问卷工具
survey
by BytesAgain
Build surveys, collect responses, and analyze results. Use when creating forms, checking responses, converting data, analyzing trends, generating reports.
安装
claude skill add --url github.com/openclaw/skills/tree/main/skills/bytesagain3/survey文档
Survey
Survey builder — create questionnaires, collect responses, analyze results, export data.
Commands
| Command | Description |
|---|---|
survey help | Show usage info |
survey run | Run main task |
survey status | Check current state |
survey list | List items |
survey add <item> | Add new item |
survey export <fmt> | Export data |
Usage
survey help
survey run
survey status
Examples
# Get started
survey help
# Run default task
survey run
# Export as JSON
survey export json
Output
Results go to stdout. Save with survey run > output.txt.
Configuration
Set SURVEY_DIR to change data directory. Default: ~/.local/share/survey/
Powered by BytesAgain | bytesagain.com Feedback & Feature Requests: https://bytesagain.com/feedback
相关 Skills
技能工坊
by anthropics
覆盖 Skill 从创建到迭代优化全流程：起草能力、补测试提示、跑评测与基准方差分析，并持续改写内容和描述，提升效果与触发准确率。
✎ 技能工坊把技能从创建、迭代到评测串成闭环，方差分析加描述优化，特别适合把触发准确率打磨得更稳。
PPT处理
by anthropics
处理 .pptx 全流程：创建演示文稿、提取和解析幻灯片内容、批量修改现有文件，支持模板套用、合并拆分、备注评论与版式调整。
✎ 涉及PPTX的创建、解析、修改到合并拆分都能一站搞定，连备注、模板和评论也能处理，做演示文稿特别省心。
PDF处理
by anthropics
遇到 PDF 读写、文本表格提取、合并拆分、旋转加水印、表单填写或加解密时直接用它，也能提取图片、生成新 PDF，并把扫描件通过 OCR 变成可搜索文档。
✎ PDF杂活别再来回切工具了，文本表格提取、合并拆分到OCR识别一次搞定，连扫描件也能变可搜索。
相关 MCP 服务
文件系统
编辑精选by Anthropic
Filesystem 是 MCP 官方参考服务器，让 LLM 安全读写本地文件系统。
✎ 这个服务器解决了让 Claude 直接操作本地文件的痛点，比如自动整理文档或生成代码文件。适合需要自动化文件处理的开发者，但注意它只是参考实现，生产环境需自行加固安全。
by wonderwhy-er
Desktop Commander 是让 AI 直接执行终端命令、管理文件和进程的 MCP 服务器。
✎ 这工具解决了 AI 无法直接操作本地环境的痛点，适合需要自动化脚本调试或文件批量处理的开发者。它能让你用自然语言指挥终端，但权限控制需谨慎，毕竟让 AI 执行 rm -rf 可不是闹着玩的。
EdgarTools
编辑精选by dgunning
EdgarTools 是无需 API 密钥即可解析 SEC EDGAR 财报的开源 Python 库。
✎ 这个工具解决了金融数据获取的痛点——直接让 AI 读取结构化财报，比如让 Claude 分析苹果的 10-K 文件。适合量化分析师或金融开发者快速构建数据管道。但注意，它依赖 SEC 网站稳定性，高峰期可能延迟。
相关资讯
本文全面调查了大型音频语言模型（LALMs）的可信性问题。作者分析了LALMs的内部机制，并建立了涵盖幻觉、鲁棒性、安全、隐私、公平性和认证六个维度的可信度分类法。研究发现，当前攻击手段成熟而防御措施不足，存在显著的可信度差距，并提出了“纵深防御”架构等策略以推动可信音频智能的发展。
本文围绕LLM多智能体系统，提出了LIFE框架：奠定能力基础、通过协作集成智能体、通过归因发现故障、通过自主改进实现进化。系统梳理了各阶段依赖关系，识别了跨阶段开放挑战，并提出了闭环多智能体系统的研究路线图。
本文系统综述了大语言模型（LLM）智能体的方法论、应用与挑战，提出了一种以方法论为中心的架构分类法，揭示了代理设计原则与环境涌现行为之间的深层联系。该综述统一了分散的研究线程，为理解LLM智能体提供了结构化框架，并指出了未来研究方向。