

触发:

✅ 水泥熟料相 / 玻璃陶瓷物相 / 耐火砖矿物相
✅ XRD 谱图反演与正向模拟
✅ 晶格参数 / 空间群 / 配位环境
✅ 相稳定性 / 相图
✅ 查 Materials Project 数据(MP_API_KEY)
✅ 写 VASP / Gaussian / Quantum ESPRESSO 输入文件

不触发:

⛔ 只问宏观性能(强度 / 导热)→ 走 stats_ml(回归建模)
⛔ 有机分子 / 药物(那是 RDKit 范畴,本仓库未集成)
⛔ 只要画图,没有晶体计算需求 → 走 plot_pub

关键能力 —— 中文相名映射:CEMENT_PHASES dict 收水泥 / 陶瓷 / 耐火 / 玻璃常见相中英文 ↔ 化学式(C3S→Ca3SiO5、钙矾石→Ca6Al2(SO4)3(OH)12·26H2O、莫来石→Al6Si2O13、方镁石→MgO...)。用户用中文报相名时先查表转化学式再喂 pymatgen。

典型工作流:

读 .cif / POSCAR / .xyz → Structure.from_file
正向算 XRD pattern → XRDCalculator,跟实测谱对比
物相对称性 → SpacegroupAnalyzer
凝胶 / 水化产物热力学稳定性 → PhaseDiagram + PDEntry
从 MP 拉已知结构 / 性质 → mp_search_summary / mp_get_structure / mp_get_entries

stats_ml

统计建模与机器学习(sklearn / statsmodels / PyMC 三库合一,场景导航选库)。

服务建材院典型场景:掺合料配比 → 性能(强度 / 流动度 / 凝结时间) 的建模与推断。

三库分工速查:

你要做	用	一句话理由
要 p-value、置信区间、假设检验	statsmodels	OLS / ANOVA 是 statsmodels 主场,sklearn 不给 p-value
要预测精度高,可解释性次要	sklearn	RandomForest / GBDT / XGBoost 是性能预测的现代基线
样本 < 30 且要不确定度估计	PyMC	贝叶斯给参数后验分布,小样本下比频率派的置信区间更稳
DoE 响应面拟合	statsmodels(二次回归 + ANOVA)	系数显著性直接读
聚类找异常配方	sklearn(KMeans / DBSCAN)	标准工具
降维可视化(配方空间)	sklearn(PCA / t-SNE)	标准工具

触发:

✅ 配方-性能建模 / DoE 响应面 / 强度预测
✅ 特征重要性 / 假设检验 / 置信区间
✅ 贝叶斯小样本估计
✅ 聚类异常实验检测

不触发:

⛔ 只问描述性统计(均值方差),pandas + matplotlib 一行搞定
⛔ 数据只有 3-5 个点 —— 任何 ML / 统计都不可靠,先补数据
⛔ 深度学习(CNN / Transformer)—— 不在本 skill 范围

典型工作流:

配方-性能回归(sklearn 上 Pipeline + 5-fold CV + 特征重要性)
统计推断(statsmodels OLS / ANOVA + p-value + 置信区间)
DoE 响应面(二次回归 + 主效应 / 交互效应显著性)
小样本(PyMC 贝叶斯 + arviz 可视化)

内容生成

imagegen

用豆包 Seedream 5.0 生图(seedream tool)。

把"我想要张图"变成一张能用的图。流程:诊断模糊度(六维)→ 给推断 + 待确认项 → 用户拍板 → 装配最终 prompt → 把 prompt 完整贴给用户确认 → 调 tool。

成本:每次 ¥0.22(search=true 加 ¥0.05),3-5 秒出图。

⛔ 调 tool 前的强制门(铁律): 任何情况下,seedream tool call 发出去之前,必须先把最终装配好的 prompt(含 size / watermark / search 参数)用对话消息明文展示给用户,问"这样画?要改什么?"并 BLOCKING 等明确确认。

触发词:画 / 绘制 / 出图 / 来张 / 生成图 / 做张 + 图 / 图片 / 图像 / 配图 / 封面 / 概念图 / 效果图 / 示意图 / 场景图 / 海报 / 插画 / 插图 / 封皮 / 头图。

何时用:

✅ 用户明确说"画一张" / "出张图" / "来个封面"
✅ 拿到 mermaid 结构图后说"太干了想要有质感的版本"
✅ ppt / proposal 流程中要往 deck / docx 里塞概念图 / 引子图

何时不走本 skill:

⛔ 用户没主动要图 —— 别为"丰富回复"装饰性生图
⛔ 用户给参考图说"按这个改" —— Seedream 5.0 是文生图,不接图像输入
⛔ 已有合适素材 —— 直接 read / 引用,别重新生成

关键岔路:

节点-箭头-结构关系明确(技术路线 / 流程图)→ 走 mermaid(矢量、零成本、可编辑)
视觉冲击 / 美感(汇报封面 / 营销 / 抽象意象)→ 走 seedream

videogen

用豆包 Seedance 2.0 Fast 生视频(seedance tool)。

把"我想要个视频"变成一段能用的视频。流程类似 imagegen 但门更严:诊断模糊度(六维,含「运动」)→ 给推断 → 用户拍板 → 装配 prompt + 参数 → 完整贴给用户确认 → BLOCKING 等明确确认 → 调 tool。

成本:

480p / 4s:¥1.86 起
720p / 5s:¥4.00 起
720p / 15s:¥12+
等待:Fast 30-90s / Pro 2-3min

⛔ 比 imagegen 还严的强制门:视频单价 ¥4 起,比图贵 10 倍以上;一次失败 ≈ 18 张错图;等待代价也高。装配 prompt 不等于授权调用。

触发词:视频 / 动画 / 动起来 / 做个 video / 做段视频 / 出段视频 / 生成视频 / mov / mp4 / 短片 / 镜头 / 运动镜头 / 演示视频 / 动效。

