quantai-service
SKILL.md
QuantAI Service — Agent 操作手册
服务地址
BASE_URL = http://47.129.240.216:8000
启动前用
curl ${BASE_URL}/health确认服务在线，若连接失败立刻告知用户。
⛔ 严禁行为
- 禁止在本地运行任何 quant-factor-loop 脚本（
run_workflow.py、step*.py等），所有计算都在服务器上。 - 禁止下载或存储 parquet 数据文件，不要尝试访问服务器上的数据文件。
- 禁止修改
/home/ec2-user/quant-factor-loop/下的任何文件，该目录只属于服务器内部。 - 轮询时禁止无限等待：单个 Job 最长等待 30 分钟，超时后告知用户并停止。
- 禁止跳过 retest 步骤：Step 11 失败时必须修复 strategy.cs 后 retest，不能直接宣告失败。
Agent 本地约定路径
每次开始新任务时，将以下路径记录到工作变量中：
~/.quant_agent/
├── current_job_id.txt ← 最新 job_id（快速查阅）
└── jobs/
└── {job_id}/
├── plugin.py ← 提交时上传的因子插件（阶段2完成后保存）
├── strategy.cs ← Step 4a 生成的 C# 策略（strategy_cs_ready=true 后下载）
├── factor_card.json ← Step 16 因子档案卡（任务 done 后下载）
└── step11/
├── equity_curves.png ← Step 11 权益曲线图（任务 done 后下载）
└── trade_log.csv ← Step 11 逐笔交易记录（任务 done 后下载）
完整工作流程（必须按顺序执行）
阶段 0：确认任务
从用户描述中提取：
| 信息 | 说明 | 示例 |
|---|---|---|
| 因子逻辑 | 用自然语言描述信号如何产生 | "RSI低于30时做多" |
| 核心参数 | 窗口期、阈值等超参 | rsi_period=14, oversold=30 |
factor_type |
因子类型标识（snake_case，全局唯一） | rsi_oversold_bounce |
factor_name |
因子名称（含主要参数值） | rsi_14_ob30 |
若用户描述不清晰，主动补问这几项，确认后再写代码。
阶段 1：编写因子插件 plugin.py
插件文件包含两部分，必须同时实现，逻辑必须完全一致：
FACTOR_SECTIONS：C# 代码片段，服务器用它生成strategy.csbuild_signal()：Python 函数，服务器用它做超参网格搜索
插件文件完整模板
import pandas as pd
import numpy as np
from typing import Any, Dict
FACTOR_TYPE = "<factor_type>" # 与提交时的 factor_type 参数保持一致
FACTOR_DEFAULT_PARAMS = {
"param1": <default_int>, # 所有超参及默认值，key 用 snake_case
}
FACTOR_SECTIONS = {
# ── 注释类（人类可读） ───────────────────────────────────────────────
"__FACTOR_DESCRIPTION__": "因子的中文描述",
"__FACTOR_FORMULA__": "信号公式（注释用）",
"__FACTOR_TYPE__": "<factor_type>",
# ── C# 类字段声明（每行末尾必须有 \n） ──────────────────────────────
"__FACTOR_PARAM_FIELDS__": (
" private int _param1;\n"
# 每个字段一行，注意 8 个空格缩进
),
# ── C# 构造函数初始化（每行末尾必须有 \n） ───────────────────────────
"__FACTOR_INIT__": (
' _param1 = GetIntParameter("param1", <default>);\n'
# key 用连字符（"param-one"），对应 Python 端 key 用下划线（"param_one"）
),
# ── 初始化日志（每行末尾必须有 \n） ─────────────────────────────────
"__FACTOR_LOG__": (
' Log($"[INIT] param1={_param1}");\n'
),
# ── 滑动窗口大小（合法 C# 整数表达式，不加引号） ─────────────────────
"__PRICE_WINDOW_EXPR__": "_param1 + 1",
# ── 额外数据列 Buffer 声明（每行末尾必须有 \n，仅用 close 时填 ""） ──
# FactorCsvBar 字段类型（决定 Enqueue 时是否需要强转）：
# decimal : Open / High / Low / Close / Volume
# → Enqueue 时必须写 (double)bar.Volume 等，否则 CS1503 编译报错
# double : TakerBuyVolume / TakerSellVolume / TakerBuyQuoteVolume /
# TakerSellQuoteVolume / TakerBuyTrades / TakerSellTrades / QuoteVolume
# → 直接 Enqueue，无需转型
"__EXTRA_BUF_FIELDS__": "", # 示例：' private readonly Queue<double> _volBuf = new Queue<double>();\n'
