pragmatic-programmer
基于《程序员修炼之道》的软件工程元原则技能，涵盖 DRY、正交性、曳光弹、契约式设计、破窗理论、可逆性与估算等七项原则，用于架构设计、代码评审与工程文化咨询，并提供 10 分制诊断评分。
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
26,336 个结果
checkpoint-promotion
checkpoint-promotion 是一个微调检查点上线门禁技能：在训练产出检查点后，用数据质量、能力漂移、配对竞技场和灰度四阶段评估，输出 PROMOTE 或 REJECT 判定与整改建议。
eval-harness-first
Eval Harness First 是一个面向模型微调流程的评估框架搭建技能，作为整个微调插件的 Phase 0 前置门槛。它主张在编写任何训练配置之前先构建评估框架：从生产或智能体轨迹中收集样本，对至少 100 条轨迹做开放编码与轴向编码，归纳出 4–8 个失败桶，为每个桶编写一个评分器（优先确定性检查，仅对真正主观的标准使用经校准的 LLM 评审），并按频率×严重度×价值排序。标注好的轨迹在扣除显式留出集后可直接作为训练数据来源，让 goldens 同时充当训练数据引擎。框架还包含漂移检测套件、评审校准协议（报告 TPR/TNR、固定模型快照、评审须来自不同模型家族）以及对未修改基座模型的基线运行。该技能使用于确定微调方法选型之前，确保后续每个检查点都有可对比的基线、可捕捉回归的评估集和可训练的数据。
finetuning-method-selection
微调方法选择（finetuning-method-selection）是一个用于微调流程起点的“路由”技能：它首先判断是否真的需要微调，如果确实需要，再决定采用哪种方法（SFT、DPO/ORPO/KTO、GRPO/RLVR、持续预训练）以及基座模型的规模级别。它适用于在选定框架或基座模型之前启动任何微调工作的场景，也适合在不确定 RAG 或提示工程是否能更廉价地解决问题时进行判断。该技能强调：先建立评估框架（eval harness），再选择方法；数据形态决定方法，而非反过来。它还提供避坑指引（如事实多变应走 RAG、行为未稳定应先做提示工程、数据量不足时不宜直接 CPT）与常见的路由错误提醒。
grpo-rlvr-training
用于在任务成功可被算法验证时，通过 GRPO 与可验证奖励强化学习（RLVR）训练推理与可验证任务行为。提供经校验的 GRPO 配置与奖励函数，适用于单元测试、解析器、工具调用 schema、数学答案等可判定场景。
hermes-tweet
Hermes Tweet 是 Hermes Agent 的一个 X/Twitter 插件，为 Hermes Agent 增加 X/Twitter 工具集，支持社交倾听、账号研究、发布监控、支持分流、抽奖审查等场景。它提供探索端点目录、读取公开数据、执行私有或状态变更操作三类工具，默认以只读优先、操作受审批门控的方式运行：公开读取通过 tweet_read 完成，私有读取、写入、监控、Webhook、抽取、抽奖和媒体操作只有在 operator 明确批准且启用 action gating 后才可执行。安装通过 hermes plugins install Xquik-dev/hermes-tweet --enable 完成，并要求在 Hermes 运行时主机上设置 XQUIK_API_KEY 环境变量，默认保持 HERMES_TWEET_ENABLE_ACTIONS=false。凭证需保存在环境变量或 Hermes 运行时 env 文件中。
langchain-architecture
基于 LangChain 1.x 与 LangGraph 设计 LLM 应用的技能，涵盖智能体、状态管理、记忆与工具集成，适用于构建多步骤工作流、文档处理管线和生产级 LLM 应用。
lora-qlora-recipes
用于配置 LoRA 与 QLoRA 监督微调（SFT）超参数的技能，输出可直接消费的适配器配置，涵盖目标模块、秩、alpha、学习率等最佳实践，并说明 QLoRA 适用条件与常见失败模式。
preference-optimization
