[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-blader--Claudeception":3,"tool-blader--Claudeception":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",151918,2,"2026-04-12T11:33:05",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":76,"owner_location":77,"owner_email":76,"owner_twitter":76,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":32,"env_os":89,"env_gpu":90,"env_ram":90,"env_deps":91,"category_tags":97,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":98,"updated_at":99,"faqs":100,"releases":101},6982,"blader\u002FClaudeception","Claudeception","A Claude Code skill for autonomous skill extraction and continuous learning. Have Claude Code get smarter as it works.","Claudeception 是一款专为 Claude Code 设计的智能技能插件，旨在让 AI 编程助手具备“持续学习”的能力。传统 AI 代理往往在每次会话结束后就“遗忘”所有经验，导致开发者面对重复问题时需重新耗费时间调试。Claudeception 解决了这一痛点：当它在工作中发现非显而易见的解决方案、特定项目的配置规律或有效的变通方法时，会自动将这些知识提炼为新技能并保存。下次遇到类似场景，这些技能会被自动加载，无需从头摸索。\n\n这款工具特别适合频繁使用 Claude Code 进行复杂开发任务的程序员和技术团队。其核心亮点在于引入了“元技能”（meta-skills）概念，参考了 Voyager 和 CASCADE 等前沿学术研究，不仅能通过语义匹配自动激活，还可通过安装钩子脚本在每次交互中主动评估是否产生了可沉淀的知识。用户既可享受全自动的知识积累，也可通过指令手动触发回顾与提取。只有经过验证、具有明确触发条件且对未来任务有价值的发现才会被收录，确保知识库的精简与高效。借助 Claudeception，你的 AI 助手将随着使用时间的推移越用越聪明，真正实现经验的持久化传","Claudeception 是一款专为 Claude Code 设计的智能技能插件，旨在让 AI 编程助手具备“持续学习”的能力。传统 AI 代理往往在每次会话结束后就“遗忘”所有经验，导致开发者面对重复问题时需重新耗费时间调试。Claudeception 解决了这一痛点：当它在工作中发现非显而易见的解决方案、特定项目的配置规律或有效的变通方法时，会自动将这些知识提炼为新技能并保存。下次遇到类似场景，这些技能会被自动加载，无需从头摸索。\n\n这款工具特别适合频繁使用 Claude Code 进行复杂开发任务的程序员和技术团队。其核心亮点在于引入了“元技能”（meta-skills）概念，参考了 Voyager 和 CASCADE 等前沿学术研究，不仅能通过语义匹配自动激活，还可通过安装钩子脚本在每次交互中主动评估是否产生了可沉淀的知识。用户既可享受全自动的知识积累，也可通过指令手动触发回顾与提取。只有经过验证、具有明确触发条件且对未来任务有价值的发现才会被收录，确保知识库的精简与高效。借助 Claudeception，你的 AI 助手将随着使用时间的推移越用越聪明，真正实现经验的持久化传承。","# Claudeception\n\nEvery time you use an AI coding agent, it starts from zero. You spend an hour debugging some obscure error, the agent figures it out, session ends. Next time you hit the same issue? Another hour.\n\nThis skill fixes that. When Claude Code discovers something non-obvious (a debugging technique, a workaround, some project-specific pattern), it saves that knowledge as a new skill. Next time a similar problem comes up, the skill gets loaded automatically.\n\n## Installation\n\n### Step 1: Clone the skill\n\n**User-level (recommended)**\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fblader\u002FClaudeception.git ~\u002F.claude\u002Fskills\u002Fclaudeception\n```\n\n**Project-level**\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fblader\u002FClaudeception.git .claude\u002Fskills\u002Fclaudeception\n```\n\n### Step 2: Set up the activation hook (recommended)\n\nThe skill can activate via semantic matching, but a hook ensures it evaluates every session for extractable knowledge.