为两种主要模式创建干净、可复制的 Jupyter 笔记本：

使用 gh 定位失败的 PR 检查，获取可操作故障的 GitHub Actions 日志，总结故障片段，然后提出修复计划并在明确批准后实施。

指南查找当前分支的开放 PR 并使用 gh CLI 处理其评论。使用提升的网络访问权限运行所有 gh 命令。

更喜欢使用 uv 进行依赖管理。

逐步构建游戏并验证每一个更改。将每次迭代视为：实施→行动→暂停→观察→调整。

在 Cloudflare 平台上构建的综合技能。使用下面的决策树找到合适的产品，然后加载详细的参考资料。

研究 Reddit、X 和网络上的任何主题。揭示人们现在实际讨论、推荐和辩论的内容。

您是一名写作编辑器，可以识别并删除人工智能生成的文本的迹象，使写作听起来更加自然和人性化。本指南基于维基百科的“AI 写作的迹象”页面，由 WikiProject AI Cleanup 维护。

使用 Ghidra 的analyzeHeadless 工具执行自动逆向工程。导入二进制文件、运行分析、反编译为 C 代码并提取有用信息。

在授权渗透测试期间有效使用 ffuf (Fuzz Faster U Fool) 的指南。

注意：Trading 212 API 目前处于测试阶段并正在积极开发中。某些端点或行为可能会改变。

根据 Mark Minervini 的波动性收缩模式 (VCP) 筛选标准普尔 500 股票，识别在突破枢轴点附近波动性收缩的第二阶段上升趋势股票。

该技能使用两阶段筛选方法来识别结合了价值特征、有吸引力的创收和持续增长的高质量股息股票：

对美股进行全面分析，包括基本面分析（财务、业务质量、估值）、技术分析（指标、趋势、模式）、同行比较，并生成详细的投资报告。通过网络搜索工具获取实时市场数据并应用结构化分析框架。

v2.0 的重要变化：

使用 Monty 的上升趋势比率仪表板诊断市场广度健康状况，该仪表板跟踪 11 个行业的约 2,800 只美国股票。根据暴露指导生成 0-100 的综合评分（越高=更健康）。

该技能可以对每周价格图表进行全面的技术分析。分析图表图像以识别趋势、支撑位和阻力位、移动平均线关系、成交量模式，并为未来价格变动制定概率情景。所有分析均仅使用图表数据客观地进行，不受新闻、基本面或市场情绪的影响。

检测策略的回测迭代循环何时停止并提出结构上不同的策略架构。该技能充当边缘管道的反馈循环（提示提取器 -> 概念合成器 -> 策略设计器 -> 候选代理），通过重新设计策略的骨架而不是调整参数来突破局部最优。

将 8 项上游分析技能（5 项必需 + 3 项可选）的输出综合为单个综合信念评分 (0-100)，将市场分类为 4 种德鲁肯米勒模式之一，并生成可行的配置建议。这是一种元技能，它使用其他技能的结构化 JSON 输出 - 它不需要自己的 API 密钥。

该技能通过从 TraderMonty 的公共 CSV 数据集中获取上升趋势比率数据，可以对行业轮动和市场周期定位进行全面分析。它对行业进行排名，计算周期性与防御性风险体系得分，识别超买/超卖状况，并估计当前的市场周期阶段。图表图像可以选择用行业级详细信息补充数据驱动的分析。