何时用:

✅ 用户明确说"做个视频" / "出段视频" / "动画" / "动起来" / "镜头扫过"
✅ 用户原本要 ppt,主动问能不能配段视频(介绍价格 + 时长引导决策)
✅ 拿到 seedream 静态图后说"想动起来"(注意:Phase 1 仅支持 t2v 文生视频,不支持 i2v 图生视频)

何时不走本 skill:

⛔ 用户没主动要视频
⛔ 流程 / 结构动效(节点-箭头逐次出现)→ 是 ppt 动画 / mermaid 的事
⛔ 要实拍素材 / 已有视频剪辑 → seedance 是 AI 生成,告诉用户走 unsplash / pexels
⛔ 用户有具体参考视频说"按这个改" → Phase 1 不支持 i2v / v2v

关键岔路:静态图够用就别上动态(seedream ¥0.22 vs seedance ¥4 起)。

通用 / 元能力

analyze

科学问题分析 / 拆解 / 引导。

用户抛过来一个模糊的高层科研问题,本 skill 引导用户把它翻译成可操作的子问题 + 实施路线图,然后把每个子问题接力给合适的下游 skill(proposal / research / pymatgen / stats_ml ...)。

本 skill 不直接产出最终交付物(不查文献 / 不写本子 / 不跑模型),只产出 analysis.md —— 一个共识性的"问题理解 + 路线图"文件。

何时用:

✅ 用户说"我想搞清楚 / 想研究 / 不知道从哪入手 / 这个问题怎么拆 / 我们能做什么"
✅ 问题宽泛只到效应层("早强偏低"、"耐久性差"、"性能不稳定"),没到具体变量 / 指标 / 假设
✅ 用户在评估要不要立项,问"这个方向值不值得做"
✅ 用户想在不熟悉的领域结合本院能力做点事,要先理一下问题

何时不用:

⛔ 用户已经写明要做什么(配方对比 / 标准检测 / 文献综述 / 写本子)→ 直接走对应 skill
⛔ 用户问通识知识 / 名词定义 → 直接答
⛔ 用户要审稿 / 改文 → 走 review
⛔ 用户做异常排查但已经定位到具体环节 → 走 research

四段工作流:

PICO 化(BLOCKING)—— P 对象 / I 干预 / C 对照 / O 输出(必须量化:指标 + 单位 + 期望值),跑 FINER 自检
Issue Tree 拆解(BLOCKING)—— 选拆分维度(机理-现象-工艺 / 输入-过程-输出 / 材料-工艺-装备-检测),拆 2-3 层,每个叶子标"类型(根因/创新/优化) / 优先级 / 能力描述"
分支深化 —— 根因型走 5Whys + Fishbone;创新型走 First-principles + TRIZ 矛盾矩阵;优化型走 DoE
路线图汇总 —— 优先级排序 + 推荐下游 skill + 风险与依赖

coding

修代码 / 调试 / 实现。

通用工具足够,没有专属 scripts 或 templates —— 代码任务的多样性来自代码本身。

核心原则:

先看后改 —— grep / glob 定位 → read 上下文 → edit。盲改会出错。
改动最小 —— 只动必要行,不顺手重构、不改无关空白
edit 唯一匹配 —— old_str 必须在文件里出现且仅出现一次,不够唯一就多带上下文
验证优先 —— 项目有测试就 pytest / npm test;没有就写最小复现脚本
不臆造 API —— 没用过的库先 read 它的源码或文档,不要凭直觉拼方法名

反模式(明确禁止):

一次性 write 整个大文件(改 3 行就别 write 200 行)
没读过文件直接 edit(大概率 old_str 匹配不上)
跑测试失败就立刻改测试(先看是测试错还是代码错)

输出:改完后一两句话说清「改了什么、为什么、怎么验证」,不复述 diff —— 用户会自己看。

跨 skill 协作

实际任务往往跨多个 skill,典型组合:

写本子全流程:analyze(拆问题) → research / documents(查文献) → stats_ml(算配方-性能模型出预实验数据) → plot_pub(出图) → proposal(写本子) → review(审稿)
写专利全流程:patent(挖点 + 检索 + 起草) → research(查现有技术) → plot_pub(出附图) → review(终审)
写标准全流程:analyze(定标准化对象) → stats_ml(配方-性能 / 精密度试验数据定指标) → research / documents(查国内外现有标准与现状) → standard(起草标准 + 编制说明) → plot_pub(出图) → review(送审前终审)
PPT 汇报:analyze(提炼论点) → research / documents(找数据 + 引文) → plot_pub(出图) → ppt(组装 deck) → imagegen(可选,做封面 / 引子页)
晶体计算:pymatgen(算 XRD / 相图) → plot_pub(出图) → proposal / patent(写到本子 / 交底书里)

更新方式

新增 / 修改 / 删除 skill 后,告诉 Claude Code 更新本文件
每个 skill 源在 skills/<name>/SKILL.md,frontmatter 里有 description 字段
发给他人时:可直接发 .md(GitHub / VSCode / Typora 都能渲染),或用 pandoc / VSCode "Markdown PDF" 插件导出 PDF

23 KiB Raw Blame History Unescape Escape

zcbot Skill 清单

速览

科研写作

proposal

standard

patent

review

演示出图

ppt

plot_pub

文献检索

research

documents

科研计算

pymatgen

stats_ml

内容生成

imagegen

videogen

通用 / 元能力

analyze

coding

跨 skill 协作

更新方式

23 KiB

Raw Blame History