docs(registry): seed 10 examples + 5 skills (LI SDD M3.1 + M3.3)

對應 .agents/specs/llm-interface/ Milestone 3.1 + 3.3。

registry/examples/ — 10 個可直接 push 的 workflow 範本：
  starter:    webhook-to-http
  common:     cron-watcher, llm-classify, rag-search-answer, daily-digest
  external:   email-summary (gmail+claude+telegram), pdf-to-blocks,
              github-issue-bot
  advanced:   parallel-fanout (trigger_workflow fan-out),
              error-retry (try_catch+wait pattern)

  每個含：workflow.yaml（可直接 push）+ description.md（解決什麼問題 /
  改成你自己的 / 學到什麼）+ tags.json（搜尋用）

registry/skills/ — 5 個 AI playbook（markdown）：
  build_watcher_workflow            — cron + filter + trigger 模式
  debug_paused_workflow             — claude_api callback paused 怎麼追
  migrate_http_to_trigger_workflow  — 從 self-fetch 換 trigger_workflow
  rag_with_arcrun                   — KBDB + claude_api 組裝 RAG
  add_new_wasm_component            — TinyGo 寫 + 部署全流程

兩者差異：
  examples = 可直接拿來改的 YAML
  skills = 面對 X 問題該怎麼想 + 該用哪個 example

兩者後續：CI 自動同步進 KBDB（type=workflow-example / type=agent-skill），
MCP arcrun_search_examples / arcrun_list_skills 走 KBDB semantic search。
（CI sync 是 M3.4 工作）

Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>

registry/examples/github-issue-bot/description.md

@@ -0,0 +1,33 @@
+# github-issue-bot
+
+## 解決什麼問題
+開源專案維護苦：每天好幾個 issue 進來，要先看 → 分流 → 引導用戶補資訊。
+這個 bot 自動做第一輪：分類 / 評估嚴重度 / 留有意義的 comment / 加 label。
+
+## 前置
+1. 在 GitHub repo settings → Webhooks → 加 webhook：
+   - URL: `https://cypher.arcrun.dev/webhooks/named/github_issue_bot/trigger`
+   - Content type: `application/json`
+   - Events: `Issues (opened)`
+   - 加 secret header `X-Arcrun-API-Key: ak_xxx`
+2. 設 credential `GITHUB_BOT_TOKEN`（一支 PAT 或 GitHub App token）
+
+## 預期結果
+新 issue 開出來 30 秒後，bot 就 comment + 加標籤了。
+
+## 改成你自己的
+- prompt 改為你的專案 conventions（用詞、語氣）
+- severity / category enum 改為你的分類
+- 加 conditional：critical 自動 telegram 通知 maintainer
+- 加 KBDB 存歷史 issue + claude 分析 → 用 RAG 找重複 issue
+- 加 `if_control`：若 issue body 有 `traceback` 自動 reproduce
+
+## 為什麼這 pattern 重要
+- LLM 做「結構化判斷」比寫 if-else 強：能讀人類自然語言、抓上下文、判斷模糊邊界
+- GitHub webhook → workflow 是最常見「外部 event → 處理」場景，所有 SaaS webhook 都類似
+
+## 學到什麼
+- 多步串聯（analyze → comment → label）每步都有 next，ON_SUCCESS 串
+- `{{analyze.X}}` 從 claude_api JSON 自動展開到下游
+- 同一個 API（GitHub）多次 call 共享 `Authorization` header
+- 嚴重度 / 類別這類 LLM 判斷，用 enum + required_fields 確保結構穩定