# ── 额外列每 bar 入队（每行末尾必须有 \n，不用时填 ""） ─────────────
# decimal 字段示例：' _volBuf.Enqueue((double)bar.Volume);\n'
# double 字段示例：' _takerBuyBuf.Enqueue(bar.TakerBuyVolume);\n'
"__EXTRA_BUF_ENQUEUE__": "",
# ── 额外列超窗口出队（每行末尾必须有 \n，不用时填 ""） ──────────────
"__EXTRA_BUF_DEQUEUE__": "", # 示例：' if (_volBuf.Count > requiredBars) _volBuf.Dequeue();\n'
# ── 额外列转数组供计算体使用（每行末尾必须有 \n，不用时填 ""） ────────
"__EXTRA_BUF_TOARRAY__": "", # 示例：' var volumes = _volBuf.ToArray();\n'
# ── C# 信号计算主体 ──────────────────────────────────────────────────
# 始终可用：prices[]（close，从旧到新）
# 若声明了 __EXTRA_BUF_TOARRAY__，对应数组也在此可用
# 必须给 rawSignal 赋值（正=看多，负=看空）并 return true
# 数据不足时 return false（不要 throw）
"__FACTOR_COMPUTE_BODY__": """
// C# 计算逻辑
var n = prices.Length;
if (n < _param1) return false;
// ... 计算 ...
rawSignal = <signal_value>;
return true;
""",
}
def build_signal(
close: pd.DataFrame,
params: Dict[str, Any],
# 声明因子用到的列（框架自动注入，与 close 地位相同）：
# open, high, low, volume, quote_volume,
# taker_buy_volume, taker_sell_volume,
# taker_buy_quote_volume, taker_sell_quote_volume,
# taker_buy_trades, taker_sell_trades
**_kwargs,
) -> pd.DataFrame:
"""
close : pd.DataFrame，index=UTC DatetimeIndex，columns=币种代码
params : dict，key 与 FACTOR_DEFAULT_PARAMS 一致
返回 : 与 close 同形状的 DataFrame，正=看多，负=看空，NaN=无信号
逻辑必须与 FACTOR_SECTIONS.__FACTOR_COMPUTE_BODY__ 完全一致
"""
param1 = int(params.get("param1", <default>))
# ... Python 实现 ...
return signal.reindex_like(close)
C# 代码约束（违反会导致 Step 11 编译失败）
| 约束 | 说明 |
|---|---|
__PRICE_WINDOW_EXPR__ |
必须是纯 C# 整数表达式，不加引号，如 _window + 1 |
rawSignal |
必须在 __FACTOR_COMPUTE_BODY__ 中被赋值 |
| 数据不足 | 用 return false，不要 throw 或 return true 而不赋值 |
| 类型 | 所有计算用 double，不用 decimal 或 float |
| 禁止调用 | Securities[].GetLastData()、Portfolio、Order、SetHoldings |
| 参数 key | GetIntParameter("param-name", default) 用连字符 |
| 每行末尾 | __FACTOR_PARAM_FIELDS__ / __FACTOR_INIT__ / __FACTOR_LOG__ / __EXTRA_BUF_FIELDS__ / __EXTRA_BUF_ENQUEUE__ / __EXTRA_BUF_DEQUEUE__ / __EXTRA_BUF_TOARRAY__ 每行末尾加 \n |
| 不用额外列时 | __EXTRA_BUF_FIELDS__ / __EXTRA_BUF_ENQUEUE__ / __EXTRA_BUF_DEQUEUE__ / __EXTRA_BUF_TOARRAY__ 填空字符串 "" |
| 额外列数组长度 | 额外列 buf 使用与 close 相同的 requiredBars 窗口大小 |
| decimal → double 强转 | Open/High/Low/Close/Volume 是 decimal，Enqueue 时必须写 (double)bar.Volume 否则报 CS1503；TakerBuy*/TakerSell*/QuoteVolume 已是 double，无需转型 |
参考实现（完整可运行的例子）
import pandas as pd
import numpy as np
from typing import Any, Dict
FACTOR_TYPE = "rsi_oversold_bounce"
FACTOR_DEFAULT_PARAMS = {
"rsi_period": 14,
"oversold": 30,
"overbought": 70,
}
FACTOR_SECTIONS = {
"__FACTOR_DESCRIPTION__": "RSI 超卖反弹：RSI < oversold 做多，RSI > overbought 做空",