这是一个用于模型偏好对齐的技能，基于 DPO、ORPO、KTO 或 SimPO 方法，用偏好数据微调后的模型进行对齐。适用于已有偏好配对数据或点赞/点踩反馈的场景，帮助在 DPO 家族中选定方法并产出可被训练工程师直接消费的配置。该技能假设已由 finetuning-method-selection 路由至此，输入为路由决策加偏好配对或非配对反馈（通常来自 SFT 检查点），输出为经过验证的方法选择与配置。默认推荐 DPO（β=0.1，学习率 5e-7–1e-6，1–2 轮），内存受限或无 SFT 检查点时选 ORPO，非配对点赞/点踩反馈选 KTO，存在长度偏差且有 sweep 预算时选 SimPO。技能还强调生产环境应采用迭代式 on-policy DPO，并给出了配对构建方法（同任务通过/失败轨迹，rejected 取 μ−2σ 而非最小值）。
prompt-engineering-patterns
Prompt Engineering Patterns 是一个用于掌握高级提示词工程技术的技能，面向生产级 LLM 应用，帮助提升模型的性能、可靠性与可控性。它覆盖少样本学习、思维链提示、结构化输出、提示词优化、模板系统与系统提示设计等核心能力，可用于优化提示效果、设计可复用提示模板、实现结构化推理、构建动态示例选择机制、调试输出不一致的提示，以及为专用 AI 助手编写系统提示。资料给出基于 LangChain 与 Pydantic 的快速开始示例，展示结构化输出与提示模板的用法。该技能以提示词即代码的理念强调具体性、示例驱动、结构化输出、充分测试、快速迭代与版本控制，并列出常见陷阱与成功指标，如准确率、一致性、延迟与 token 用量等。
quantized-export
在微调检查点通过晋级评审（PROMOTE）后，将模型导出为适合目标部署环境的格式，包括合并式 safetensors、仅 LoRA、带 imatrix 的 GGUF 或 FP8，并通过冒烟测试验证导出产物仍能正常工作。
rag-implementation
面向 LLM 应用的检索增强生成（RAG）实现技能，结合向量数据库与语义搜索，让模型基于外部知识作答，减少幻觉，适用于私有文档问答、知识型聊天机器人和文档助手等场景。
recsys-pipeline-architect
用于设计可组合推荐、排序与信息流管道的规格与脚手架技能，采用 Source→Hydrator→Filter→Scorer→Selector→SideEffect 六阶段框架，适用于任何“为用户/上下文返回 top K”的问题，是 xAI 开源 For You 算法模式的独立 MIT 重实现。
session-guard
Session Guard 是一个用于长会话场景的行为自律技能，旨在应对上下文压缩（context compaction）导致的指令静默丢失问题。当会话超过 40 次工具调用、智能体开始违背先前决策、命名或风格约定出现漂移、发生上下文压缩事件、或任务范围无限扩张时，该技能会触发。它通过纯行为层面的自我约束实现：监控会话健康度、在压缩后重新锚定关键规则、在损害发生前拆分会话。它不依赖任何软件包或数据库，可在所有运行环境中工作。核心手段包括分级健康信号（黄区检查点与规则复述、红区停止与拆分）、上下文锚定协议（压缩后重读规则文件、复述关键规则、验证下一步操作），以及将关键指令保存在 CLAUDE.md、CONTEXT.md 等文件中而非对话中的压缩安全模式。
team-communication-protocols
面向智能体团队协作的结构化通信协议技能，涵盖消息类型选择、计划审批、优雅关闭、成员发现与常见反模式，帮助多智能体团队按统一规范交换消息、协调任务与集成。
agnes-ai-generation
Agnes AI Generation 是一个用于调用 Agnes AI / Sapiens AI 生成 API 的技能，支持文本、图像和视频生成。它通过 https://apihub.agnes-ai.com 访问，需要提供 API 密钥（环境变量 AGNES_API_KEY、AGNES_API_TOKEN 或 APIHUB_AGNES_API_KEY）。该技能提供 scripts/agnes_api.py 脚本，封装文本生成、流式文本、文生图、图生图、文生视频、图生视频、多图视频、关键帧视频和视频任务检索等命令，并内置 smoke-test 进行轻量在线验证。使用时可按需参考 references/api.md 获取端点、参数和响应字段细节。
agent-orchestration
面向 AI 智能体构建与协调的模式集合，涵盖 ReAct 等单智能体推理循环、多智能体协作、框架选型与多场景工作流编排，适用于规划自主智能体与分发调度任务。
rag-retrieval
一套面向生产环境的检索增强生成（RAG）模式集合，收录30条规则，覆盖基础检索、嵌入、上下文检索、HyDE、智能体RAG、多模态RAG、查询分解、重排序与PGVector等主题，供构建可溯源、基于文档的LLM应答时参考。
agent-email-cli
