c-network
Über
Die c-network-Skill bietet moderne CLI-Tools für Netzwerk-Debugging und API-Tests, darunter doggo für DNS-Lookups und httpie für menschenlesbare HTTP-Anfragen. Sie ermöglicht DNS-Abfragen mit verschiedenen Record-Typen und Nameservern sowie intuitive HTTP-Interaktionen mit JSON-Unterstützung und Dateiübertragungen. Nutzen Sie diese Skill, wenn Sie Netzwerkprobleme beheben oder APIs direkt von Ihrem Terminal aus testen müssen – mit übersichtlicherer Ausgabe als bei traditionellen Tools.
Schnellinstallation
Claude Code
Empfohlennpx skills add daxaur/openpaw -a claude-code/plugin add https://github.com/daxaur/openpawgit clone https://github.com/daxaur/openpaw.git ~/.claude/skills/c-networkKopieren Sie diesen Befehl und fügen Sie ihn in Claude Code ein, um diese Fähigkeit zu installieren
Dokumentation
Networking
doggo (DNS client)
# Basic DNS lookup
doggo example.com
# Specific record type
doggo example.com MX
doggo example.com AAAA
doggo example.com TXT
doggo example.com NS
doggo example.com CNAME
# Use specific nameserver
doggo example.com --nameserver 1.1.1.1
doggo example.com --nameserver 8.8.8.8
# DNS over HTTPS
doggo example.com --class IN --type A --nameserver https://cloudflare-dns.com/dns-query
# JSON output
doggo example.com --json
httpie (HTTP client)
Human-friendly alternative to curl:
# GET request
http GET api.example.com/users
# POST with JSON body
http POST api.example.com/users name=John email=john@example.com
# Headers
http GET api.example.com Authorization:"Bearer token123"
# Download file
http --download https://example.com/file.zip
# Form upload
http --form POST api.example.com file@photo.jpg
# With auth
http -a user:password GET api.example.com/protected
# Follow redirects
http --follow GET example.com
# Show only response headers
http --headers GET example.com
# Verbose (show request + response)
http --verbose GET example.com
Guidelines
- Use
doggofor DNS debugging instead ofdigornslookup - Use
http(httpie) for API testing instead of curl — output is colorized and formatted - For POST requests, httpie auto-detects JSON vs form data
key=valuesends as JSON string,key:=123sends as JSON number
GitHub Repository
Häufig gestellte Fragen
Was ist der Skill c-network?
c-network ist ein Claude Skill von daxaur. Skills bündeln Anweisungen und Ressourcen, die Claude bei Bedarf lädt, um Aufgaben rund um c-network ohne zusätzliche Eingaben auszuführen.
Wie installiere ich c-network?
Verwende die Installationsbefehle auf dieser Seite: Füge c-network als Plugin zu Claude Code hinzu oder klone das Repository in dein Skills-Verzeichnis. Starte Claude danach neu, damit der Skill geladen wird.
Zu welcher Kategorie gehört c-network?
c-network gehört zur Kategorie Andere.
Kann ich c-network kostenlos nutzen?
Ja. c-network ist auf AIMCP gelistet und kann kostenlos installiert werden.
Verwandte Skills
LlamaGuard ist Metas 7-8B-Parameter-Modell zur Moderation von LLM-Eingaben und -Ausgaben in sechs Sicherheitskategorien wie Gewalt und Hassrede. Es bietet eine Genauigkeit von 94-95 % und kann mit vLLM, Hugging Face oder Amazon SageMaker eingesetzt werden. Nutzen Sie diese Skill, um Inhaltsfilterung und Sicherheitsguardrails einfach in Ihre KI-Anwendungen zu integrieren.
Diese Claude Skill unterstützt Entwickler bei der Optimierung von Cloud-Kosten durch Ressourcen-Dimensionierung, Tagging-Strategien und Ausgabenanalysen. Sie bietet einen Rahmen zur Senkung von Cloud-Ausgaben und zur Implementierung von Kosten-Governance für AWS, Azure und GCP. Nutzen Sie sie, wenn Sie Infrastrukturkosten analysieren, Ressourcen richtig dimensionieren oder Budgetvorgaben einhalten müssen.
Diese Claude Skill analysiert Sportwettenmärkte inklusive Handicaps, Over/Unders und Spezialwetten, indem sie historische Trends und situative Statistiken untersucht, um Wertwetten zu identifizieren. Sie liefert strukturierte Markdown-Ausgaben mit umsetzbaren Empfehlungen zu Bildungszwecken. Entwickler sollten dies für Sportwetten-Analysetools nutzen, wobei zu beachten ist, dass es nur zur Unterhaltung/Bildung konzipiert wurde.
Diese Fähigkeit quantisiert LLMs auf 8-Bit- oder 4-Bit-Präzision mittels bitsandbytes und erreicht dabei eine Speicherreduzierung von 50–75 % bei minimalem Genauigkeitsverlust. Sie ist ideal für den Betrieb größerer Modelle mit begrenztem GPU-Speicher oder zur Beschleunigung von Inferenzvorgängen und unterstützt Formate wie INT8, NF4 und FP4. Die Fähigkeit integriert sich in HuggingFace Transformers und ermöglicht QLoRA-Training sowie 8-Bit-Optimierer.