"__FACTOR_FORMULA__": "RSI < oversold → +(oversold-RSI)/oversold; RSI > overbought → -(RSI-overbought)/(100-overbought)",
"__FACTOR_TYPE__": "rsi_oversold_bounce",
"__FACTOR_PARAM_FIELDS__": (
" private int _rsiPeriod;\n"
" private double _oversold;\n"
" private double _overbought;\n"
" private double _prevGainEma;\n"
" private double _prevLossEma;\n"
" private bool _rsiInitialized;\n"
),
"__FACTOR_INIT__": (
' _rsiPeriod = GetIntParameter("rsi-period", 14);\n'
' _oversold = GetDoubleParameter("oversold", 30.0);\n'
' _overbought = GetDoubleParameter("overbought", 70.0);\n'
' _prevGainEma = 0.0;\n'
' _prevLossEma = 0.0;\n'
' _rsiInitialized = false;\n'
),
"__FACTOR_LOG__": (
' Log($"[INIT] rsi_period={_rsiPeriod} oversold={_oversold} overbought={_overbought}");\n'
),
"__PRICE_WINDOW_EXPR__": "_rsiPeriod + 1",
"__EXTRA_BUF_FIELDS__": "",
"__EXTRA_BUF_ENQUEUE__": "",
"__EXTRA_BUF_DEQUEUE__": "",
"__EXTRA_BUF_TOARRAY__": "",
"__FACTOR_COMPUTE_BODY__": """
var n = prices.Length;
if (n < _rsiPeriod + 1) return false;
if (!_rsiInitialized)
{
double sumGain = 0.0, sumLoss = 0.0;
for (int i = 1; i < n; i++)
{
var change = prices[i] - prices[i - 1];
if (change > 0) sumGain += change;
else sumLoss += Math.Abs(change);
}
_prevGainEma = sumGain / _rsiPeriod;
_prevLossEma = sumLoss / _rsiPeriod;
_rsiInitialized = true;
}
else
{
var change = prices[n - 1] - prices[n - 2];
var gain = change > 0 ? change : 0.0;
var loss = change < 0 ? Math.Abs(change) : 0.0;
_prevGainEma = (_prevGainEma * (_rsiPeriod - 1) + gain) / _rsiPeriod;
_prevLossEma = (_prevLossEma * (_rsiPeriod - 1) + loss) / _rsiPeriod;
}
double rsi;
if (_prevLossEma < 1e-12)
rsi = 100.0;
else
{
var rs = _prevGainEma / _prevLossEma;
rsi = 100.0 - 100.0 / (1.0 + rs);
}
if (rsi < _oversold)
rawSignal = (_oversold - rsi) / _oversold;
else if (rsi > _overbought)
rawSignal = -(rsi - _overbought) / (100.0 - _overbought);
else
rawSignal = 0.0;
return true;
""",
}
def _compute_rsi_wilder(close: pd.DataFrame, period: int) -> pd.DataFrame:
delta = close.diff()
gain = delta.clip(lower=0.0)
loss = (-delta).clip(lower=0.0)
avg_gain = gain.ewm(com=period - 1, min_periods=period, adjust=False).mean()
avg_loss = loss.ewm(com=period - 1, min_periods=period, adjust=False).mean()
rs = avg_gain / avg_loss.replace(0, np.nan)
rsi = 100.0 - 100.0 / (1.0 + rs)
rsi.iloc[:period] = np.nan
return rsi
def build_signal(close: pd.DataFrame, params: Dict[str, Any], **_) -> pd.DataFrame:
rsi_period = int(params.get("rsi_period", 14))
oversold = float(params.get("oversold", 30.0))
overbought = float(params.get("overbought", 70.0))
rsi = _compute_rsi_wilder(close, rsi_period)
