快速搭建一次性原型,验证方案可行性并给出对比结论。
该技能材料显示它是一个开源的 prompt-only 原型设计指令集,不声明密钥、远程端点或独立可执行组件,整体风险较低。其说明中会引导代理创建临时原型与产出文件,但这更像宿主代理能力的使用方式,而非技能自身附带的高风险行为。
材料明确标注“无”密钥/环境变量需求,README 也未要求登录、API token 或凭证注入,未见直接的凭证收集、存储或滥用迹象。
已声明无远程端点,README 仅提到阅读文档/源码与评估外部依赖健康度,未指定任何数据外发目标,也未描述将用户数据发送到第三方服务。
这是 prompt-only 技能而非附带可执行程序;文档虽鼓励构建“smallest runnable artifact”与命令行原型,但未自带本机执行组件或额外系统权限申请,实际是否执行取决于宿主代理能力。
README 建议默认写入 `.tmp/openclaw-spikes/<slug>`,或在用户要求时写入 `spikes/<NNN-slug>/`,访问范围表述相对收敛,未见要求读取敏感目录、批量采集数据或过度授权。
来源为 GitHub 开源仓库,且社区采用度极高(约 37.7 万 star),这些都是明显的降风险因素;许可证未声明、维护状态未知属于轻微信息缺口,但不足以单独抬升到更高风险。
复制安装指令,让 AI 自动完成配置 · 推荐新手
请帮我安装 askskill 上的 "spike" 技能: 1. 下载 https://raw.githubusercontent.com/openclaw/openclaw/main/skills/spike/SKILL.md 2. 保存为 ~/.claude/skills/spike/SKILL.md 3. 装好后重载技能,告诉我可以用了
请针对图片上传服务,分别用 Node.js 和 Go 做最小可运行原型,各自实现上传、大小限制和错误处理。对比开发速度、性能、可维护性与部署复杂度,最后给出推荐结论。
两个可行原型的说明、关键对比表,以及明确的推荐方案与理由。
请为“文档智能摘要”功能设计一个快速验证型原型,用最少代码串联上传文档、调用大模型生成摘要、展示结果。评估实现难点、成本、响应时间和用户价值,并输出是否进入正式开发的结论。
一个用于验证价值的轻量原型方案,附风险评估和继续/停止建议。
请为候选 OCR API 做一次 spike:编写最小测试脚本,分别验证中文识别准确率、接口稳定性、响应时间、价格和错误处理体验。整理结果并判断是否适合集成到现有产品。
测试脚本思路、验证结果汇总、优缺点分析,以及是否集成的判断。
Use when the user wants to test an idea before committing to a real build: "spike this", "quick prototype", "is this possible", "compare A/B", "before we build".
Do not use when reading docs/code can answer the question, or when the user clearly asked for production implementation.
Loop
VALIDATED, PARTIAL, or INVALIDATED.Output shape
.tmp/openclaw-spikes/<slug> unless user asks for a tracked repo-local path.spikes/<NNN-slug>/ with README.md and minimal code.Multi-spike ideas
Verdict format
## Verdict: VALIDATED | PARTIAL | INVALIDATED
Question: ...
Evidence: exact command/output/measurement.
What worked: ...
What failed or surprised us: ...
Recommendation: ship / adjust / avoid, with the next production step.
Rules
帮助用户对收件箱消息进行分流、跟进等待回复并生成后续摘要。
通过命令行控制飞利浦 Hue 灯光与场景,便捷实现智能照明操作自动化。
用 songsee CLI 从音频生成频谱图与特征面板可视化,便于分析与展示。
帮助维护者分诊、清理并解决 GitHub 中的 OpenClaw 密钥泄露告警。
帮助定位 OpenClaw 测试中的内存增长、堆泄漏与 OOM 根因
快速生成概念、架构、流程与白板图,支持 SVG、HTML 或 Excalidraw 格式
通过结构化追问与方案比较,把模糊想法梳理成可执行设计。
将原型反馈整理为可追溯的产品决策,方便团队协同推进。
用 Ikejime 式工程原则清理歧义、死代码与依赖债务,提升代码质量。
将设计或需求文档快速编排为可运行的 MVP 起步版本,并完成首个端到端切片实现。
在创意与实现前梳理用户意图、需求与方案方向,降低返工风险。
通过层层追问与假设检验,帮助澄清需求、计划与设计中的关键不确定性。