[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"extension-skill-Whatsonyourmind-oraclaw-solver-de":3,"guides-for-Whatsonyourmind-oraclaw-solver":425,"similar-k17bmegtpa65k5ceh88s8qp90x86nhf5-de":426},{"_creationTime":4,"_id":5,"children":6,"community":7,"display":9,"evaluation":15,"identity":241,"isFallback":236,"parentExtension":246,"providers":247,"relations":253,"repo":256,"tags":421,"workflow":422},1778699178716.313,"k17bmegtpa65k5ceh88s8qp90x86nhf5",[],{"reviewCount":8},0,{"description":10,"installMethods":11,"name":13,"sourceUrl":14},"Industrietaugliche Terminplanung und Ressourcenoptimierung für KI-Agenten. Lösen Sie Aufgabenplanung mit Energieabgleich, Budgetzuweisung und beliebigen LP/MIP-Constraint-Problemen in Millisekunden.",{"claudeCode":12},"Whatsonyourmind/oraclaw","oraclaw-solver","https://github.com/Whatsonyourmind/oraclaw",{"_creationTime":16,"_id":17,"extensionId":5,"locale":18,"result":19,"trustSignals":222,"workflow":239},1778699178716.3132,"kn7f1fas0dkz9z2y8hk00evds986mzzk","de",{"checks":20,"evaluatedAt":191,"extensionSummary":192,"features":193,"nonGoals":199,"promptVersionExtension":203,"promptVersionScoring":204,"purpose":205,"rationale":206,"score":207,"summary":208,"tags":209,"tier":216,"useCases":217},[21,26,29,32,36,39,43,47,50,53,57,61,64,68,71,74,77,80,83,86,90,94,98,102,106,109,113,117,121,124,127,130,133,136,139,143,147,150,153,157,160,163,166,169,173,176,179,182,185,188],{"category":22,"check":23,"severity":24,"summary":25},"Praktischer Nutzen","Problemrelevanz","pass","Die Beschreibung gibt klar das Problem der KI-Agentenplanung und Ressourcenoptimierung an und spezifiziert Aufgaben und Einschränkungen.",{"category":22,"check":27,"severity":24,"summary":28},"Einzigartiges Verkaufsversprechen","Die Fähigkeit bietet einen erheblichen Mehrwert gegenüber einem einfachen Prompt, indem sie deterministische, mathematisch korrekte Optimierungslösungen für komplexe Probleme liefert und über LLM-Heuristiken hinausgeht.",{"category":22,"check":30,"severity":24,"summary":31},"Produktionsreife","Die Fähigkeit bietet eine vollständige Lebenszyklusabdeckung für Optimierungsaufgaben mit klaren Tools und Preisgestaltung, geeignet für die sofortige Workflow-Integration.",{"category":33,"check":34,"severity":24,"summary":35},"Umfang","Prinzip der einzigen Verantwortung","Die Fähigkeit konzentriert sich auf Optimierung und mathematische Problemlösung und hält sich an eine einzige Domäne.",{"category":33,"check":37,"severity":24,"summary":38},"Qualität der Beschreibung","Die angezeigte Beschreibung spiegelt die Fähigkeiten der Fähigkeit in Bezug auf Optimierung und Planung genau wider.",{"category":40,"check":41,"severity":24,"summary":42},"Aufruf","Geltungsbereich von Tools","Die Tools sind spezifisch benannt (z. B. `solve_schedule`, `solve_constraints`) und auf unterschiedliche Optimierungsaufgaben ausgerichtet.",{"category":44,"check":45,"severity":24,"summary":46},"Dokumentation","Konfigurations- und Parameterreferenz","Die SKILL.md bietet klare Beispiele für Parameter für `solve_schedule` und `solve_constraints`, wobei das Standardverhalten durch die Beispiele impliziert wird.",{"category":33,"check":48,"severity":24,"summary":49},"Tool-Benennung","Tool-Namen wie `solve_schedule` und `solve_constraints` sind beschreibend und an die Domäne angepasst.",{"category":33,"check":51,"severity":24,"summary":52},"Minimale I/O-Oberfläche","Die Eingabeparameter für Tools sind strukturiert und spezifisch, und die Ausgaben konzentrieren sich auf Optimierungsergebnisse, nicht auf zusätzliche Daten.",{"category":54,"check":55,"severity":24,"summary":56},"Lizenz","Lizenznutzbarkeit","Das Projekt ist unter MIT lizenziert, einer permissiven Open-Source-Lizenz, mit einer dedizierten LICENSE-Datei.",{"category":58,"check":59,"severity":24,"summary":60},"Wartung","Aktualität der Commits","Der letzte Commit war am 2. Mai 2026, was auf eine kürzliche Wartung hindeutet.",{"category":58,"check":62,"severity":24,"summary":63},"Abhängigkeitsverwaltung","Das Projekt