SuperAPI AI 工具集找到适合任务的 Agent Skill，阅读介绍并复制安装命令。
更新于 11-14 00:15
26,319 个结果
Using Agent Skills 是 addyosmani/agent-skills 集合中的一个元技能（meta-skill），用于发现并调用合适的智能体技能。它按开发阶段组织工程工作流技能，每个技能编码了资深工程师遵循的具体流程。当开始一个会话，或需要判断当前工作应适用哪个技能或工作流时使用。该技能提供技能发现决策树、跨所有技能的核心操作行为（如显式声明假设、主动管理困惑、必要时提出反对、强制简洁、保持范围纪律、验证而非假设）、需要避免的失败模式、技能规则以及完整功能开发的典型生命周期序列。
Agent Architecture Audit 是一个面向智能体（Agent）与 LLM 应用的全栈诊断工作流，用于排查被包装层、陈旧记忆、重试循环或传输/渲染变更所掩盖的故障。它按 12 层智能体栈逐层审计，覆盖系统提示、会话历史、长期记忆、蒸馏、主动召回、工具选择、工具执行、工具解读、答案塑形、平台渲染、隐藏修复循环与持久化。适用于发布智能体或 LLM 应用前、上线工具调用/记忆/多步工作流功能时，以及出现“模型在 playground 正常但包装后失效”“智能体越用越差”“工具不稳定”等场景。该技能提供范围界定、证据收集（含 rg 搜索反模式）、故障映射、修复策略、严重度模型、输出格式与结构化报告 Schema，并强调代码优先而非提示词优先的修复顺序。
这是一个面向 AI 智能体的结构化自我调试工作流技能，用于处理智能体运行失败的情况。当智能体反复失败、消耗大量 token 却无进展、在同一工具上循环调用，或偏离既定任务时启用。它通过四个阶段——失败捕获、根因诊断、受控恢复和自省报告——教会智能体在升级给人类之前系统性地调试自身。该技能是一个工作流指导，而非隐藏的运行时，强调先精确记录失败状态，再匹配已知失败模式进行诊断，然后采取最小且可逆的恢复动作，最后输出结构化的人类可读调试报告。
Agent Payment Execution（x402）是一个面向 AI 智能体的支付执行技能，基于 x402 HTTP 支付协议与 MCP 工具，让智能体在受策略约束的前提下为外部服务、API 或其他智能体付费。它通过 SpendingPolicy 强制执行每任务预算、每会话预算、收款方白名单和速率限制，并使用 ERC-4337 智能账户实现非托管钱包，智能体自行持有密钥，不涉及资金池与托管风险。技能提供三条集成路径：通过 agentwallet-sdk 作为 MCP 支付服务器在 Base 等链上支付；使用 OKX Agent Payments Protocol 处理 X Layer 上的 x402、MPP、会话支付等流程；或使用上游 @x402/fetch、@x402/axios 等包包装智能体自身 HTTP 客户端，支持 Solana 与 EVM 多网络。上游包默认使用仅限测试网的 x402.org facilitator，主网需自行搭建或选择托管 facilitator。该技能会管理私钥，因此必须锁定包版本，并在编排层而非智能体侧设置支付策略。
Agent Self-Evaluation 是一个供智能体在完成非平凡任务后使用的自我评估技能。它让智能体暂停下来，用一套结构化的五轴评分表（准确性、完整性、清晰度、可操作性、简洁性）为自己的输出打分。它不是通过/失败的关卡，而是一个刻意的反思步骤，用来在用户发现之前捕捉遗漏、标记过度自信，并暴露可改进之处。触发时机包括：编写跨越 3 个以上文件或 50 行以上的代码后、完成多步骤工作流后、经历 3 次以上尝试的调试会话后、产出设计文档或书面分析后，以及用户询问“刚才做得怎么样”时。每个低于 5 分的评分都必须引用具体证据，并给出改进方向。
Agent Sort 是一个用于为特定代码仓库构建 ECC 安装方案的技能。它通过检查仓库实际代码证据，将技能、命令、规则、钩子和附加组件分类为 DAILY（每次会话默认加载）与 LIBRARY（保留可搜索但不默认加载）两个桶，从而生成项目专属的 ECC 安装面，避免默认全量安装带来的噪音。该技能强调以当前仓库为唯一事实来源，每个 DAILY 决策都必须引用具体仓库证据，LIBRARY 不代表删除而是保持可访问。输出包括 DAILY 清单、LIBRARY 清单、安装计划和验证报告，可选生成技能库路由。
