cc-system-creator-scripts

Mac 系统深度清理和优化工具。使用 Mole (mo 命令) 执行系统清理、磁盘分析、应用卸载、系统优化等任务。 触发场景（当用户提到以下任一内容时使用此 skill）： - 清理 Mac、清理磁盘、释放空间、清理缓存、清理系统 - 卸载应用、删除应用、移除应用及其残留 - 磁盘分析、查看磁盘占用、大文件查找、空间分析 - 系统优化、系统维护、刷新系统、重建缓存 - 系统状态、系统监控、CPU/内存/磁盘监控 - 清理 node_modules、清理构建产物、清理项目依赖 - 清理安装包、删除 dmg/pkg 文件 - Mac 清理工具、类似 CleanMyMac 的功能 - "我的 Mac 太慢了"、"磁盘空间不足"、"电脑卡顿" - 即使没有明确说 "Mole"，只要涉及上述场景就应使用

快速搭建和配置 pnpm monorepo 项目结构，包含 TypeScript、tsup 构建、私有 npm registry 配置。当用户需要"创建 monorepo"、"初始化 monorepo 项目"、"配置 pnpm workspace"、"设置 monorepo 构建"、"monorepo setup"时使用。特别适合需要统一管理多个包、配置构建工具、处理 TypeScript 路径问题的场景。即使用户只是说"帮我搭建项目结构"或"配置构建"，如果涉及多包管理也应该使用此 skill。

智能拆分暂存区的代码变更为多个符合 Conventional Commits 规范的逻辑提交。当用户需要将大量变更按逻辑关系分组提交时使用,比如"拆分这些提交"、"把暂存区的变更分成多个 commit"、"按功能分别提交"、"split commits"等场景。特别适合处理包含多个模块、多种类型文件(配置、代码、测试、文档)的复杂变更集。

OKR 优化与质量评估专家。当用户需要：(1) 评估现有 OKR 的质量，(2) 优化模糊或不可量化的关键结果，(3) 检查 OKR 是否符合核心原则（聚焦、可量化、有挑战），(4) 将任务型 KR 转化为结果型 KR，(5) 提供具体的改进建议时使用。触发词包括"帮我优化 OKR"、"检查这个 OKR"、"这个 KR 写得好吗"、"如何量化这个目标"。

基于 git commits 自动生成 CHANGELOG.md 变更日志。支持语义化版本、分类整理、多格式输出。触发场景包括"生成变更日志"、"更新 CHANGELOG"、"版本记录"。

GitHub PR 代码审查技能。检查代码质量、安全性、性能和最佳实践，生成结构化审查报告。触发场景包括"审查 PR"、"代码检查"、"review pull request"。

重构完整性检查技能。验证重构后代码的一致性、完整性和正确性，确保没有遗漏或破坏性变更。触发场景包括"检查重构"、"重构验证"、"代码迁移检查"。

批量文件翻译技能。支持并行翻译多个文件到中文，自动处理 API 超时，保留代码块和技术术语。触发场景包括"翻译文件"、"批量翻译"、"中文化文档"、"translate to Chinese"。

当用户想要创建、读取、编辑或操作 Word 文档（.docx 文件）时使用此技能。触发条件包括：任何提到 'Word doc'、'word document'、'.docx' 的内容，或要求生成带有目录、标题、页码或信头的专业文档的请求。也用于从 .docx 文件中提取或重组内容、在文档中插入或替换图片、在 Word 文件中执行查找和替换、处理修订追踪或批注，或将内容转换为精美的 Word 文档。如果用户要求将 '报告'、'备忘录'、'信函'、'模板' 或类似交付物作为 Word 或 .docx 文件，请使用此技能。不适用于 PDF、电子表格、Google Docs 或与文档生成无关的一般编码任务。

当电子表格文件是主要输入或输出时使用此技能。这包括用户想要：打开、读取、编辑或修复现有的 .xlsx、.xlsm、.csv 或 .tsv 文件（例如添加列、计算公式、格式化、创建图表、清理杂乱数据）；从头创建新的电子表格或从其他数据源创建；或在表格文件格式之间转换。特别是当用户通过名称或路径引用电子表格文件时（即使是随意的提及，如「我下载文件夹里的 xlsx」），并希望对其进行操作或从中生成内容时触发。对于将杂乱或结构混乱的表格数据文件（格式错误的行、错位的标题、垃圾数据）清理为规范电子表格也应触发。交付物必须是电子表格文件。如果主要交付物是 Word 文档、HTML 报告、独立 Python 脚本、数据库管道或 Google Sheets API 集成，即使涉及表格数据，也不要触发。