verwendet npm und Lockfiles, was auf gute Praktiken im Abhängigkeitsmanagement hindeutet.",{"category":65,"check":66,"severity":24,"summary":67},"Sicherheit","Geheimnisverwaltung","Die Fähigkeit erfordert einen `ORACLAW_API_KEY`, der über Umgebungsvariablen gehandhabt wird und nicht fest codiert ist.",{"category":65,"check":69,"severity":24,"summary":70},"Injektion","Die Tools der Fähigkeit sind gut definiert und scheinen keinen beliebigen Code auszuführen oder unzuverlässige externe Anweisungen zu laden.",{"category":65,"check":72,"severity":24,"summary":73},"Transitive Lieferketten-Granaten","Die Fähigkeit ruft zur Laufzeit keinen externen Code oder Inhalt ab; alle Abhängigkeiten scheinen gebündelt oder über Standardpaketmanager installiert zu sein.",{"category":65,"check":75,"severity":24,"summary":76},"Sandbox-Isolierung","Die Fähigkeit operiert innerhalb definierter Geltungsbereiche (MCP-Server, API) und zeigt keine Anzeichen von Versuchen, Dateien außerhalb ihres zugewiesenen Projektordners zu ändern.",{"category":65,"check":78,"severity":24,"summary":79},"Sandbox-Escape-Primitive","Es wurden keine Anzeichen für getrennte Prozesse oder Wiederholungsschleifen um verweigerte Tool-Aufrufe gefunden.",{"category":65,"check":81,"severity":24,"summary":82},"Datenexfiltration","Die Fähigkeit weist den Agenten nicht an, vertrauliche Daten zu lesen oder an Dritte zu übermitteln. Ausgehende Anrufe scheinen dokumentiert zu sein.",{"category":65,"check":84,"severity":24,"summary":85},"Versteckte Texttricks","Gebündelte Inhalte und Dokumentation scheinen frei von versteckten Steuerungs-Tricks, Steuerzeichen oder unsichtbaren Unicode-Tags zu sein.",{"category":87,"check":88,"severity":24,"summary":89},"Hooks","Undurchsichtige Codeausführung","Die MCP-Server- und SDK-Pakete sind in Standard-TypeScript/JavaScript implementiert und nicht verschleiert.",{"category":91,"check":92,"severity":24,"summary":93},"Portabilität","Strukturelle Annahme","Die Fähigkeit trifft keine Annahmen über die Benutzerprojektstruktur und arbeitet unabhängig.",{"category":95,"check":96,"severity":24,"summary":97},"Vertrauen","Aufmerksamkeit bei Problemen","Mit 0 offenen und 44 geschlossenen Problemen in den letzten 90 Tagen ist das Engagement des Maintainers ausgezeichnet.",{"category":99,"check":100,"severity":24,"summary":101},"Versionierung","Release-Management","Das Feld `version` im Frontmatter von SKILL.md ist auf '1.0.0' gesetzt, was eine klare Versionierung anzeigt.",{"category":103,"check":104,"severity":24,"summary":105},"Ausführung","Validierung","Die Tool-Eingaben sind strukturierte JSONs, was eine Validierung durch Schema-Konformität durch den MCP-Server oder die API impliziert.",{"category":65,"check":107,"severity":24,"summary":108},"Ungeschützte zerstörerische Operationen","Die Fähigkeit führt Optimierungsberechnungen durch und beinhaltet keine zerstörerischen Operationen.",{"category":110,"check":111,"severity":24,"summary":112},"Codeausführung","Fehlerbehandlung","Die Tools sind darauf ausgelegt, strukturierte Ergebnisse zurückzugeben, was eine robuste Fehlerbehandlung für nicht durchführbare Probleme oder andere Schwierigkeiten impliziert.",{"category":110,"check":114,"severity":115,"summary":116},"Protokollierung","not_applicable","Die Fähigkeit ist primär eine API/MCP-Server, die strukturierte Ausgaben liefert, kein destruktiver oder komplexer Prozess, der eine lokale Audit-Protokollierung erfordert.",{"category":118,"check":119,"severity":24,"summary":120},"Konformität","DSGVO","Die Fähigkeit operiert auf abstrakten mathematischen Problemen und verarbeitet keine personenbezogenen Daten.",{"category":118,"check":122,"severity":24,"summary":123},"Zielmarkt","Die Optimierungsfähigkeiten der Fähigkeit sind universell anwendbar, und es wurden keine regionalen Einschränkungen festgestellt.",{"category":91,"check":125,"severity":24,"summary":126},"Laufzeitstabilität","Die Fähigkeit arbeitet als API oder MCP-Server und stützt sich auf Standard-Webtechnologien und Node.js, was eine breite