Agentic OS 是一套在 Claude Code 上构建持久化多智能体操作系统的技能方案。它把 Claude Code 当作长期运行的运行时而非一次性聊天会话，通过四层架构组织项目：内核（CLAUDE.md）负责身份、路由规则与智能体注册表；agents/ 目录存放各专业智能体的 markdown 定义；.claude/commands/ 提供面向用户的斜杠命令；scripts/ 承载由 cron 或 webhook 触发的守护脚本；data/ 目录以 JSON 和 markdown 文件作为状态存储，不依赖外部数据库。该技能覆盖内核架构、专业智能体、斜杠命令、基于文件的持久记忆、定时自动化以及 JSON/markdown 数据层，适合在 Claude Code 内搭建多智能体工作流、构建跨会话存活的持久自动化、创建个人 OS 或智能体 OS，以及需要上下文跨会话延续的长期项目。
autonomous-loops 是面向 Claude Code 自主循环的模式与架构集合，涵盖从简单顺序管道到 RFC 驱动的多智能体 DAG 编排。v1.8.0 起该技能仅保留一个版本，规范名称已改为 continuous-agent-loop。
Claude DevFleet 是一个多智能体编码编排技能，用于通过 Claude DevFleet 并行调度多个 Claude Code 智能体处理编码任务。每个智能体在独立的 git worktree 中运行，具备完整工具链。该技能支持将项目描述自动拆解为带依赖关系的任务 DAG，按依赖顺序自动派发与合并，并提供进度监控和结构化报告（变更文件、已完成内容、错误、后续步骤）。DevFleet 服务器为独立项目，需先从指定仓库安装运行，再通过 MCP 连接。默认最多 3 个并发智能体，可通过 DEVFLEET_MAX_AGENTS 配置。
Continuous Agent Loop 是 affaan-m/ecc 中的一个技能（skill），用于构建持续运行的自主智能体循环（autonomous agent loop），并为其加入质量门禁（quality gates）、评估（evals）与恢复控制（recovery controls）。该技能由 autonomous-loops 更名而来，属于 v1.8+ 的规范循环技能名称，在一个发布周期内保持对旧名称的兼容。资料给出的循环选择流程为：需要严格的 CI/PR 控制选择 continuous-pr；需要 RFC 分解选择 rfc-dag；需要探索式并行生成选择 infinite；默认情况下选择 sequential。资料还推荐了一套生产组合模式，包括 RFC 分解（ralphinho-rfc-pipeline）、质量门禁（plankton-code-quality 配合 /quality-gate）、评估循环（eval-harness）以及会话持久化（nanoclaw-repl）。技能同时列出了常见失败模式，如循环空转而无量化进展、同一根因反复重试、合并队列停滞、成本因无界升级而漂移，并给出恢复步骤：冻结循环、运行 /harness-audit、将范围缩小到失败的单元、以明确的验收标准重放。该技能的具体安装命令、价格、平台支持等信息暂未提供。
Cost-Aware LLM Pipeline 是一套用于控制 LLM API 成本的模式集合，将模型路由、预算追踪、重试逻辑与提示缓存组合成可复用的流水线。它根据任务复杂度自动在便宜模型与昂贵模型之间选择，用不可变数据结构累计花费并在超预算时提前失败，仅对瞬时错误进行重试，并缓存较长的系统提示以减少重复发送。适用于调用 Claude、GPT 等 LLM API 的应用、批量处理流水线以及需要预算护栏的生产系统。
Council 是一个用于在模糊决策、权衡取舍和 go/no-go 判断场景下召集“四声部议事会”的技能。它由四个视角组成：上下文中的 Claude 主声（Architect）、以及三个独立子代理——Skeptic（怀疑者）、Pragmatist（务实者）和 Critic（批评者）。适用于存在多条可行路径且没有明显最优解、需要显式呈现权衡、用户要求第二意见或异议、存在对话锚定风险、或 go/no-go 判断需要对抗性挑战的情况。它不用于代码审查、实现规划或架构设计。核心机制是让三个外部声音作为全新子代理启动，只接收问题与必要上下文，而非完整对话历史，以此实现反锚定。