AI 代理的浏览器自动化 CLI 工具。当用户需要与网站交互时使用，包括导航页面、填写表单、点击按钮、截图、提取数据、测试 Web 应用或自动化任何浏览器任务。触发场景包括"打开网站"、"填写表单"、"点击按钮"、"截图"、"从页面抓取数据"、"测试这个 Web 应用"、"登录网站"、"自动化浏览器操作"或任何需要编程式 Web 交互的任务。

创建生产级 Node.js CLI 工具的完整解决方案,包含 15+ 个优化点和 104KB 专业模板。当用户需要构建命令行工具时使用:(1)创建新的 CLI 项目,(2)选择合适的框架和依赖,(3)实现完整 CLI 功能(配置管理、进度条、版本检查、输出格式化等),(4)配置测试和打包,(5)应用最佳实践(POSIX 兼容、TTY/CI 检测、错误处理、Shell 补全)

将用户提供的 skills、agents、commands、hooks、MCP 配置等组件整理打包成标准 Claude Code 插件。当用户需要：(1) 将现有技能/代理转换为可分发插件，(2) 组织多个组件为统一插件结构，(3) 创建符合插件规范的项目，(4) 从独立配置迁移到插件格式时使用。

使用 Deep Agents CLI - 终端界面、持久化内存（AGENTS.md）、项目约定、技能目录和 CLI 命令。

使用 FilesystemMiddleware 实现虚拟文件系统、后端（State、Store、Filesystem、Composite）和 Deep Agents 的上下文管理。

在 Deep Agents 中实现人工审批工作流，使用 interruptOn 参数对敏感工具操作进行人工干预。

在 Deep Agents 中实现长期内存，使用 StoreBackend、CompositeBackend 和 InMemoryStore 进行跨会话的持久化数据存储。

理解 Deep Agents 框架 - 它们是什么、如何使用 createDeepAgent 创建，以及 agent harness 架构，包括内置的规划、文件系统和子代理中间件。

在 Deep Agents 中创建和使用自定义技能，实现渐进式披露、SKILL.md 格式和 Agent Skills 协议。

在 Deep Agents 中使用 SubAgentMiddleware 启动子代理进行任务委托、上下文隔离和专门工作。

Using TodoListMiddleware for task planning and tracking progress with the write_todos tool in Deep Agents for complex multi-step workflows.

Create and use LangChain agents with createAgent - includes agent loops, ReAct pattern, tool execution, and state management

Add human oversight to LangChain agents using HITL middleware - includes interrupts, approval workflows, edit/reject decisions, and checkpoints

使用 LangChain 中的聊天模型集成指南，包括 OpenAI、Anthropic、Google、Azure 和 Bedrock

使用 LangChain 中的文档加载器集成指南，用于处理 PDF、网页、文本文件和 API

使用 LangChain 中的嵌入模型集成指南，包括 OpenAI、Azure 和本地嵌入

使用 LangChain 中的文本分割器集成指南，包括递归、字符和语义分割器

LangChain 工具集成使用指南，包括预构建工具包、Tavily、Wikipedia 和自定义工具

LangChain 向量存储集成使用指南，包括 Chroma、Pinecone、FAISS 和内存向量存储

Initialize and use LangChain chat models - includes provider selection (OpenAI, Anthropic, Google), model configuration, and invocation patterns

Work with multimodal inputs/outputs in LangChain - includes images, audio, video, content blocks, and vision capabilities

Build Retrieval Augmented Generation (RAG) systems with LangChain - includes embeddings, vector stores, retrievers, document loaders, and text splitting

Stream outputs from LangChain agents and models - includes stream modes, token streaming, progress updates, and real-time feedback

使用 Zod 模式、类型安全响应和自动验证从 LangChain 代理和模型获取结构化的验证输出

聊天模型如何调用工具 - 包括 bindTools、工具选择策略、并行工具调用和工具消息处理

在 LangChain 中定义和使用工具 - 包括工具装饰器、自定义工具、内置工具和工具模式

使用 StateGraph、节点、边、START/END 节点和 Command API 构建图，结合控制流与状态更新

人机交互与动态中断和断点：暂停执行以供人工审查和使用 Command 恢复

LangGraph 中的内存：短期（线程范围）vs 长期（跨线程）内存，使用检查点器和存储

理解 LangGraph：用于构建有状态、长期运行 Agent 的低级编排框架，具有持久执行、流式传输和人机交互能力