\n\n#### User-level setup (recommended)\n\n1. Create the hooks directory and copy the script:\n\n```bash\nmkdir -p ~\u002F.claude\u002Fhooks\ncp ~\u002F.claude\u002Fskills\u002Fclaudeception\u002Fscripts\u002Fclaudeception-activator.sh ~\u002F.claude\u002Fhooks\u002F\nchmod +x ~\u002F.claude\u002Fhooks\u002Fclaudeception-activator.sh\n```\n\n2. Add the hook to your global Claude settings (`~\u002F.claude\u002Fsettings.json`):\n\n```json\n{\n  \"hooks\": {\n    \"UserPromptSubmit\": [\n      {\n        \"hooks\": [\n          {\n            \"type\": \"command\",\n            \"command\": \"~\u002F.claude\u002Fhooks\u002Fclaudeception-activator.sh\"\n          }\n        ]\n      }\n    ]\n  }\n}\n```\n\n#### Project-level setup\n\n1. Create the hooks directory inside your project and copy the script:\n\n```bash\nmkdir -p .claude\u002Fhooks\ncp .claude\u002Fskills\u002Fclaudeception\u002Fscripts\u002Fclaudeception-activator.sh .claude\u002Fhooks\u002F\nchmod +x .claude\u002Fhooks\u002Fclaudeception-activator.sh\n```\n\n2. Add the hook to your project settings (`.claude\u002Fsettings.json` in the repo):\n\n```json\n{\n  \"hooks\": {\n    \"UserPromptSubmit\": [\n      {\n        \"hooks\": [\n          {\n            \"type\": \"command\",\n            \"command\": \".claude\u002Fhooks\u002Fclaudeception-activator.sh\"\n          }\n        ]\n      }\n    ]\n  }\n}\n```\n\nIf you already have a `settings.json`, merge the `hooks` configuration into it.\n\nThe hook injects a reminder on every prompt that tells Claude to evaluate whether the current task produced extractable knowledge. This achieves higher activation rates than relying on semantic description matching alone.\n\n## Usage\n\n### Automatic Mode\n\nThe skill activates automatically when Claude Code:\n- Just completed debugging and discovered a non-obvious solution\n- Found a workaround through investigation or trial-and-error\n- Resolved an error where the root cause wasn't immediately apparent\n- Learned project-specific patterns or configurations through investigation\n- Completed any task where the solution required meaningful discovery\n\n### Explicit Mode\n\nTrigger a learning retrospective:\n\n```\n\u002Fclaudeception\n```\n\nOr explicitly request skill extraction:\n\n```\nSave what we just learned as a skill\n```\n\n### What Gets Extracted\n\nNot every task produces a skill. It only extracts knowledge that required actual discovery (not just reading docs), will help with future tasks, has clear trigger conditions, and has been verified to work.