後端 canister 需要以受控方式呼叫外部服務。此技能說明如何新增具有 transform callback 的 GET 與 POST 外呼。

應用程式需要證明使用者能控制其提交的電子郵件地址。此技能會引導您整合驗證電子郵件、回呼及已驗證地址檢查。

Single-recipient email helpers make coordinated messages cumbersome. This skill adds a Motoko sendRawEmail workflow with separate To, Cc, and Bcc recipient lists.

Marketing email systems need verified recipients, controlled sending, personalization, and reliable unsubscribe handling. This skill provides Motoko patterns and Caffeine AI modules for those workflows.

Building calendar workflows and iCalendar email delivery requires coordinated storage, permissions, and message formatting. This skill provides Motoko patterns for event management and invitation sending.

Backend canisters need a controlled way to send individual service messages. This skill documents the Caffeine AI email client and a Motoko integration pattern.

Connecting React applications to Internet Computer backends requires coordinated authentication, actor, query, and storage setup. This skill provides proven integration and migration guidance for that foundation.

Web camera integration requires permission handling, preview state, and device controls. This skill guides Claude, Codex, and Claude Code through the provided React hook.

具有私人資料的應用程式需要一致的驗證與授權控制。此技能提供後端防護、個人資料保護、已驗證屬性，以及前端工作階段模式。

Caffeine canisters need secure Slack messaging without custom HTTP and authentication code. This skill provides an experimental client setup, token guidance, and Motoko examples.

Google Calendar integrations require careful OAuth, token, and time handling. This skill provides a Motoko recipe for authenticated event access, availability checks, and callback routing.

Gmail integrations require careful OAuth, token storage, and callback handling. This skill provides a complete Motoko and frontend recipe for connecting accounts and sending email.

AI 對話與專案筆記經常停留在使用者的知識圖譜之外。此技能會透過 Logseq 的本機 HTTP API，將頁面、區塊、標籤和屬性寫入 Logseq。

當程式碼行為與設定步驟不清楚時，團隊會浪費時間。此技能會使用實用範本起草 docstrings、README 區段、API 參考文件與註解。

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。

當重複 issue、過期回報和缺漏細節累積時，GitHub issue 佇列會變得難以管理。此技能會引導結構化分流、重複檢查、關係對應，以及 issue 品質審查。

AI 回應可能是正確的，但仍然難以套用或驗證。此技能會將品質落差轉化為具優先順序且步驟清楚的改進項目。

Logseq 範本的 Schema 設計可能偏離 Schema.org 標準。此技能會研究類別、屬性、階層結構與型別映射，以引導準確的範本擴充。

Pull request 審查可能會遺漏風險、範圍不明確的部分，以及合併阻礙。此技能會結構化 PR 審查、建立、品質檢查與合併決策。

團隊經常需要相關的工程指引，但通用建議可能忽略專案限制。此技能會研究可信來源與本機脈絡，以推薦實用的實作方法。