Kompatibilität gewährleistet.",{"category":44,"check":128,"severity":24,"summary":129},"README","Das README ist umfassend, gut strukturiert und erklärt die Aufgabe und Fähigkeiten der Fähigkeit klar.",{"category":33,"check":131,"severity":24,"summary":132},"Tool-Oberflächengröße","Der MCP-Toolkatalog listet 17 Tools auf, was im akzeptablen Bereich liegt und gut dokumentiert ist.",{"category":40,"check":134,"severity":24,"summary":135},"Sich überschneidende nahezu synonyme Tools","Die aufgeführten Tools haben unterschiedliche Namen und Funktionalitäten und vermeiden Redundanz.",{"category":44,"check":137,"severity":24,"summary":138},"Phantom-Funktionen","Alle beworbenen Funktionen, einschließlich spezifischer Tools und API-Endpunkte, sind implementiert und dokumentiert.",{"category":140,"check":141,"severity":24,"summary":142},"Installation","Installationsanleitung","Klare Installationsanleitungen sind für MCP-Server, REST-API und npm-SDK verfügbar, mit kopier- und einfügbaren Beispielen.",{"category":144,"check":145,"severity":24,"summary":146},"Fehler","Aktionsfähige Fehlermeldungen","Die API- und Tool-Dokumentation impliziert strukturierte Antworten, die für nicht durchführbare Probleme oder andere Schwierigkeiten zu aktionsfähigen Fehlermeldungen führen würden.",{"category":103,"check":148,"severity":24,"summary":149},"Angepinnte Abhängigkeiten","Das Projekt gibt npm-Nutzung an und hat eine Lock-Datei, was auf angepinnte Abhängigkeiten hindeutet.",{"category":33,"check":151,"severity":115,"summary":152},"Dry-Run-Vorschau","Die Fähigkeit führt deterministische Berechnungen durch und beinhaltet keine zustandsverändernden Operationen oder ausgehenden Datenübertragungen, die eine Dry-Run-Funktion erfordern würden.",{"category":154,"check":155,"severity":24,"summary":156},"Protokoll","Idempotente Wiederholungsversuche & Timeouts","Die Tools sind zustandslose Berechnungen, was sie von Natur aus idempotent macht. Die API-Dokumentation impliziert zeitnahe Antworten.",{"category":118,"check":158,"severity":24,"summary":159},"Telemetrie-Opt-in","Es wird keine Telemetrie erwähnt, und das Design der Fähigkeit deutet darauf hin, dass sie keine Benutzerdaten sammelt.",{"category":40,"check":161,"severity":24,"summary":162},"Präziser Zweck","Die `SKILL.md` definiert präzise den Zweck der Planung und Optimierung, einschließlich Artefakten und Benutzerabsichten wie Planung und Zuweisung.",{"category":40,"check":164,"severity":24,"summary":165},"Prägnantes Frontmatter","Das Frontmatter in `SKILL.md` ist prägnant, gibt die Kernfunktionalität klar an und bietet Trigger-Phrasen.",{"category":44,"check":167,"severity":24,"summary":168},"Prägnanter Textteil","Die `SKILL.md` ist prägnant, beschreibt die Kernfunktionalität detailliert und verwendet Beispiele effektiv.",{"category":170,"check":171,"severity":24,"summary":172},"Kontext","Progressive Offenlegung","Die `SKILL.md` ist prägnant, mit detaillierten Beispielen und Tool-Beschreibungen, was den Prinzipien der progressiven Offenlegung entspricht.",{"category":170,"check":174,"severity":115,"summary":175},"Gegabelte Erkundung","Diese Fähigkeit führt direkte Berechnungen durch und beinhaltet keine tiefgreifende Erkundung oder Code-Überprüfung, die `context: fork` erfordern würde.",{"category":22,"check":177,"severity":24,"summary":178},"Nutzungsbeispiele","Die `SKILL.md` und das README bieten klare, direkt verwendbare JSON-Beispiele sowohl für die Planung als auch für die benutzerdefinierte Constraint-Optimierung.",{"category":22,"check":180,"severity":24,"summary":181},"Randfälle","Die `SKILL.md` erwähnt nicht durchführbare Probleme und wie man damit umgeht, indem man Einschränkungen lockert, was einen wichtigen Randfall abdeckt.",{"category":110,"check":183,"severity":115,"summary":184},"Tool-Fallback","Die Fähigkeit stützt sich nicht auf externe MCP-Server oder Tools, die einen Fallback-Mechanismus erfordern würden.",{"category":65,"check":186,"severity":24,"summary":187},"Halt bei unerwartetem Zustand","Die deterministische Natur des