\n\n## Research\n\nThe idea comes from academic work on skill libraries for AI agents.\n\n[Voyager](https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.16291) (Wang et al., 2023) showed that game-playing agents can build up libraries of reusable skills over time, and that this helps them avoid re-learning things they already figured out. [CASCADE](https:\u002F\u002Farxiv.org\u002Fabs\u002F2512.23880) (2024) introduced \"meta-skills\" (skills for acquiring skills), which is what this is. [SEAgent](https:\u002F\u002Farxiv.org\u002Fabs\u002F2508.04700) (2025) showed agents can learn new software environments through trial and error, which inspired the retrospective feature. [Reflexion](https:\u002F\u002Farxiv.org\u002Fabs\u002F2303.11366) (Shinn et al., 2023) showed that self-reflection helps.\n\nAgents that persist what they learn do better than agents that start fresh.\n\n## How It Works\n\nClaude Code has a native skills system. At startup, it loads skill names and descriptions (about 100 tokens each). When you're working, it matches your current context against those descriptions and pulls in relevant skills.\n\nBut this retrieval system can be written to, not just read from. So when this skill notices extractable knowledge, it writes a new skill with a description optimized for future retrieval.\n\nThe description matters a lot. \"Helps with database problems\" won't match anything useful. \"Fix for PrismaClientKnownRequestError in serverless\" will match when someone hits that error.\n\nMore on the skills architecture [here](https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fequipping-agents-for-the-real-world-with-agent-skills).\n\n## Skill Format\n\nExtracted skills are markdown files with YAML frontmatter:\n\n```yaml\n---\nname: prisma-connection-pool-exhaustion\ndescription: |\n  Fix for PrismaClientKnownRequestError: Too many database connections \n  in serverless environments (Vercel, AWS Lambda). Use when connection \n  count errors appear after ~5 concurrent requests.\nauthor: Claude Code\nversion: 1.0.0\ndate: 2024-01-15\n---\n\n# Prisma Connection Pool Exhaustion\n\n## Problem\n[What this skill solves]\n\n## Context \u002F Trigger Conditions\n[Exact error messages, symptoms, scenarios]\n\n## Solution\n[Step-by-step fix]\n\n## Verification\n[How to confirm it worked]\n```\n\nSee `resources\u002Fskill-template.md` for the full template.\n\n## Quality Gates\n\nThe skill is picky about what it extracts. If something is just a documentation lookup, or only useful for this one case, or hasn't actually been tested, it won't create a skill. Would this actually help someone who hits this problem in six months? If not, no skill.