grilling
grilling 是 wso2/labs-agentic-engineer 中的访谈机制技能，用于在生成内容前向用户结构化提问、澄清需求。它规定 ask_questions 与 ask_question 两种提问工具、选项写法、推荐项标记，以及收敛、跳过和无头模式下的结束规则。
Skill 广场
找到适合任务的 Agent Skill，阅读介绍并复制安装命令。
更新于 11-14 00:15
智能体与模型
26,318 个结果
organization
WSO2 labs-agentic-engineer 中的 organization 技能，用于在需求访谈和设计阶段提供组织已确定的技术与政策决策，避免重复询问用户。
jev-setup
jev-setup 是一个由用户自己的编码智能体执行的 Jev 配置技能，用于在 OpenRouter、官方 TypeSafe API 或经明确批准的当前智能体/DeepSeek 模拟之间选择并完成设置，处理环境检查、安装与命令，不代替用户创建账号或消费。
skill0
skill0 是 x-cmd 技能体系中的根索引，用于整合 skill0 子技能，并定义 OKR 式智能体工作流：先确定目标，再依据规则验证结果，最后执行。它强调编码约定与来源指针，而非存储数据，并提供技能发现与智能体工具相关说明。
calling-llms
calling-llms 是一个用于通过 liter-llm 发送聊天补全（chat completions）请求的技能插件。它围绕 liter-llm 客户端展开：先用 create_client(...) 创建客户端，再构建 ChatCompletionRequest，最后用 client.chat(request) 发起调用。核心特点是按 `provider/model` 前缀进行供应商路由——模型字符串的前缀决定请求被发往哪个后端，例如 openai/gpt-4o 路由到 OpenAI、anthropic/claude-sonnet-4-20250514 路由到 Anthropic 等。也可以在创建客户端时通过 model_hint 预设供应商，从而使后续请求的 model 字段省略前缀。该技能覆盖聊天调用的请求结构、供应商路由方式、环境变量密钥管理以及错误处理，其中错误以 liter_llm 导出的类型化异常呈现，均继承自 LiterLlmError。适合需要在多种 LLM 供应商之间统一切换、按前缀动态路由的 Python 异步调用场景。
chunking-for-llms
面向 LLM 上下文窗口的语法感知代码分块工具。使用 ts-pack 按语法边界（完整函数、类、代码块）切分源码，避免在语法结构中间截断，分块结果输出到 process JSON 的 chunks 数组。
liter-llm
liter-llm 是统一的 LLM API 客户端，Rust 内核并提供 Python、TypeScript/Node.js、Go、Java、C#、Ruby、PHP、Elixir、WebAssembly、C 等原生绑定，通过同一接口访问 143 家提供商，支持代理与 MCP 服务端。
running-the-proxy
liter-llm api 是一个兼容 OpenAI 接口的网关工具，可将请求路由到多个提供商。它支持虚拟密钥、按密钥限速、预算与成本追踪，以及模型路由，适合多租户统一调用不同大模型。
using-the-mcp-server
该技能用于在 MCP 兼容客户端中直接调用 html-to-markdown MCP 服务器，把 HTML 转换为 Markdown、Djot 或纯文本，并提取结构化元数据。
chunking-for-llms
面向 LLM 上下文的语法感知代码分块工具，基于 tree-sitter-language-pack 的 ts-pack，按语法边界（完整函数、类、块）切分源码，避免在构造中途截断，并把分块写入 process 输出的 chunks 数组。
handoff
Handoff 是一个用于编写交接文档的技能：把当前对话压缩成一份交接文档，让新的智能体无需重新推导即可接手工作。文档写入 docx/handoffs/<slug>.md，以工作内容而非日期命名，便于下一智能体按主题查找。内容涵盖目标、状态、已做决策及理由、待解问题、建议调用的技能。规则要求不重复规格、计划、ADR、议题、提交、差异等已有记录中的内容，改为按路径、SHA 或 URL 引用；必须隐去密钥与个人信息，只指向凭据位置而不写值；声称前须验证，未在本会话运行测试时须写明最后观察结果与时间；若传入参数，则将其作为下一会话焦点来组织文档。