Lösers und die explizite Behandlung von nicht durchführbaren Problemen deuten darauf hin, dass unerwartete Zustände den Workflow ordnungsgemäß anhalten würden.",{"category":91,"check":189,"severity":24,"summary":190},"Cross-Skill-Kopplung","Die Fähigkeit ist in sich geschlossen, konzentriert sich auf Optimierungsaufgaben und scheint nicht implizit von anderen Fähigkeiten abzuhängen.",1778699052626,"Diese Fähigkeit bietet deterministische Optimierungslösungen für KI-Agenten, die in der Lage sind, Aufgabenplanung, Budgetzuweisung und allgemeine LP/MIP-Constraint-Probleme mithilfe spezifischer Tools wie `solve_schedule` und `solve_constraints` zu lösen. Sie umfasst eine REST-API und SDKs.",[194,195,196,197,198],"Industrietaugliche Planung mit Energieabgleich","Budgetzuweisung mit benutzerdefinierten Einschränkungen","LP/MIP-Solver für Optimierungsprobleme","Deterministische und millisekundenschnelle Ergebnisse","REST-API und SDKs für breite Integration",[200,201,202],"Durchführung heuristikbasierter oder approximativer Lösungen","Ersetzung von LLM-basierter Argumentation für nicht-mathematische Aufgaben","Behandlung von Aufgaben, die nicht mathematisch optimierbar sind","3.0.0","4.4.0","KI-Agenten mathematisch präzise und deterministische Optimierungsfähigkeiten zur Verfügung zu stellen, damit diese komplexe Planungs- und Ressourcenallokationsprobleme effizient und genau lösen können.","Die Erweiterung ist sehr ausgereift, mit exzellenter Dokumentation, klarem Zweck und robuster Implementierung für komplexe Optimierungsaufgaben. Alle Prüfungen wurden mit hoher Qualität bestanden.",100,"Eine robuste und gut dokumentierte Fähigkeit zur industrietauglichen KI-Agentenplanung und Ressourcenoptimierung.",[210,211,212,213,214,215],"optimization","scheduling","linear-programming","resource-allocation","operations-research","planning","verified",[218,219,220,221],"Planung täglicher/wöchentlicher Zeitpläne, die Aufgaben an Energieniveaus anpassen","Zuweisung von Budgets über konkurrierende Prioritäten mit harten Einschränkungen","Lösen von Ressourcenallokationsproblemen mit begrenzter Kapazität","Optimierung von Personal-, Routen- oder Kapazitätsplanung",{"codeQuality":223,"collectedAt":225,"documentation":226,"maintenance":229,"security":235,"testCoverage":238},{"hasLockfile":224},true,1778699040327,{"descriptionLength":227,"readmeSize":228},182,9472,{"closedIssues90d":230,"forks":231,"hasChangelog":224,"manifestVersion":232,"openIssues90d":8,"pushedAt":233,"stars":234},44,2,"1.0.0",1777714123000,8,{"hasNpmPackage":236,"license":237,"smitheryVerified":236},false,"MIT",{"hasCi":224,"hasTests":224},{"updatedAt":240},1778699178716,{"basePath":242,"githubOwner":243,"githubRepo":244,"locale":18,"slug":13,"type":245},"mission-control/packages/clawhub-skills/oraclaw-solver","Whatsonyourmind","oraclaw","skill",null,{"evaluate":248,"extract":251},{"promptVersionExtension":203,"promptVersionScoring":204,"score":207,"tags":249,"targetMarket":250,"tier":216},[210,211,212,213,214,215],"global",{"commitSha":252},"HEAD",{"repoId":254,"translatedFrom":255},"kd76fmxm1ng903s4fmj0p7hxxs86ndkg","k179wx4phqshs3khsdvgw86k4d86mjag",{"_creationTime":257,"_id":254,"identity":258,"providers":259,"workflow":417},1778698831609.0093,{"githubOwner":243,"githubRepo":244,"sourceUrl":14},{"classify":260,"discover":393,"github":396},{"commitSha":252,"extensions":261},[262,274,282,290,298,306,314,322,330,338,346,354,362,370,376],{"basePath":263,"description":264,"displayName":265,"installMethods":266,"rationale":267,"selectedPaths":268,"source":272,"sourceLanguage":273,"type":245},"mission-control/packages/clawhub-skills/oraclaw-anomaly","Anomaly detection for AI agents. Z-score, IQR, and streaming detection. Find outliers in data instantly. Sub-millisecond response. Works on single values or full datasets.","oraclaw-anomaly",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-anomaly/SKILL.md",[269],{"path":270,"priority":271},"SKILL.md","mandatory","rule","en",{"basePath":275,"description":276,"displayName":277,"installMethods":278,"rationale":279,"selectedPaths":280,"source":272,"sourceLanguage":273,"type":245},"mission-control/packages/clawhub-skills/oraclaw-bandit","A/B