Que fait marktwin ?
Notes Markdown collaboratives pair-à-pair, privées et basées sur GitHub. Pas de base de données côté serveur.
Notes Markdown collaboratives pair-à-pair, privées et basées sur GitHub. Pas de base de données côté serveur.
OptimAI-labs/marktwin est un outil de prise de notes collaboratives en Markdown qui fonctionne en pair-à-pair (P2P), garantissant la confidentialité des données en évitant tout stockage centralisé sur un serveur. Au lieu d'une base de données traditionnelle, il utilise GitHub comme back-end de synchronisation, ce qui signifie que vos notes sont stockées dans des dépôts GitHub et accessibles via l'API GitHub. Ce skill est particulièrement utile pour les développeurs, les équipes techniques et les utilisateurs soucieux de la confidentialité qui souhaitent collaborer sur des documents Markdown en temps réel ou en asynchrone, sans dépendre d'un service tiers pour l'hébergement. Il prend en charge des environnements comme Claude Code, Cursor, Codex, et tout terminal prenant en charge les agents IA. Le fonctionnement est simple : chaque modification de note est enregistrée sous forme de commit dans le dépôt GitHub associé, et la synchronisation entre les participants se fait via des notifications push/pull. Ainsi, les données restent entièrement sous le contrôle de l'utilisateur, avec les avantages de versioning, de révision et de traçabilité offerts par Git.
npx skills add OptimAI-labs/marktwinInstalled? Explore more Recherche et analyse de données skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
Notes Markdown collaboratives pair-à-pair, privées et basées sur GitHub. Pas de base de données côté serveur.
USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.
Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.
Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.
The agent harness performance optimization system. Skills, instincts, memory, security, and research-first development for Claude Code, Codex, Opencode, Cursor and beyond.
Agent skill repository discovered by 10x-chat research.
Review backend code for quality, security, maintainability, and best practices based on established checklist rules. Use when the user requests a review, analysis, or improvement of backend files (e.g., `.py`) under the `api/` directory. Do NOT use for frontend files (e.g., `.tsx`, `.ts`, `.js`). Supports pending-change review, code snippets review, and file-focused review.