SuperAPI AI 工具集
合作ENAI 行业资讯收藏

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

26,319 个结果

orch-pipeline

orch-pipeline 是 orch-* 技能家族共享的编排引擎，本身不实现具体工作，而是对请求进行分类、决定运行哪些阶段，并把每个阶段委派给已有的 ECC 智能体或命令。它定义了受门控的 Research-Plan-TDD-Review-Commit 流水线、规模分类器、智能体与命令映射，以及安全审查触发条件。该引擎通常由 orch-add-feature、orch-change-feature、orch-fix-defect、orch-refine-code、orch-build-mvp 等操作技能间接加载，仅在新增操作或调整共享阶段、门控、智能体映射时直接阅读。

智能体与模型安装量暂无数据

plan-orchestrate

Plan Orchestrate 是一个把计划文档（PRD、RFC、实施方案）转换为可直接粘贴的 ECC slash 命令的技能。它读取计划文档、将计划拆解为多个步骤、为每个步骤分类，并输出该步骤对应的、可粘贴的 ECC slash 命令，命令中会带上步骤标识。该技能本质上只是一个路由器：它负责选择命令并按命令自身文档化的参数形式填入参数，不负责组合智能体链，也不影响命令内部的执行行为。该技能只生成内容，从不执行命令，由用户在准备好时逐行粘贴。当用户拥有多步骤计划文档并希望为每个步骤获得可粘贴命令，或表达“把这个计划变成命令”“每一步该跑什么命令”“编排这个计划”时适用。如果工作只是单一步骤，可直接运行对应 slash 命令；如果计划需要后台自主运行，则应改用 dmux-workflows 或原生 workflows/*.workflow.js 脚本。

智能体与模型安装量暂无数据

ralphinho-rfc-pipeline

Ralphinho RFC Pipeline 是一个将 RFC（需求提案文档）拆解为多智能体执行 DAG 的技能，适用于单个智能体无法一次完成的大型功能开发。它借鉴了 humanplane 风格的 RFC 分解模式与多单元编排工作流，把功能拆成可独立验证的工作单元，每个单元带有依赖关系与验收测试，再依次执行调研、规划、实现、测试、评审等阶段。其流程包括 RFC 接收、DAG 分解、单元分配、单元实现、单元验证、合并队列与集成、最终系统验证七个阶段。每个工作单元需包含 id、depends_on、scope、acceptance_tests、risk_level、rollback_plan 等字段，并按复杂度分为三级：一级为孤立文件编辑与确定性测试；二级为多文件行为变更，存在中等集成风险；三级为涉及 schema、认证、性能或安全的变更。每个单元都有独立的质检流水线，依次经历调研、实现计划、实现、测试、评审、可合并报告。合并队列规定不得合入依赖失败未解决的单元，单元分支须基于最新集成分支 rebase，每次入队合并后重跑集成测试。若单元停滞，可将其从活跃队列中移出、保存发现、重新生成更窄的单元范围并带更新约束重试。输出包括 RFC 执行日志、单元评分卡、依赖图快照和集成风险摘要。具体安装方式、收费与平台支持暂未提供。

智能体与模型安装量暂无数据

recursive-decision-ledger

Recursive Decision Ledger 是一个用于管理“递归式重复推演”的技能。当用户试图通过反复 rollout 或 Prime Gauss 风格的递归提示来强制进行更深层计算时，该技能保留其中真正有用的部分——重复试验、历史记忆、新信息和显式标记，同时去除不安全的部分——即假装循环本身能证明确定性。它为每次 rollout 建立只追加的决策账本，记录试验、标记、一致性检查与晋升门控结果，并规定在交易、资金分配、生产部署、迁移或破坏性操作中，递归置信度不等于批准，默认采用纸面、干跑、只读、预览或分阶段模式。