testing and feature optimization for AI agents. Pick the best option automatically using Multi-Armed Bandits and Contextual Bandits (LinUCB). No data warehouse needed — works from request","oraclaw-bandit",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-bandit/SKILL.md",[281],{"path":270,"priority":271},{"basePath":283,"description":284,"displayName":285,"installMethods":286,"rationale":287,"selectedPaths":288,"source":272,"sourceLanguage":273,"type":245},"mission-control/packages/clawhub-skills/oraclaw-bayesian","Bayesian inference engine for AI agents. Update beliefs with new evidence. Prior + evidence = posterior. Multi-factor prediction with calibration tracking.","oraclaw-bayesian",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-bayesian/SKILL.md",[289],{"path":270,"priority":271},{"basePath":291,"description":292,"displayName":293,"installMethods":294,"rationale":295,"selectedPaths":296,"source":272,"sourceLanguage":273,"type":245},"mission-control/packages/clawhub-skills/oraclaw-calibrate","Prediction quality scoring for AI agents. Brier score, log score, and multi-source convergence analysis. Know if your forecasts are accurate and if your data sources agree.","oraclaw-calibrate",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-calibrate/SKILL.md",[297],{"path":270,"priority":271},{"basePath":299,"description":300,"displayName":301,"installMethods":302,"rationale":303,"selectedPaths":304,"source":272,"sourceLanguage":273,"type":245},"mission-control/packages/clawhub-skills/oraclaw-cmaes","CMA-ES continuous optimization for AI agents. State-of-the-art derivative-free optimizer. 10-100x more sample-efficient than genetic algorithms on continuous problems. Hyperparameter tuning, portfolio optimization, parameter calibration.","oraclaw-cmaes",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-cmaes/SKILL.md",[305],{"path":270,"priority":271},{"basePath":307,"description":308,"displayName":309,"installMethods":310,"rationale":311,"selectedPaths":312,"source":272,"sourceLanguage":273,"type":245},"mission-control/packages/clawhub-skills/oraclaw-decide","Decision intelligence for AI agents. Analyze options, map decision dependencies with PageRank, detect when information sources conflict, and find the choices that matter most.","oraclaw-decide",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-decide/SKILL.md",[313],{"path":270,"priority":271},{"basePath":315,"description":316,"displayName":317,"installMethods":318,"rationale":319,"selectedPaths":320,"source":272,"sourceLanguage":273,"type":245},"mission-control/packages/clawhub-skills/oraclaw-ensemble","Multi-model consensus for AI agents. Combine predictions from multiple LLMs, models, or sources into a mathematically optimal consensus. Auto-weights by historical accuracy.","oraclaw-ensemble",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-ensemble/SKILL.md",[321],{"path":270,"priority":271},{"basePath":323,"description":324,"displayName":325,"installMethods":326,"rationale":327,"selectedPaths":328,"source":272,"sourceLanguage":273,"type":245},"mission-control/packages/clawhub-skills/oraclaw-evolve","Genetic Algorithm optimizer for AI agents. Multi-objective Pareto optimization for portfolio weights, pricing, hyperparameters, marketing mix — any problem with multiple competing goals. Handles nonlinear search spaces that LP solvers cannot.","oraclaw-evolve",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-evolve/SKILL.md",[329],{"path":270,"priority":271},{"basePath":331,"description":332,"displayName":333,"installMethods":334,"rationale":335,"selectedPaths":336,"source":272,"sourceLanguage":273,"type":245},"mission-control/packages/clawhub-skills/oraclaw-forecast","Time series forecasting for AI agents. ARIMA and Holt-Winters predictions with confidence intervals. Predict revenue, traffic, prices, or any sequential