資料與報告任務通常需要可重複執行的 Python 工作流程，並具備明確的輸出規則。此技能會引導 Claude、Codex 和 Claude Code 在沙盒環境中進行分析、製作圖表，以及產生可下載文件。

圖像審查通常需要結構化的視覺推理，而不只是簡短說明。此技能會引導 GLM-4V 提示詞，用於描述、視覺問題、OCR 與細節擷取。

團隊經常需要乾淨格式的網頁內容，而不想編寫自訂爬蟲。此技能會引導 Claude、Codex 和 Claude Code 使用 Firecrawl 模式來進行 scraping、search、maps、crawling、extraction 和狀態檢查。

緩慢的資料庫查詢會損害應用程式的可靠性與擴展能力。此技能提供實用的 PostgreSQL 模式，用於更快的查詢、更安全的遷移，以及更清晰的監控。

PostgreSQL 遷移可能通過測試，卻造成鎖定、慢速掃描或索引膨脹。此技能為 Claude、Codex 和 Claude Code 提供更安全的結構描述與查詢審查實用模式。

LLM 評估很難在不同團隊與模型之間保持一致。此技能有助於設計評審提示詞、評分規準、指標與偏差檢查，以進行可重複的評估。

Writing OQL queries requires exact schema names, JSON types, Candid escaping, and careful pagination. This skill provides practical patterns for reliable, read-only canister queries.

Logseq DB 圖譜可能很難建模，因為類別、屬性和節點共用實體。此技能會說明結構描述，並指導類別、屬性與查詢設計。

Logseq 使用者經常需要可靠地存取頁面、區塊、屬性和關係，而不必手寫每一個查詢。此技能為 Claude、Codex 和 Claude Code 提供結構化輔助工具，用於讀取本機 Logseq 圖譜資料。

Logseq DB 圖譜可能難以使用原始 Datalog 查詢。此技能提供可重複使用的篩選器、pull、規則、日期和彙總模式。

Logseq Markdown graph 在移轉到 Database 格式時，可能很難不遺失結構。此技能透過清楚的步驟，協助使用者規劃、匯入、驗證並排除遷移問題。

大型 Logseq 資料庫範本很難手動審閱。此技能會彙總 EDN 結構、品質問題與變體差異。

手動進行 YouTube 頻道研究既緩慢又不一致。此技能使用 BrowserAct 收集頻道資料與影片指標，並以結構化輸出呈現。

團隊需要從大量 YouTube 影片取得可靠的逐字稿資料集。此技能會執行 BrowserAct 工作流程，從關鍵字搜尋中收集逐字稿、URL、發布者與按讚數。

手動進行 Google Maps 潛在客戶研究既緩慢又不一致。此技能會執行 BrowserAct 工作流程，從搜尋結果收集結構化的本地商家詳細資料。

團隊需要結構化的本地評論資料，而不必從 Google Maps 手動複製。此技能會從 AI 助理啟動 BrowserAct 評論擷取任務，並監控其狀態。

在地商家研究可能耗時且結果不一致。此技能會執行 BrowserAct Google Maps 工作流程，根據關鍵字和國家收集結構化商家詳細資料。

當使用者手動收集回饋時，Amazon 評論研究很耗時。此技能會將 ASIN 提交至 BrowserAct，並收集結構化的評論資料以供分析。

Amazon 賣家需要最新的 Buy Box、價格和賣家資料。此 skill 會執行 BrowserAct 工作流程，以收集結構化的 ASIN 層級市集詳細資訊。

Amazon 產品研究通常需要來自已知 ASIN 的最新產品詳細資料。此技能使用 BrowserAct 擷取結構化的標題、價格、評分、品牌和描述資料。