agent-email CLI 是一个面向智能体工作流的命令行工具，用于创建一次性收件箱、轮询新邮件、获取完整消息详情以及管理本地邮箱配置。适用于需要在代理流程中安全访问邮箱的场景。
cc-use
cc-use 是一个把当前 Agent 设为外层监督者、把 tmux 中的 Codex CLI 或 Claude Code 作为内层执行者的技能。它用于把较长的编码、排查、测试或交互式 CLI 工作交给内层命令行编码 Agent，由外层 Agent 负责拆解任务、读取稳定屏幕快照、纠正方向并执行最终验收，任务结束后销毁内层 session。scripts/cc-use 本身只负责创建 session、发送输入、观察屏幕、记录内层进程退出状态和清理资源，不判断任务语义；是否完成、失败或阻塞均由外层 Agent 依据快照判断。适用于用户明确要求使用 cc-use、希望把长时间实现工作交给内层 Agent，或需要在真实 TUI 环境中验证 Codex CLI、Claude Code、Skill、插件、MCP 等交互式工作流。
self-improving-agent
一个用于把完成工作后的证据转化为小幅、可审计行为改动的技能：在失败、用户纠正、重复工作流问题或已验证成功可复用后，捕获候选并经过评估、验证、应用或拒绝流程，默认结果是候选或无改动，而非自动改写技能。
ziniao-role
紫鸟角色管理技能，用于在紫鸟 ERP 中管理角色（权限组），支持角色查询、创建、修改、分配给员工以及权限查看。角色决定员工能看到哪些功能、能操作哪些店铺；创建员工时需要传入角色 ID，可通过 role list 获取。该技能通过 ziniao-cli 命令行提供 role list、role detail、role create、role update、role assign、role staff-roles、role permissions 等快捷命令，也支持直接调用对应的 ERP REST API。典型流程为查询角色、查看可用权限项、创建角色、获取新角色 ID、批量分配给员工。使用前需先用 Read 工具读取 ../ziniao-shared/SKILL.md。角色修改需全量提交，未传字段可能被清空，建议先查看当前值。
ziniao-skill-maker
ziniao-skill-maker 是一个用于创建 ziniao-cli 自定义 Skill 的工具型技能。它的核心作用是把紫鸟 API 操作封装为可复用的 Skill，既可以对单个原子 API 进行包装，也可以编排多步业务流程。每个 Skill 本质上是一份 SKILL.md 文件，用于教会 AI 通过 CLI 命令完成特定任务。该工具提供 ziniao-cli 的核心命令能力，包括快捷命令、通用 api 调用和 zclaw invoke 等，并强调快捷命令优先于通用调用。它还给出调研 API 的方法（查看快捷命令帮助、查看 ZClaw 工具列表、裸调 API），并在命令不足时建议使用 ziniao-openapi-explorer 查找 API 路径。此外，它提供 SKILL.md 的编写模板和关键原则，如通过 description 决定触发、强制读取 ziniao-shared 依赖、写入操作前确认用户意图、以及说明步骤间的数据传递与失败处理。适用于需要将紫鸟 API 封装成可复用 Skill、或编排多步流程的场景。
ziniao-store
紫鸟店铺入口技能，负责“店铺”资源及其本地浏览器的生命周期管理。用于处理涉及本地紫鸟/ZClaw 浏览器、店铺名称或 ID，以及列出、解析、打开、复用、关闭店铺浏览器等场景。本技能负责列出、解析、打开、复用和关闭本地紫鸟店铺浏览器，保存本次任务确认过的 store-id 供后续步骤复用，并在用户从某个店铺开始继续操作网页时按需使用 ziniao-page。任务涉及配置、认证、Bridge、客户端或网络异常时，按需读取 ziniao-shared 的诊断规则。请求以店铺名称、ID 或“本地紫鸟店铺”为起点时，先处理店铺再判断是否需要页面能力；已有明确且正在运行的店铺只需网页操作时使用 ziniao-page。店铺后台账号的创建、删除、授权、标签等服务端管理属于 ziniao-account，不在本技能范围。需要店铺对象时使用 CLI 的 store list 或 store resolve 获取并确认目标；需要浏览器窗口时使用 store open，已有有效 store-id 且店铺仍运行时直接复用；需要网页资源操作时继续使用 ziniao-page。店铺命令失败时按需运行 ziniao-cli doctor；具体参数不确定时使用 ziniao-cli store <command> --help 或读取对应 reference。