\n\n## Examples\n\nSee `examples\u002F` for sample skills:\n\n- `nextjs-server-side-error-debugging\u002F`: errors that don't show in browser console\n- `prisma-connection-pool-exhaustion\u002F`: the \"too many connections\" serverless problem\n- `typescript-circular-dependency\u002F`: detecting and fixing import cycles\n\n## Contributing\n\nContributions welcome. Fork, make changes, submit a PR.\n\n## License\n\nMIT\n","# Claudeception\n\n每次你使用 AI 编码助手时，它都会从零开始。你花上一小时调试一个晦涩的错误，助手最终找到了解决方案，会话就结束了。下次再遇到同样的问题？又得花上一小时。\n\n这个技能就能解决这个问题。当 Claude Code 发现一些不那么显而易见的事情（比如调试技巧、绕过方案或特定项目的模式）时，它会将这些知识保存为一项新技能。下次再遇到类似的问题，这项技能就会自动加载。\n\n## 安装\n\n### 第一步：克隆技能\n\n**用户级别（推荐）**\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fblader\u002FClaudeception.git ~\u002F.claude\u002Fskills\u002Fclaudeception\n```\n\n**项目级别**\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fblader\u002FClaudeception.git .claude\u002Fskills\u002Fclaudeception\n```\n\n### 第二步：设置激活钩子（推荐）\n\n该技能可以通过语义匹配来激活，但使用钩子可以确保在每个会话中都评估是否有可提取的知识。\n\n#### 用户级别设置（推荐）\n\n1. 创建 hooks 目录并复制脚本：\n\n```bash\nmkdir -p ~\u002F.claude\u002Fhooks\ncp ~\u002F.claude\u002Fskills\u002Fclaudeception\u002Fscripts\u002Fclaudeception-activator.sh ~\u002F.claude\u002Fhooks\u002F\nchmod +x ~\u002F.claude\u002Fhooks\u002Fclaudeception-activator.sh\n```\n\n2. 将钩子添加到你的全局 Claude 设置文件中（`~\u002F.claude\u002Fsettings.json`）：\n\n```json\n{\n  \"hooks\": {\n    \"UserPromptSubmit\": [\n      {\n        \"hooks\": [\n          {\n            \"type\": \"command\",\n            \"command\": \"~\u002F.claude\u002Fhooks\u002Fclaudeception-activator.sh\"\n          }\n        ]\n      }\n    ]\n  }\n}\n```\n\n#### 项目级别设置\n\n1. 在你的项目目录下创建 hooks 目录，并复制脚本：\n\n```bash\nmkdir -p .claude\u002Fhooks\ncp .claude\u002Fskills\u002Fclaudeception\u002Fscripts\u002Fclaudeception-activator.sh .claude\u002Fhooks\u002F\nchmod +x .claude\u002Fhooks\u002Fclaudeception-activator.sh\n```\n\n2. 将钩子添加到你的项目设置文件中（仓库中的 `.claude\u002Fsettings.json`）：\n\n```json\n{\n  \"hooks\": {\n    \"UserPromptSubmit\": [\n      {\n        \"hooks\": [\n          {\n            \"type\": \"command\",\n            \"command\": \".claude\u002Fhooks\u002Fclaudeception-activator.sh\"\n          }\n        ]\n      }\n    ]\n  }\n}\n```\n\n如果你已经有一个 `settings.json` 文件，请将 `hooks` 配置合并进去。\n\n该钩子会在每次提交提示时注入一条提醒，告诉 Claude 评估当前任务是否产生了可提取的知识。这样比仅依靠语义描述匹配能获得更高的激活率。\n\n## 使用方法\n\n### 自动模式\n\n当 Claude Code 完成以下操作时，该技能会自动激活：\n- 刚刚完成调试并发现了一个不明显的解决方案\n- 通过调查或试错找到了一种绕过方案\n- 解决了一个根本原因并不明显的问题\n- 通过调查学习到了项目特有的模式或配置\n- 完成了任何需要有意义发现才能解决的任务\n\n### 显式模式\n\n触发学习回顾：\n\n```\n\u002Fclaudeception\n```\n\n或者明确请求提取技能：\n\n```\n把我们刚才学到的内容保存为一项技能\n```\n\n### 什么会被提取\n\n并不是每项任务都能产生技能。