data. Sub-5ms inference.","oraclaw-forecast",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-forecast/SKILL.md",[337],{"path":270,"priority":271},{"basePath":339,"description":340,"displayName":341,"installMethods":342,"rationale":343,"selectedPaths":344,"source":272,"sourceLanguage":273,"type":245},"mission-control/packages/clawhub-skills/oraclaw-graph","Network intelligence for AI agents. PageRank, community detection (Louvain), critical path, and bottleneck analysis for any graph of connected things.","oraclaw-graph",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-graph/SKILL.md",[345],{"path":270,"priority":271},{"basePath":347,"description":348,"displayName":349,"installMethods":350,"rationale":351,"selectedPaths":352,"source":272,"sourceLanguage":273,"type":245},"mission-control/packages/clawhub-skills/oraclaw-pathfind","A* pathfinding and task sequencing for AI agents. Find the optimal path through workflows, dependencies, and decision trees. K-shortest paths via Yen's algorithm. Cost/time/risk breakdown.","oraclaw-pathfind",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-pathfind/SKILL.md",[353],{"path":270,"priority":271},{"basePath":355,"description":356,"displayName":357,"installMethods":358,"rationale":359,"selectedPaths":360,"source":272,"sourceLanguage":273,"type":245},"mission-control/packages/clawhub-skills/oraclaw-risk","Risk assessment engine for AI agents. Value at Risk (VaR), CVaR, stress testing, and multi-factor risk scoring. Monte Carlo powered. Built for trading agents, lending agents, and portfolio managers.","oraclaw-risk",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-risk/SKILL.md",[361],{"path":270,"priority":271},{"basePath":363,"description":364,"displayName":365,"installMethods":366,"rationale":367,"selectedPaths":368,"source":272,"sourceLanguage":273,"type":245},"mission-control/packages/clawhub-skills/oraclaw-simulate","Monte Carlo simulation for AI agents. Run thousands of probabilistic scenarios to model risk, forecast revenue, estimate project timelines, and quantify uncertainty. Supports 6 distribution types.","oraclaw-simulate",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-simulate/SKILL.md",[369],{"path":270,"priority":271},{"basePath":242,"description":371,"displayName":13,"installMethods":372,"rationale":373,"selectedPaths":374,"source":272,"sourceLanguage":273,"type":245},"Industrial-grade scheduling and resource optimization for AI agents. Solve task scheduling with energy matching, budget allocation, and any LP/MIP constraint problem in milliseconds.",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-solver/SKILL.md",[375],{"path":270,"priority":271},{"basePath":377,"description":378,"displayName":379,"installMethods":380,"license":237,"rationale":381,"selectedPaths":382,"source":272,"sourceLanguage":273,"type":392},"mission-control/packages/mcp-server","OraClaw Decision Intelligence — 17 MCP tools for AI agents (6 premium API-key tools + 11 free). Full input/output schemas + MCP behavior annotations on every tool. Optimization (bandit/CMA-ES/genetic/LP-MIP), simulation (Monte Carlo/scenarios), prediction (ARIMA/Holt-Winters/Bayesian/ensemble), scoring (convergence/calibration), graph analytics, anomaly detection, pathfinding, scheduling.","@oraclaw/mcp-server",{"npm":379},"server.json with namespace/server name at mission-control/packages/mcp-server/server.json",[383,385,387,389],{"path":384,"priority":271},"server.json",{"path":386,"priority":271},"package.json",{"path":388,"priority":271},"README.md",{"path":390,"priority":391},"src/index.ts","low","mcp",{"sources":394},[395],"manual",{"closedIssues90d":230,"description":397,"forks":231,"homepage":398,"license":237,"openIssues90d":8,"pushedAt":233,"readmeSize":228,"stars":234,"topics":399},"Deterministic decision-intelligence MCP server for AI agents — 17 tools, 21 algorithms (LinUCB, HiGHS LP/MIP, PageRank, Monte Carlo, CMA-ES, conformal). Sub-25ms. Zero LLM cost. AAA on Glama. Field-validated in 12+ OSS