signal = pd.DataFrame(0.0, index=close.index, columns=close.columns)
signal[rsi < oversold] = (oversold - rsi[rsi < oversold]) / oversold
signal[rsi > overbought] = -(rsi[rsi > overbought] - overbought) / (100.0 - overbought)
signal[rsi.isna()] = np.nan
return signal.reindex_like(close)
插件写好后保存到一个临时路径供提交用，提交后再按 job_id 归档。
import pandas as pd
import numpy as np
from typing import Any, Dict
FACTOR_TYPE = "taker_buy_ratio_momentum"
FACTOR_DEFAULT_PARAMS = {
"window": 20,
}
FACTOR_SECTIONS = {
"__FACTOR_DESCRIPTION__": "主力资金流入：taker 主动买量占比的滚动均值偏离中性线 0.5",
"__FACTOR_FORMULA__": "buy_ratio = taker_buy_vol / (buy+sell); signal = rolling_mean(buy_ratio, w) - 0.5",
"__FACTOR_TYPE__": "taker_buy_ratio_momentum",
"__FACTOR_PARAM_FIELDS__": (
" private int _window;\n"
),
"__FACTOR_INIT__": (
' _window = GetIntParameter("window", 20);\n'
),
"__FACTOR_LOG__": (
' Log($"[INIT] window={_window}");\n'
),
"__PRICE_WINDOW_EXPR__": "_window",
# ── 额外列：taker_buy_volume / taker_sell_volume ──────────────────
"__EXTRA_BUF_FIELDS__": (
" private readonly Queue<double> _takerBuyBuf = new Queue<double>();\n"
" private readonly Queue<double> _takerSellBuf = new Queue<double>();\n"
),
"__EXTRA_BUF_ENQUEUE__": (
" _takerBuyBuf.Enqueue(bar.TakerBuyVolume);\n"
" _takerSellBuf.Enqueue(bar.TakerSellVolume);\n"
),
"__EXTRA_BUF_DEQUEUE__": (
" if (_takerBuyBuf.Count > requiredBars) _takerBuyBuf.Dequeue();\n"
" if (_takerSellBuf.Count > requiredBars) _takerSellBuf.Dequeue();\n"
),
"__EXTRA_BUF_TOARRAY__": (
" var takerBuys = _takerBuyBuf.ToArray();\n"
" var takerSells = _takerSellBuf.ToArray();\n"
),
"__FACTOR_COMPUTE_BODY__": """
var n = prices.Length;
if (n < _window) return false;
double sumRatio = 0.0;
for (int i = 0; i < n; i++)
{
var total = takerBuys[i] + takerSells[i];
var ratio = total > 1e-12 ? takerBuys[i] / total : 0.5;
sumRatio += ratio;
}
rawSignal = sumRatio / n - 0.5;
return true;
""",
}
def build_signal(
close: pd.DataFrame,
params: Dict[str, Any],
taker_buy_volume: pd.DataFrame,
taker_sell_volume: pd.DataFrame,
**_kwargs,
) -> pd.DataFrame:
window = int(params.get("window", 20))
total = taker_buy_volume + taker_sell_volume
buy_ratio = taker_buy_volume / total.replace(0, float("nan"))
signal = buy_ratio.rolling(window).mean() - 0.5
return signal.reindex_like(close)
阶段 2：提交任务
# 先把 plugin 写到临时文件
cat > /tmp/current_plugin.py << 'PLUGIN_EOF'
<plugin 内容>
PLUGIN_EOF
curl -s -X POST ${BASE_URL}/jobs/submit \
-F "factor_kind=custom" \
-F "factor_type=<factor_type>" \
-F "factor_name=<factor_name>" \
-F "params=<JSON字符串，如 {\"rsi_period\":14}>" \
-F "fwd_period=16" \
-F "plugin=@/tmp/current_plugin.py"