wayfinder
Wayfinder 是一个面向大型、模糊工程任务的“寻路”技能：当一项工作超出单个智能体会话的容量、且从起点到终点的路线尚不清晰时，它不急于直接动手，而是先维护一张由“决策票据”（问题）组成的地图，逐个会话解决决策，直到没有待决问题再交接给规划或实现技能。适用于不知道从何下手的巨大任务、跨多会话的迁移或重构，以及需要续接既有路线图的场景。
shijian-lun
《实践论》是一个面向 AI Agent 的思维方法论技能，围绕认识与实践的统一关系，帮助 Agent 通过行动验证理解、在计划与执行之间迭代，并将理论认识落实到具体操作。该技能以“实践、认识、再实践、再认识”的螺旋循环为核心规程，强调实践是检验真理的唯一标准，任何方案、假说、计划未经实践检验都只是未定稿。它提供十六字加工法（去粗取精、去伪存真、由此及彼、由表及里）作为从感性材料上升到理性认识的加工步骤，并指出教条主义与经验主义两种典型错误。技能还包含四步操作规程和常见错误速查表，用于诊断方案未经执行就声称完成、执行后不回顾、照搬旧方案、数据多而无结论、一次失败就全盘否定等问题。当 Agent 需要通过行动验证理解、在计划与执行之间迭代，或将理论认识落实到具体操作时调用。
brainstorming
该技能定义了一套“苏格拉底式提问协议”与用户沟通规范，用于处理复杂、模糊或新功能类请求。它要求在接受实现前，先通过结构化提问澄清目的、用户与范围，并禁止使用静态模板，要求按决策点动态生成问题。技能还包含进度汇报、错误处理和完成消息的原则，强调透明、具体、给出选项与下一步建议。核心是阻止在需求不清时直接编写代码，减少因假设错误导致的返工。
chrome-mcp-remote
通过手动启动带远程调试的 Chrome 来运行 Chrome DevTools MCP，避开 macOS 沙箱与权限问题以及 user-data-dir 锁冲突，适用于升级 macOS 后 Chrome MCP 不稳定或需要可靠连接的场景。
autogpt-agents
AutoGPT 是一个用于构建、部署和管理持续运行 AI 智能体的自主智能体平台。它提供可视化拖拽式工作流编辑器，让用户通过节点和区块搭建智能体，并支持手动、Webhook 和定时等外部触发方式持续执行。平台包含区块系统（LLM、工具、集成等模块化组件）、可共享复用智能体和区块的市场、面向开发者的 Forge 工具包以及标准化性能测试的 Benchmark 系统。用户可通过 Docker 快速部署，前端访问 localhost:3000，后端 API 位于 localhost:8006。适合需要无代码/低代码构建多步骤自动化流水线、事件驱动智能体或持续运行自主智能体的场景。若需要更精细控制智能体逻辑、基于角色的多智能体协作或简单托管部署，可考虑 LangChain/LlamaIndex、CrewAI、OpenAI Assistants 等替代方案。
autoresearch
Autoresearch 是一个面向 AI 编程智能体的自主研究编排技能，用于端到端管理完整研究生命周期，从文献调研到论文撰写。它采用双循环架构：内循环快速迭代实验并测量指标，外循环定期回顾结果、发现模式、更新认知并生成新假设。该技能将智能体定位为研究项目经理而非领域专家，负责编排流程，具体执行交由各领域技能完成。它强调全自主运行，不向用户请求许可，通过 HTML/PDF 研究演示定期向人类展示进展。工作区包含 research-state.yaml、research-log.md、findings.md、literature/、src/、data/、experiments/、to_human/ 和 paper/ 等结构。技能要求首先设置智能体连续性循环（Claude Code 使用 /loop 20m，OpenClaw 使用 20 分钟 cron 任务），否则研究会在一个周期后停止。
awq-quantization
AWQ（Activation-aware Weight Quantization，激活感知权重量化）是一种面向大语言模型的 4 比特权重量化方法，通过依据激活模式保护约 1% 的关键权重，在精度损失较小的情况下实现约 2.5-3 倍推理加速。适用于在显存受限的 GPU 上部署 7B-70B 规模模型，尤其适合指令微调或对话模型的生产推理场景。资料显示其精度损失通常低于 5%，显存占用可降低约 2.5-4 倍。可通过 autoawq 库进行量化与加载，并支持 vLLM、HuggingFace Transformers 等集成。需注意 AutoAWQ 已被官方标记为弃用，新项目可考虑 vLLM llm-compressor 或 MLX-LM。