projects.","https://web-olive-one-89.vercel.app",[400,401,402,403,404,405,406,392,210,407,408,409,410,411,412,212,413,414,415,416],"ai-agents","algorithms","api","bandits","decision-intelligence","fastify","machine-learning","typescript","agent-tools","anthropic","claude-mcp","contextual-bandit","deterministic-tools","llm-tools","model-context-protocol","monte-carlo","pagerank",{"classifiedAt":418,"discoverAt":419,"extractAt":420,"githubAt":420,"updatedAt":418},1778698837409,1778698831609,1778698835357,[212,214,210,215,213,211],{"evaluatedAt":423,"extractAt":424,"updatedAt":240},1778699052902,1778698837670,[],[427,457,478,510,538,567],{"_creationTime":428,"_id":429,"community":430,"display":431,"identity":437,"providers":442,"relations":451,"tags":453,"workflow":454},1778696691708.3035,"k17br1j5s86ae90zqeyd7zcg2586mkwr",{"reviewCount":8},{"description":432,"installMethods":433,"name":435,"sourceUrl":436},"Comprehensive performance analysis, bottleneck detection, and optimization recommendations for Claude Flow swarms\n",{"claudeCode":434},"ruvnet/ruflo","Performance Analysis","https://github.com/ruvnet/ruflo",{"basePath":438,"githubOwner":439,"githubRepo":440,"locale":273,"slug":441,"type":245},".claude/skills/performance-analysis","ruvnet","ruflo","performance-analysis",{"evaluate":443,"extract":450},{"promptVersionExtension":203,"promptVersionScoring":204,"score":207,"tags":444,"targetMarket":250,"tier":216},[445,446,210,447,448,449],"performance","analysis","claude-flow","bottleneck-detection","reporting",{"commitSha":252,"license":237},{"repoId":452},"kd7ed28gj8n0y3msk5dzrp05zs86nqtc",[446,448,447,210,445,449],{"evaluatedAt":455,"extractAt":456,"updatedAt":455},1778699217174,1778696691708,{"_creationTime":458,"_id":459,"community":460,"display":461,"identity":464,"providers":465,"relations":472,"tags":474,"workflow":475},1778699112432.148,"k179cjry8epfbq0h2sfwnag5p586m3zy",{"reviewCount":8},{"description":462,"installMethods":463,"name":309,"sourceUrl":14},"Entscheidungsintelligenz für KI-Agenten. Analysieren Sie Optionen, bilden Sie Entscheidungsabhängigkeiten mit PageRank ab, erkennen Sie Konflikte zwischen Informationsquellen und finden Sie die wichtigsten Entscheidungen.",{"claudeCode":12},{"basePath":307,"githubOwner":243,"githubRepo":244,"locale":18,"slug":309,"type":245},{"evaluate":466,"extract":471},{"promptVersionExtension":203,"promptVersionScoring":204,"score":207,"tags":467,"targetMarket":250,"tier":216},[468,446,210,469,470],"decision-making","graph-theory","ai-agent-tools",{"commitSha":252},{"repoId":254,"translatedFrom":473},"k17fe7ybjme5s1n10mmg3emmns86nr26",[470,446,468,469,210],{"evaluatedAt":476,"extractAt":424,"updatedAt":477},1778698934136,1778699112432,{"_creationTime":479,"_id":480,"community":481,"display":482,"identity":488,"providers":493,"relations":501,"tags":505,"workflow":506},1778694378261.7441,"k17fkkx5s0960j77wnp642y0vs86nmq7",{"reviewCount":8},{"description":483,"installMethods":484,"name":486,"sourceUrl":487},"Optimieren Sie die Konfiguration von MongoDB-Clientverbindungen (Pools, Timeouts, Muster) für jede unterstützte Treibersprache. Verwenden Sie diese Fähigkeit, wenn Sie an Funktionen arbeiten/diese aktualisieren/überprüfen, die einen MongoDB-Client instanziieren oder konfigurieren (z. B. beim Aufruf von `connect()`), Verbindungspools konfigurieren, Verbindungsprobleme beheben (ECONNREFUSED, Timeouts, Pool-Erschöpfung), Leistungsprobleme im Zusammenhang mit Verbindungen optimieren. Dies schließt Szenarien wie das Erstellen von serverlosen Funktionen mit MongoDB, das Erstellen von API-Endpunkten, die MongoDB verwenden, die Optimierung von MongoDB-Anwendungen mit hohem Datenverkehr, das Erstellen von langlaufenden Aufgaben und Nebenläufigkeit oder das Debuggen von verbindungsbezogenen Fehlern ein.",{"claudeCode":485},"mongodb/agent-skills","MongoDB Connection