成功返回：
{ "job_id": "job_20260312_153001_f4a2c1", "status": "queued" }
拿到 job_id 后立即执行以下两步本地归档：
JOB_ID="job_20260312_153001_f4a2c1"
# 1. 更新 current_job_id.txt
echo "${JOB_ID}" > ~/.quant_agent/current_job_id.txt
# 2. 把 plugin.py 归档到 job 目录
mkdir -p ~/.quant_agent/jobs/${JOB_ID}
cp /tmp/current_plugin.py ~/.quant_agent/jobs/${JOB_ID}/plugin.py
builtin 因子（
momentum/trend/mean_revert）不需要上传 plugin， 改用factor_kind=builtin并省略-F "plugin=..."即可（无需归档 plugin.py）。
阶段 3：轮询进度
每 15 秒查询一次，最多等待 30 分钟：
JOB_ID=$(cat ~/.quant_agent/current_job_id.txt)
curl -s ${BASE_URL}/jobs/${JOB_ID}/status
返回示例：
{
"status": "running",
"current_step": 10,
"progress": "IS 超参网格搜索"
}
status 状态说明
| status | 含义 | Agent 行为 |
|---|---|---|
queued |
排队中 | 继续等待 |
running |
执行中 | 告知用户当前步骤，继续等待 |
done |
全部完成 | 进入阶段 5 获取结果 |
failed |
工作流失败 | 读取 error 字段，判断是否可修复（进入阶段 4） |
retesting |
正在 retest | 继续轮询 |
retest_failed |
retest 也失败 | 查看 retest 日志，再次修复 strategy.cs |
strategy_cs_ready 标志
轮询时若返回 "strategy_cs_ready": true，立即下载并归档 strategy.cs：
JOB_ID=$(cat ~/.quant_agent/current_job_id.txt)
mkdir -p ~/.quant_agent/jobs/${JOB_ID}
curl -s ${BASE_URL}/jobs/${JOB_ID}/files/strategy.cs \
-o ~/.quant_agent/jobs/${JOB_ID}/strategy.cs
此操作只需执行一次（下载后不必重复）。
阶段 4：处理 Step 11 失败（C# 编译 / 运行时错误）
当 status=failed 且 failed_step=11 时执行此阶段。
Step 4-1：查看错误日志
JOB_ID=$(cat ~/.quant_agent/current_job_id.txt)
curl -s "${BASE_URL}/jobs/${JOB_ID}/logs?tail=80"
Step 4-2：下载当前 strategy.cs
mkdir -p ~/.quant_agent/jobs/${JOB_ID}
curl -s ${BASE_URL}/jobs/${JOB_ID}/files/strategy.cs \
-o ~/.quant_agent/jobs/${JOB_ID}/strategy.cs
Step 4-3：分析错误并修复
根据日志中的错误信息修改 ~/.quant_agent/jobs/${JOB_ID}/strategy.cs。
常见错误速查表：
| 错误信息 | 原因 | 修复方式 |
|---|---|---|
CS0019: Operator '/' cannot be applied to 'double' and 'decimal' |
C# 类型不匹配 | 在除法前加 (double) 强转，或检查变量声明类型 |
CS0103: The name 'xxx' does not exist |
变量名拼写错误或作用域不对 | 检查 __FACTOR_PARAM_FIELDS__ 中的声明 |
CS1002: ; expected |
C# 语法错误（缺分号等） | 检查 __FACTOR_COMPUTE_BODY__ 的每行结尾 |
CS0012: Type 'DynamicObject' not referenced |
调用了 GetLastData() |
删除 Securities[].GetLastData() 调用，改用传入的 prices[] |
rawSignal 始终为 0 |
return true 前忘记给 rawSignal 赋值 |
确保所有代码路径都给 rawSignal 赋值 |
return false 导致无信号 |
__PRICE_WINDOW_EXPR__ 比实际需要大 |
调小 __PRICE_WINDOW_EXPR__ 的值 |
| Lean 运行时 NullReference | 访问了未初始化的字段 | 检查 __FACTOR_INIT__ 是否遗漏了某个字段初始化 |
修复原则：
- 只修改
__FACTOR_COMPUTE_BODY__对应的 C# 代码块区域 - 如果是字段声明或初始化问题，找到 strategy.cs 中对应的
#region块修改 - 修改后在脑内或注释中验证每条代码路径都能给
rawSignal赋值
Step 4-4：提交 retest
curl -s -X POST ${BASE_URL}/jobs/${JOB_ID}/retest \
-F "strategy_cs=@~/.quant_agent/jobs/${JOB_ID}/strategy.cs"
返回 { "status": "retesting" } 后回到阶段 3继续轮询。