council-multi-model 是 council 工作流的一个可选扩展技能，用于在 council 已产出决策草稿后，额外引入一次外部 Codex 评审。它不增加独立提案、投票、自动裁决或新的决策权，最终仍由用户决定。适用条件：council 已产出原始分歧与综合草稿、决策后果重大、且用户明确同意将评审包发送给 OpenAI。该技能会构建最小评审包，要求 Codex 指出结论缺陷、遗漏的失败模式、是否压制了最强反对意见以及是否愿意签署，并逐字呈现评审结果。适配器使用已安装的 codex CLI，在临时空目录中运行，忽略用户配置与项目规则，仅接受经测试的 Codex CLI 0.146.0 边界，禁用 shell、文件执行、浏览器、插件、多智能体、图像、工作区依赖、网络搜索与继承的 MCP 服务器等工具，限制提示大小并设置超时，调用后删除临时目录。若 CLI 缺失、认证失败、超时或无最终文本，则记录“external review absent”及具体原因并继续正常 council 结果。不适用于普通事实问题、实现规划或代码审查，也不应在未经明确批准时发送专有、受监管、含凭据或个人材料。
dmux-workflows 是一套用于编排并行 AI 智能体会话的工作流模式，基于 dmux——一个面向 AI 智能体运行环境的 tmux 窗格管理器。它适用于需要在 Claude Code、Codex、OpenCode、Cline、Gemini、Qwen 等不同智能体框架之间协调工作的场景。使用者可通过按 n 创建带提示词的新窗格、按 m 将窗格输出合并回主会话，实现“研究+实现”“多文件功能”“测试+修复循环”“跨框架协作”“代码评审流水线”等并行分工模式。文档给出快速上手命令、最佳实践（仅并行独立任务、明确边界、策略化合并、使用 git worktree、注意令牌消耗）以及 git worktree 集成与 ECC 辅助脚本的用法示例，并包含常见问题排查方法。
Dynamic Workflow Mode 是一个面向编码智能体的技能（skill），用于在智能体能够生成或调整「任务本地临时代码框架（task-local harness）」而不仅仅是遵循静态命令流时，把动态工作流模式变成有纪律的系统。其核心目标包括：为一次性工作创建临时 harness，为重复性工作抽取可复用技能，并为团队提供可观察的控制台检查点。该技能适用于用户提到动态工作流、自定义 harness、每任务 harness、自适应工作流或 Claude Code 动态工作流模式，以及需要自定义循环、评估器、爬虫、fixture 生成器、watcher 或本地仪表盘的场景。核心约定要求动态 harness 必须明确目标、输入、输出、至少一个与任务挂钩的通过/失败评估，以及供下一位操作者使用的交接产物。它还提供决策树（一次性任务保持内联、重复任务建本地 harness、跨团队工作流抽取为共享技能）、任务本地 harness 模板、共享技能抽取标准、控制台检查点、评估门（eval gates）与反模式清单。
ecc-recipes 是一个用于 ECC 斜杠命令体系的编排参考工具，帮助用户把一段描述的工作流映射到合适的 ECC 命令组，并给出运行顺序与停止条件，同时也可浏览所有命令组的配方家族。它填补了 ecc-guide（仅平铺列出命令与文档位置）和 prompt-optimizer（只输出单个提示词）之间的空白，额外提供家族分组、运行顺序和停止条件。该工具以只读方式实时读取 commands 目录，按命令名前缀归类为不同家族（如 orch-*、multi-*、prp-*、epic-*、loop-*、gan-*、hookify-*、learn 等），并区分目录模式（无描述，输出家族表）和匹配模式（有描述，输出最佳家族、运行顺序、停止条件及文档路径）。它仅提供建议，不执行命令。
FoundationModels 是 Apple 在 iOS 26+ 中提供的端侧大语言模型框架使用模式集合，用于在 App 中集成 Apple Intelligence 设备端模型。它覆盖文本生成、基于 @Generable 的引导式结构化生成、自定义工具调用以及快照流式输出，全部在设备本地运行，适合需要隐私保护与离线支持的场景。核心模式包括：创建会话前检查 SystemLanguageModel 可用性；用 LanguageModelSession 进行单轮或多轮对话；用 @Generable 与 @Guide 生成结构化 Swift 类型；用 Tool 协议让模型调用自定义代码；用 streamResponse 与 PartiallyGenerated 类型实现实时 UI 流式更新。还包含 SwiftUI 集成示例、设计决策与最佳实践，例如 4,096 token 上下文限制、快照流式（非增量）、单会话单请求等。