Optimizer","https://github.com/mongodb/agent-skills",{"basePath":489,"githubOwner":490,"githubRepo":491,"locale":18,"slug":492,"type":245},"skills/mongodb-connection","mongodb","agent-skills","mongodb-connection",{"evaluate":494,"extract":499},{"promptVersionExtension":203,"promptVersionScoring":204,"score":207,"tags":495,"targetMarket":250,"tier":216},[490,496,497,445,210,498],"database","connection","configuration",{"commitSha":252,"license":500},"Apache-2.0",{"parentExtensionId":502,"repoId":503,"translatedFrom":504},"k170hje3xzpy2mbkn00agzm38x86mkbz","kd74vahs1zbjqzqbert490xyrd86nfv5","k175wmq2n17n23xzphj2zzt3qs86n3xd",[498,497,496,490,210,445],{"evaluatedAt":507,"extractAt":508,"updatedAt":509},1778694243014,1778694149049,1778694378261,{"_creationTime":511,"_id":512,"community":513,"display":514,"identity":520,"providers":525,"relations":531,"tags":534,"workflow":535},1778692488329.0164,"k17d7dgccv6vnj9tcw0cehwnph86nryb",{"reviewCount":8},{"description":515,"installMethods":516,"name":518,"sourceUrl":519},"Analyze which rules are actively used vs inert. Detect coverage gaps. Recommend pruning to reduce token consumption.",{"claudeCode":517},"luiseiman/claude-kit","Rule Effectiveness Analysis","https://github.com/luiseiman/claude-kit",{"basePath":521,"githubOwner":522,"githubRepo":523,"locale":273,"slug":524,"type":245},"skills/rule-effectiveness","luiseiman","claude-kit","rule-effectiveness",{"evaluate":526,"extract":530},{"promptVersionExtension":203,"promptVersionScoring":204,"score":207,"tags":527,"targetMarket":250,"tier":216},[528,498,446,210,529],"claude-code","git",{"commitSha":252,"license":237},{"parentExtensionId":532,"repoId":533},"k17650xadq8363kzchr4w0gmf186nq24","kd79wqc8an5wh20cc2znr8tyb586mxwx",[446,528,498,529,210],{"evaluatedAt":536,"extractAt":537,"updatedAt":536},1778693275143,1778692488329,{"_creationTime":539,"_id":540,"community":541,"display":542,"identity":548,"providers":552,"relations":559,"tags":562,"workflow":563},1778692977267.6055,"k179k7z50tqxrc79qybwscv7vn86n079",{"reviewCount":8},{"description":543,"installMethods":544,"name":546,"sourceUrl":547},"Automatisiert die Analyse, Bewertung, das Design und die Optimierung von Zielprojekten. Integriert VibeGuard als Baseline-Scan, der Korrekturprozess hält sich an die VibeGuard-Spezifikationen und eine Compliance-Prüfung wird am Ende durchgeführt. Unterstützt die autonome Ausführung des auto-run-agent.",{"claudeCode":545},"majiayu000/vibeguard","auto-optimize","https://github.com/majiayu000/vibeguard",{"basePath":549,"githubOwner":550,"githubRepo":551,"locale":18,"slug":546,"type":245},"workflows/auto-optimize","majiayu000","vibeguard",{"evaluate":553,"extract":558},{"promptVersionExtension":203,"promptVersionScoring":204,"score":207,"tags":554,"targetMarket":250,"tier":216},[555,210,551,556,557],"code-analysis","automation","developer-tools",{"commitSha":252},{"repoId":560,"translatedFrom":561},"kd7b0vh258xpbyerk68bk3e1ks86mk58","k170rpk64k5rypx65jra7hetvx86nt23",[556,555,557,210,551],{"evaluatedAt":564,"extractAt":565,"updatedAt":566},1778692790049,1778692607327,1778692977267,{"_creationTime":568,"_id":569,"community":570,"display":571,"identity":577,"providers":581,"relations":589,"tags":592,"workflow":593},1778691497595.9666,"k170aa7za6n5wvxtwx7xj8dc9d86mx9e",{"reviewCount":8},{"description":572,"installMethods":573,"name":575,"sourceUrl":576},"Compresses images to WebP (default) or PNG with automatic tool selection. Use when user asks to \"compress image\", \"optimize image\", \"convert to webp\", or reduce image file size.",{"claudeCode":574},"jimliu/baoyu-skills","baoyu-compress-image","https://github.com/jimliu/baoyu-skills",{"basePath":578,"githubOwner":579,"githubRepo":580,"locale":273,"slug":575,"type":245},"skills/baoyu-compress-image","jimliu","baoyu-skills",{"evaluate":582,"extract":588},{"promptVersionExtension":203,"promptVersionScoring":204,"score":207,"tags":583,"targetMarket":250,"tier":216},[584,585,586,587,210],"image","compression","webp","png",{"commitSha":252},{"parentExtensionId":590,"repoId":591},"k172q4hxm2acmg5ree5aeemx1x86m6hx","kd718jn448p61w289hzf15tecd86n3a4",[585,584,210,587,586],{"evaluatedAt":594,"extractAt":595,"updatedAt":594},1778691619519,1778691497596]