axolotl
Axolotl 是一个用于微调大语言模型（LLM）的工具，本技能基于其官方文档生成，提供使用 Axolotl 进行模型微调的综合指导。内容涵盖 YAML 配置、100 多个模型支持、LoRA/QLoRA 等参数高效微调方法，以及 DPO/KTO/ORPO/GRPO 等对齐训练方式，并支持多模态。技能在涉及 Axolotl 的开发、功能或 API 咨询、方案实现、代码调试和学习最佳实践时触发。文档包含快速参考模式（如 NCCL 测试、FSDP 配置、上下文并行、压缩保存、长序列处理等）、Python 代码示例，以及 api、dataset-formats 等参考文件，帮助用户按需查阅详细资料。
blip-2-vision-language
BLIP-2 是 Salesforce 提出的视觉-语言预训练框架，通过轻量级 Q-Former 连接冻结的图像编码器与冻结的大语言模型，实现图像描述、视觉问答、图文匹配与检索等任务。其核心思路是只训练约 1.88 亿参数的 Q-Former，无需微调大型视觉或语言模型，即可获得较强的零样本能力。支持 OPT（2.7B、6.7B）与 FlanT5（XL、XXL）等多种 LLM 后端，可通过 HuggingFace Transformers 或 Salesforce 官方 LAVIS 库调用。适合需要高质量图像描述、VQA 系统、零样本图文理解、多模态对话以及图文检索的场景。
clip
CLIP（Contrastive Language-Image Pre-Training）是 OpenAI 提出的连接视觉与语言的模型，通过自然语言理解图像。它支持零样本图像分类（无需训练数据）、图文相似度匹配、语义图像搜索、内容审核（检测 NSFW、暴力内容）、视觉问答以及跨模态检索（图→文、文→图）。模型基于 4 亿对图文数据训练，在 ImageNet 零样本任务上可媲美 ResNet-50，采用 MIT 许可证，GitHub 星标超过 25,300。使用时可通过 pip 安装，加载 ViT-B/32 等模型，对图像和文本编码后计算余弦相似度即可完成分类、检索等任务。适合需要快速进行图像语义理解、以文搜图或内容过滤的场景，但不擅长细粒度任务、空间位置与计数，且可能带有网络数据偏见。
constitutional-ai
Constitutional AI（宪法式 AI，简称 CAI）是 Anthropic 提出的一种通过自我改进训练无害 AI 的方法。其核心思想是让模型依据一套“宪法”（原则集合）对自身回答进行自我批评与修订，从而在无需人工标注有害输出的情况下实现安全对齐。该方法分为两个阶段：第一阶段为监督学习（SL），模型生成初始回答后依据宪法进行自我批评并修订，再用修订后的回答进行微调；第二阶段为强化学习（RL），采用 RLAIF（基于 AI 反馈的强化学习），由 AI 对多个回答进行偏好评估，训练奖励模型，再通过 PPO 进行强化学习。资料还介绍了思维链批评、宪法设计、RLAIF 与 RLHF 对比等进阶主题，以及硬件需求（推荐 NVIDIA A100/H100，7B 模型 SL 阶段需 1×A100 40GB，RL 阶段需 2×A100 40GB）。
crewai-multi-agent
CrewAI 是一个用于构建自主 AI 多智能体协作团队的开源框架。它通过角色扮演的方式，让多个具有特定角色、目标和背景故事的智能体协同完成复杂任务。框架提供顺序和层级两种流程，内置 50+ 工具（网页抓取、搜索、数据库等），支持短期、长期和实体记忆，并具备追踪等生产级特性。CrewAI 独立于 LangChain，安装和使用相对简单，适合需要多智能体协作、角色化任务分派或事件驱动工作流的场景。
deepspeed
DeepSpeed 是面向大规模分布式深度学习的训练优化工具与技能，提供 ZeRO 优化阶段、流水线并行、FP16/BF16/FP8 混合精度、1-bit Adam、稀疏注意力等能力，并配套 DeepNVMe 高性能 I/O（async_io/GDS 句柄、同步与异步读写、并行 I/O、固定内存张量）以及 Mixture of Experts（MoE）训练指导。该技能基于官方文档生成，用于在涉及 DeepSpeed 的开发、API 咨询、方案实现、代码调试与最佳实践学习中提供参考。