只有那些需要真正发现（而不仅仅是查阅文档）、对未来任务有帮助、具有明确触发条件且经过验证可行的知识，才会被提取出来。\n\n## 研究背景\n\n这一想法源自关于 AI 代理技能库的学术研究。\n\n[Voyager](https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.16291)（Wang 等，2023）表明，游戏智能体可以随着时间推移构建可重用的技能库，这有助于它们避免重复学习已掌握的内容。[CASCADE](https:\u002F\u002Farxiv.org\u002Fabs\u002F2512.23880)（2024）提出了“元技能”（即获取技能的技能），而这正是本技能的核心思想。[SEAgent](https:\u002F\u002Farxiv.org\u002Fabs\u002F2508.04700)（2025）则展示了智能体可以通过试错学习新的软件环境，这也启发了回顾功能的设计。[Reflexion](https:\u002F\u002Farxiv.org\u002Fabs\u002F2303.11366)（Shinn 等，2023）证明了自我反思的作用。\n\n能够持续保留学习成果的智能体，表现往往优于每次都从头开始的智能体。\n\n## 工作原理\n\nClaude Code 内置了技能系统。启动时，它会加载技能名称和描述（每条约 100 个 token）。当你工作时，它会将当前上下文与这些描述进行匹配，并调用相关的技能。\n\n然而，这个检索系统不仅可以读取，还可以写入。因此，当本技能检测到可提取的知识时，它会以适合未来检索的方式编写一个新的技能描述。\n\n描述非常重要。“帮助解决数据库问题”这样的描述几乎无法匹配到有用的内容；而“修复无服务器环境下的 PrismaClientKnownRequestError 错误”则会在有人遇到该错误时被匹配到。\n\n更多关于技能架构的信息请参见 [这里](https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fequipping-agents-for-the-real-world-with-agent-skills)。\n\n## 技能格式\n\n提取的技能是以 YAML 前言的 Markdown 文件形式存在：\n\n```yaml\n---\nname: prisma-connection-pool-exhaustion\ndescription: |\n  修复 PrismaClientKnownRequestError：在无服务器环境中（Vercel、AWS Lambda）数据库连接过多。当并发请求数达到约 5 次后出现连接数错误时使用。\nauthor: Claude Code\nversion: 1.0.0\ndate: 2024-01-15\n---\n\n# Prisma 连接池耗尽问题\n\n## 问题\n[该技能解决的问题]\n\n## 背景 \u002F 触发条件\n[具体的错误信息、症状、场景]\n\n## 解决方案\n[逐步修复步骤]\n\n## 验证\n[如何确认修复有效]\n```\n\n完整模板请参阅 `resources\u002Fskill-template.md`。\n\n## 质量关卡\n\n该技能对提取内容非常挑剔。如果只是简单的文档查询，或者只适用于当前场景，又或者尚未经过实际测试，就不会创建技能。这条技能是否真的能在六个月后帮助遇到同样问题的人？如果不是，那就不会生成技能。\n\n## 示例\n\n请参阅 `examples\u002F` 中的示例技能：\n- `nextjs-server-side-error-debugging\u002F`：浏览器控制台不显示的服务器端错误\n- `prisma-connection-pool-exhaustion\u002F`：无服务器环境下的“连接数过多”问题\n- `typescript-circular-dependency\u002F`：检测并修复循环依赖\n\n## 贡献\n\n欢迎贡献代码。请 Fork 项目，做出修改后提交 Pull Request。\n\n## 许可证\n\nMIT","# Claudeception 快速上手指南\n\nClaudeception 是一个专为 **Claude Code** 设计的技能增强工具。它能自动识别并保存调试过程中发现的非显而易见解决方案（如特定错误修复、变通方法或项目模式），将其转化为可复用的“技能”。下次遇到类似问题时，这些知识会自动加载，避免重复劳动。\n\n## 环境准备\n\n*   **系统要求**：Linux \u002F macOS \u002F Windows (WSL)\n*   **前置依赖**：\n    *   已安装并配置好 **Claude Code** (`claude`)\n    *   已安装 **Git**\n    *   确保 `~\u002F.claude` 目录存在（首次运行 Claude Code 会自动创建）\n\n> **注意**：本项目托管于 GitHub。国内用户若克隆速度较慢，建议使用加速代理或配置 Git 加速镜像。\n\n## 安装步骤\n\n### 第一步：克隆技能库\n\n推荐在**用户级别**安装，以便在所有项目中生效。\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fblader\u002FClaudeception.git ~\u002F.claude\u002Fskills\u002Fclaudeception\n```\n\n*(如需仅在当前项目使用，可将目标路径改为 `.claude\u002Fskills\u002Fclaudeception`)*\n\n### 第二步：配置激活钩子 (Hook)\n\n为了确保每次会话都能评估并提取新知识，建议配置激活脚本。\n\n#### 1. 