这是一个受 GAN（生成对抗网络）启发的多智能体开发工具，基于 Anthropic 于 2026 年 3 月发布的 harness 设计论文。它通过将生成与评估分离，构建对抗式反馈循环来提升应用构建质量。系统包含三个智能体：规划者（Planner）将一句简短提示扩展为完整产品规格；生成者（Generator）按规格实现功能；评估者（Evaluator）使用 Playwright 对运行中的应用进行测试并按标准打分。默认采用设计质量、原创性、工艺、功能性四项评分标准，加权分数达到 0.7（可配置）即通过。适用于从一句话提示构建完整应用、需要高视觉质量的前端设计任务等场景，不适用于快速单文件修复或预算紧张的任务。
迭代检索（Iterative Retrieval）是一种用于多智能体工作流的上下文检索模式，旨在解决子智能体在开始工作前无法预知所需上下文的问题。它通过“派发—评估—精炼—循环”四个阶段的循环，逐步缩小检索范围、提炼最相关的代码文件与上下文，最多循环 3 次。适用于需要代码库上下文的子智能体、上下文逐步精炼的多智能体工作流、出现“上下文过大”或“缺少上下文”失败的任务、面向代码探索的类 RAG 检索管线，以及优化智能体编排中的 token 使用。
ito-training 是 ECC 中用于在 Itô 算力上开展模型训练的规范技能，它本身不运行训练器、调度器或数据管线，也不负责预订、预留或付费，而是衔接 ito-compute 已完成的算力预订。当前生产环境中托管训练尚不可用：ECC 桥接仅暴露登录、登出、认证、查找、状态以及显式受控的评估功能，没有 train 动词，规范 CLI 的 run 动词与 desk 训练运行后端仍为脚手架。因此该技能目前是一个失败关闭（fail-closed）的可用性检查与文档交接：在认证或调用任何命令之前即停止，报告缺失能力并交回发起方智能体，禁止用本地训练器、SSH 助手、浏览器流程或购买端点替代。未来训练实现后，其第一道门槛是服务器验证的已完成预订，需返回与账户、预订、GPU 拓扑、区域、网络结构及期限绑定的最新训练资格；过期、撤销、不匹配、不完整或已释放的预订都会在确认前失败关闭。
Loop Design + Review 是一个用于设计“目标导向型”智能体循环（agent loop），并评审其失效模式的方法论技能。其核心前提是：大语言模型本身是前馈系统，输入提示词即输出文本，并不自带跨轮次的“朝目标推进”能力；要让它表现得像目标导向系统，就必须在其外部套一个反馈循环。本技能帮助用户正确编写这类循环，并通过检查清单评审其是否会失控。循环被划分为两层反馈：执行层由机器或智能体负责，测量“距离字面目标还有多远”并不断磨到零；判断层由人负责，决定“目标本身对不对、是否该改、是否该停”。技能强调，把判断、签发和最后一道开关交给机器，等于移除了高层反馈，机器会又快又猛地冲向无人质疑过的目标，最终产出错误结果。使用场景包括：把重复任务交给反复运行的智能体（写→测、测→修、修→验）；已有一个循环但担心它空转、作弊或把错误答案一路跑完。不适用场景：一次性任务（直接做，别套循环）；普通定时器或轮询（使用 /loop，无需设计）。该技能只覆盖“目标是否正确、循环是否会跑飞”，不重新讲解循环架构的接线机制（管道转 DAG、长跑恢复等），后者指向 autonomous-loops / continuous-agent-loop。
mle-workflow 是一个面向生产环境的机器学习工程工作流技能，用于将模型工作转化为具备明确数据契约、可复现训练、可衡量质量门禁、可部署产物与运维监控的生产级 ML 系统。它覆盖数据契约、可复现训练、模型评估、部署、监控与回滚等环节，适用于规划或评审生产 ML 功能、模型刷新、排序系统、推荐系统、分类器、嵌入工作流或预测流水线，也适用于将 notebook 代码转化为可复用的训练、评估、批量推理或在线推理流水线，以及设计模型晋升标准、离线/在线评估、实验追踪与回滚路径。该技能强调复用软件工程实践，将 MLE 视为 SWE 的一部分，并提供了十项 MLE 任务模拟、迭代紧凑文档、决策大脑、指标与错误经济学、数据与特征假设、错误分析循环、观察台账以及核心工作流等结构化方法。
用于运行或扩展 NanoClaw 的技能，NanoClaw 是 ECC 提供的零依赖、具备会话感知能力的 REPL，支持以 Markdown 为持久化存储的会话，并通过斜杠命令实现模型切换、技能加载等功能。
openclaw-persona-forge 是一个为 OpenClaw AI Agent 锻造完整「龙虾灵魂」方案的技能。它根据用户偏好或随机抽卡，输出身份定位、灵魂描述（SOUL.md）、角色化底线规则、名字和头像生图提示词；如当前环境提供已审核的生图 skill，可自动生成统一风格头像图片。适用于需要创建、设计或定制 OpenClaw 龙虾灵魂的场景。核心输出为文本方案（SOUL.md + IDENTITY.md + 头像提示词），头像图片生成为可选增强能力。