智能体与模型安装量暂无数据

skill-comply

skill-comply 是一个用于测量编码智能体（coding agent）是否真正遵循技能、规则与智能体定义的工具。它从任意 .md 文件自动生成预期行为序列（spec），并在三种逐步降低提示严格程度的场景（支持性 → 中性 → 竞争性）下运行智能体，通过 claude -p 捕获工具调用轨迹，用 LLM 而非正则对工具调用进行分类，再确定性地检查时间顺序，最终生成自包含报告。报告包含自动生成的行为规范、各场景提示词、每场景的合规得分，以及带 LLM 分类标签的工具调用时间线。支持的目标包括技能（skills/*/SKILL.md）、规则（rules/common/*.md）与智能体定义（agents/*.md）。核心概念是“提示独立性”——即当提示词并未明确支持某规则时，该规则是否仍被遵循。可通过 uv run python -m scripts.run 运行，支持 --dry-run 无成本试运行以及自定义生成模型与运行模型。

智能体与模型安装量暂无数据

skill-scout

Skill Scout 是一个在创建新技能（skill）之前先进行搜索的辅助技能，目的是避免重复已有的社区或市场成果，并在采用外部技能前进行安全审查。它适用于用户提出“创建技能”“构建技能”“制作技能”“新技能”，或询问“有没有做 X 的技能”“是否存在能做 Y 的技能”，以及用户想要 fork 或扩展现有技能的场景。工作流程包括：捕获意图并提取关键词与同义词；优先搜索本地已安装和市场技能；再通过 GitHub 与网络搜索远程来源；对外部匹配项进行审查（阅读 SKILL.md、检查异常命令、文件写入、网络调用、凭据处理、包安装，并确认仓库是否维护）；按匹配度排序，最多列出 10 条结果；最后向用户呈现“直接使用现有”“fork 或扩展”“全新创建”三种决策选项。只有在用户选择全新创建或搜索无接近匹配时才创建新技能。

智能体与模型安装量暂无数据

unified-memory

Unified Memory 是一个通过本地 ECC Memory Vault 在多个 AI 编程代理（如 Claude、Codex、Hermes、Cursor、OpenCode 等）之间共享持久、可检查上下文与交接的技能。它使用可移植的 ecc.memory.v1 Markdown 文档作为通用上下文层，而非各代理专属的会话记录。该技能本身只是使用指导，需另行安装 ecc-universal npm 运行时才能使用 CLI 或 MCP 示例。它支持项目、团队、用户三种作用域，提供搜索、读取、保存、交接和校验工作流，并强调召回内容应视为不可信证据、需与权威来源核对，且禁止存储密码、令牌等敏感数据。

智能体与模型安装量暂无数据

pi-result-handling

Pi Result Handling 是 agents365-ai/365-skills 中的一项内部指导技能，用于规定如何将 Pi 辅助工具（helper）的输出呈现给用户。它要求保留 helper 返回的结论、摘要、发现和后续步骤结构；审查类输出需先列发现并按严重程度排序；文件路径与行号须与 helper 报告完全一致；保留证据边界，如推断、不确定项或待确认问题需明确区分；若提示要求特定输出分区（如观察到的事实、推断、开放问题、涉及文件、后续步骤）则须保留。无发现时需明确说明并简短保留残余风险说明；若 Pi 做了编辑需明确说明并列出涉及文件。对 pi:pi-companion-forwarder，不得将失败或不完整的 Pi 运行转为 Claude 侧实现尝试，应报告失败并停止；若 Pi 从未成功调用，不得生成替代答案。关键要求：呈现审查发现后必须停止，不得进行任何代码更改或修复，必须明确询问用户希望修复哪些问题后才能改动文件，严禁自动应用审查修复。若 helper 报告输出格式错误或 Pi 运行失败，应包含最具可操作性的 stderr 行并停止，而非猜测。若 helper 报告需要设置（缺少 pi 二进制、未配置 provider），应引导用户到 /pi:setup，不得自行设计替代流程。

智能体与模型安装量暂无数据

day4-wrap-and-analyze

AI Native Camp 第 4 天「Wrap & Analyze」课程技能，用于引导学员创建整理会话的 session-wrap 技能，并使用 history-insight 与 session-analyzer 分析会话。该技能通过 STOP PROTOCOL 把每个学习块强制拆成两轮：第一轮讲解并让学员动手执行，第二轮再出测验题，避免讲解与测验混在同一轮。技能开始时会先安装最新课程内容，然后让用户在 Block 0 至 Block 4 中选择起点。

智能体与模型安装量暂无数据