设置脚本文件\n\n创建 hooks 目录并复制激活脚本：\n\n```bash\nmkdir -p ~\u002F.claude\u002Fhooks\ncp ~\u002F.claude\u002Fskills\u002Fclaudeception\u002Fscripts\u002Fclaudeception-activator.sh ~\u002F.claude\u002Fhooks\u002F\nchmod +x ~\u002F.claude\u002Fhooks\u002Fclaudeception-activator.sh\n```\n\n#### 2. 注册到全局配置\n\n编辑或创建全局配置文件 `~\u002F.claude\u002Fsettings.json`，加入以下 `hooks` 配置：\n\n```json\n{\n  \"hooks\": {\n    \"UserPromptSubmit\": [\n      {\n        \"hooks\": [\n          {\n            \"type\": \"command\",\n            \"command\": \"~\u002F.claude\u002Fhooks\u002Fclaudeception-activator.sh\"\n          }\n        ]\n      }\n    ]\n  }\n}\n```\n\n> **提示**：如果文件中已有其他配置，请直接将 `hooks` 字段合并进去，保持 JSON 格式合法。\n\n## 基本使用\n\n安装完成后，无需额外操作即可在后台运行。\n\n### 1. 自动模式（推荐）\n\n正常进行编码和调试工作。当 Claude Code 完成以下任务时，会自动评估并保存技能：\n*   解决了隐蔽的报错或非显而易见的 Bug。\n*   通过试错找到了有效的变通方案。\n*   发现了特定于当前项目的配置模式。\n\n**示例场景**：\n你花费时间解决了一个复杂的 `Prisma` 连接池耗尽问题。解决后，Claudeception 会自动将该解决方案保存为技能。下次你在其他项目中遇到相同的错误特征时，该技能会自动加载并提供解决方案。\n\n### 2. 显式模式\n\n如果你希望强制触发学习回顾或手动保存当前知识，可以使用以下指令：\n\n**触发学习回顾：**\n```\n\u002Fclaudeception\n```\n\n**直接请求保存技能：**\n```\nSave what we just learned as a skill\n```\n\n### 技能存储位置\n\n提取的技能将以 Markdown 文件形式保存在 `~\u002F.claude\u002Fskills\u002F` 目录下，包含问题描述、触发条件、解决方案及验证步骤，供未来自动检索使用。","某后端团队在维护一个遗留微服务系统时，频繁遭遇因环境差异导致的隐蔽性构建错误。\n\n### 没有 Claudeception 时\n- 每次遇到相同的冷门依赖冲突或特定配置陷阱，AI 助手都要从头开始排查，重复消耗大量时间复现问题。\n- 资深开发者花费一小时调试出的“非标准”解决方案，随着会话结束而丢失，无法沉淀为团队知识。\n- 新加入的成员或 AI 在次日面对相同报错时，再次陷入同样的试错循环，导致研发效率在低水平问题上反复摩擦。\n- 项目特有的变通方案（Workaround）散落在聊天记录中，缺乏结构化整理，难以被后续任务自动调用。\n\n### 使用 Claudeception 后\n- 当 AI 首次通过试错解决某个晦涩的构建报错后，Claudeception 会自动将该排查路径和最终方案提取并保存为新技能。\n- 下次会话中一旦检测到相似的错误特征，之前沉淀的技能会被自动加载，AI 直接应用已验证的修复方案，秒级解决问题。\n- 针对该项目特有的环境变量配置习惯，AI 能在多次交互中持续积累“元技能”，越用越懂当前项目的“脾气”。\n- 显式的回顾机制（如输入 `\u002Fclaudeception`）确保那些需要深度推理才能获得的经验被强制固化，避免知识随会话关闭而流失。\n\nClaudeception 让 AI 编码代理从“每次重启都失忆”转变为“在工作中持续进化”，将一次性的调试成本转化为长期的团队资产。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fblader_Claudeception_ec622296.png","blader","Siqi Chen","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fblader_e234ae68.jpg",null,"San Francisco","http:\u002F\u002Ftwitter.com\u002Fblader","https:\u002F\u002Fgithub.com\u002Fblader",[81],{"name":82,"color":83,"percentage":84},"Shell","#89e051",100,2248,17,"2026-04-12T07:58:56","MIT","Linux, macOS","未说明",{"notes":92,"python":90,"dependencies":93},"该工具并非独立的 AI 模型，而是专为 Anthropic 官方推出的 'Claude Code' 命令行代理设计的技能扩展包。运行前必须已安装并配置好 Claude Code 环境。安装过程涉及将脚本克隆至用户或项目目录下的 `.claude` 文件夹，并配置 `settings.json` 钩子以激活自动学习功能。无需 GPU 或特定 Python 版本，其运行依赖于宿主系统对 Bash 脚本及 Claude Code 客户端的支持。",[94,95,96],"Claude Code (官方客户端)","git","bash",[13,52],"2026-03-27T02:49:30.150509","2026-04-13T07:02:15.782357",[],[]]