retest 可以多次，每次服务器都会保留独立日志（
retest_001.log、retest_002.log…）。 若连续 3 次 retest 仍失败，重新审视 plugin.py 的FACTOR_SECTIONS是否有根本性错误， 考虑重写 plugin.py 后重新 POST/jobs/submit开新任务。
阶段 5：获取结果并下载文件
Step 5-1：获取 JSON 结果
JOB_ID=$(cat ~/.quant_agent/current_job_id.txt)
curl -s ${BASE_URL}/jobs/${JOB_ID}/result
返回字段说明：
| 字段 | 含义 | 关注点 |
|---|---|---|
factor_status |
"pass" 或 "fail" |
最终结论 |
best_params |
超参搜索最优参数 | zscore_window / use_ewma / ewma_span / sigmoid_c |
profile.ic_mean |
IC 均值 | > 0.03 是及格线 |
profile.icir |
IC 信息比 | > 0.5 较好 |
val_summary.median_sharpe |
VAL 段中位 Sharpe | > 1.0 是及格线 |
val_summary.win_rate |
胜率 | > 0.55 较好 |
factor_card_txt |
可读的因子档案卡全文 | 直接展示给用户 |
将 factor_card_txt 完整展示给用户，并用一段话总结因子的核心表现。
Step 5-2：下载任务产物文件
任务 done 后，下载并归档以下文件到 job 目录：
JOB_ID=$(cat ~/.quant_agent/current_job_id.txt)
JOB_DIR=~/.quant_agent/jobs/${JOB_ID}
mkdir -p ${JOB_DIR}/step11
# 因子档案卡
curl -s ${BASE_URL}/jobs/${JOB_ID}/files/factor_card.json \
-o ${JOB_DIR}/factor_card.json
# 权益曲线图
curl -s ${BASE_URL}/jobs/${JOB_ID}/files/equity_curves.png \
-o ${JOB_DIR}/step11/equity_curves.png
# 逐笔交易记录（完整下载）
curl -s ${BASE_URL}/jobs/${JOB_ID}/files/trade_log.csv \
-o ${JOB_DIR}/step11/trade_log.csv
strategy.cs 若在阶段3已下载，此处无需重复。若尚未下载，同样在此补下：
curl -s ${BASE_URL}/jobs/${JOB_ID}/files/strategy.cs -o ${JOB_DIR}/strategy.cs
完整流程示意图
用户：「研究一个布林带宽度突破因子」
│
▼
[阶段0] 确认 factor_type=boll_breakout, params={window:20}
│
▼
[阶段1] 写 /tmp/current_plugin.py
│ 包含 FACTOR_SECTIONS（C#片段）+ build_signal()（Python）
│
▼
[阶段2] POST /jobs/submit -F plugin=@/tmp/current_plugin.py
│ → 拿到 job_id，保存到 current_job_id.txt
│ → 归档 plugin.py 到 ~/.quant_agent/jobs/{job_id}/plugin.py
│
▼
[阶段3] 每15秒 GET /jobs/{id}/status 轮询
│
├─ strategy_cs_ready=true
│ └─ GET /files/strategy.cs → 保存到 jobs/{job_id}/strategy.cs
│
├─ status=running ──→ 告知用户当前 Step，继续等待
│
├─ status=failed, failed_step=11
│ │
│ ▼
│ [阶段4] GET logs → GET /files/strategy.cs → 修复 → POST retest
│ │
│ └─ 回到阶段3继续轮询
│
└─ status=done
│
▼
[阶段5] GET /result → 展示 factor_card_txt 给用户
│
▼
下载 factor_card.json / equity_curves.png / trade_log.csv
→ 归档到 ~/.quant_agent/jobs/{job_id}/
其他接口
查看 retest 日志
curl -s "${BASE_URL}/jobs/${JOB_ID}/retest_logs?tail=100"
健康检查
curl -s ${BASE_URL}/health
返回中 config_exists: true 且 klinedata_exists: true 表示服务器数据就绪。
向用户汇报进度的节奏
- 提交任务后立即告知 job_id
- 每 2~3 次轮询后向用户报告一次当前 Step（不必每次都说）
- Step 11 开始时特别说明「正在提交 Lean 云端回测，约需 3~5 分钟」
- 遇到 retest 时告知用户「Step 11 编译失败，正在修复 C# 代码后重试」，不要抛出错误
- 最终结果中重点突出
factor_status（pass/fail）、median_sharpe、icir三个核心指标
Weekly Installs
6
Repository
varsity-tech-pr…o-skillsFirst Seen
4 days ago
Security Audits
Installed on
codex4
claude-code4
mcpjam1
kilo1
windsurf1
zencoder1