grug
grug 是一个以“grug 脑开发者”口吻作答的技能，通过 /grug 等触发语切换为穴居人式破碎英语人格，用简短、幽默但务实的经验给出软件工程建议，并在用户明确要求退出前持续保持该语气。
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 10-23 00:13
智能体与模型
24,526 个结果
security-copilot-agents
面向 Microsoft Security Copilot 内置智能体的运维指南，讲解钓鱼分类、告警分诊、条件访问优化、漏洞修复与威胁情报简报等智能体的身份、权限、监督模式、试点与生命周期治理。
bounty-hunter
Bounty Hunter 是一个名为 Atlas 的专业 AI 赏金猎人角色技能。它适用于寻找、评估或执行有偿任务的场景，例如开源赏金、自由职业和漏洞挖掘，目标是在控制成本的前提下实现收益最大化。Atlas 被设定为一名资深独立开发者，以经营业务的方式管理每项任务：把 token 消耗视为成本，把每个 PR 视为潜在收入，强调诚信交付、尊重任务范围与杜绝浪费。该技能给出了从机会发现、ROI 预评估、任务执行到收款与账本管理的完整工作流，并提及成本审计与收款检查脚本及提案、PR 模板等资源。资料未说明具体平台的安装方式、支持的运行环境或实际效果。
web-files-file-upload-patterns
文件上传模式技能，涵盖拖放区、分块与断点续传、预签名 URL 直传、文件校验（MIME 类型与魔数字节）、进度跟踪与无障碍支持，适用于 Web 前端上传功能的实现与审查。
aviz-skills-installer
AVIZ Skills Installer 是 AVIZ Skills Library 的对话式安装向导，用于浏览、安装和配置 Claude Code 技能。它强调实时获取技能列表，支持用户级或项目级安装，并引导完成依赖与配置。
ghidra-agent-cli
ghidra-agent-cli 是 Headless Ghidra 技能族附带的 Rust 命令行辅助工具，用于逆向分析工作流中的命令树、工作区布局、YAML 产物语义、输出封装及 Ghidra/Frida 等操作。本技能说明其命令语义，不定义 P0–P4 工作流顺序。
todoist-automation
通过 Rube MCP（Composio）自动化 Todoist 的任务、项目、分区、筛选与批量操作，需先连接 Rube MCP 与 Todoist 账号，并先调用 RUBE_SEARCH_TOOLS 获取最新工具 schema。
webflow-automation
通过 Rube MCP（Composio）自动化 Webflow 操作，包括 CMS 集合条目管理、站点发布、页面查看、资源上传与电商订单查询。使用前需连接 Rube MCP 并完成 Webflow OAuth 授权，且应先调用 RUBE_SEARCH_TOOLS 获取最新工具结构。
torchforge-rl-training
torchforge 是 Meta 推出的 PyTorch 原生智能体强化学习（Agentic RL）库，其核心设计理念是将基础设施与算法分离，让研究者专注于算法本身，而分布式训练、推理和权重同步由框架自动处理。该技能提供使用 torchforge 的指导，适用于需要干净 RL 抽象、PyTorch 原生接口（无 Ray 依赖）、快速算法实验（GRPO、DAPO、SAPO 等约百行代码）以及借助 Monarch actor 系统实现可扩展训练的场景。架构上分为应用层、Forge API 层和分布式服务层，集成 TorchTitan（训练）、vLLM（推理）与 TorchStore（同步）。内置 GRPO、DAPO、CISPO、GSPO、SAPO 等损失函数。使用方式包括安装脚本（含 ROCm 版本）、SFT 与 GRPO 训练启动命令、配置文件编写、自定义奖励函数与自定义损失函数、多 GPU 分布式训练配置及 SLURM 提交。适用场景涵盖数学推理等推理模型训练、自定义 RL 算法实现和分布式扩展。需要注意 torchforge 仍处于实验阶段，API 可能变化；若需要生产级稳定性或 Megatron 原生训练，资料建议考虑 miles、verl 或 slime 等替代方案。
dsh-archive-agent-notes
用于在 DeepSeek Harness 中新增、审计、精简、归档、恢复或审阅 Agent Notes 的技能，判断每条笔记是否已被取代，并对已实现、提议、已拒绝等生命周期状态给出归档或删除结果。
ClawTeam
ClawTeam 是一个框架无关的多智能体协作 CLI 工具，用于把多个 AI 编码智能体组织成团队，提供团队与任务管理、智能体间消息、git worktree 隔离、运行时配置、快照与终端监控面板。数据默认存于 ~/.clawteam/。
codeql-semgrep
CodeQL 与 Semgrep 静态分析技能，将生产级 SAST 集成到智能体工作流，用于深度漏洞检测、自定义规则编写与自动化代码审查。智能体可编写针对项目模式的 CodeQL 查询和 Semgrep 规则，运行并解读结果，给出修复建议。
continuous-learning
Continuous Learning 是 Agent Skills 中的一项技能，让智能体从已完成会话中自动提取成功模式，并转化为可复用的技能、规则与提示词改进，减少手工编写技能。
distributed-llm-pretraining-torchtitan
TorchTitan 是 PyTorch 官方的大规模 LLM 预训练平台，支持可组合的 4D 并行（FSDP2、TP、PP、CP），在 H100 GPU 上相比基线可实现 65% 以上的加速。它适用于从零开始预训练 Llama 3.1、DeepSeek V3 等模型，提供 PyTorch 原生方案，无需第三方依赖，并支持 Float8 训练、多节点 SLURM 调度以及与 torchtune/HuggingFace 互操作的检查点。
fine-tuning-with-trl
TRL（Transformer Reinforcement Learning）是用于大语言模型后训练与偏好对齐的库，提供监督微调（SFT）、偏好对齐（DPO）、奖励模型训练以及 PPO、GRPO 等强化学习方法的训练接口。它基于 Transformers、Datasets、PEFT、Accelerate 生态，可用 SFTTrainer、DPOTrainer、RewardTrainer、GRPOTrainer 等类或 CLI 命令，把基座模型调成指令遵循、符合人类偏好的模型。
grpo-rl-training
该技能为使用 TRL 库实现 GRPO（组相对策略优化）强化学习微调提供专家级指导，面向推理能力训练与特定任务模型训练。内容涵盖 GRPO 算法原理、奖励函数设计、数据集准备、训练配置、模型设置与训练、部署推理、最佳实践与故障排查等完整工作流，并提供可复用的代码模板与示例。
miles-rl-training
miles 是一个面向企业级、生产就绪的强化学习（RL）框架，是 slime 的生产分支，专为大规模模型后训练优化，重点解决 MoE 训练稳定性、低精度训练和训练-推理一致性等难题。它适用于需要训练 1TB 以上 MoE 模型（如 DeepSeek V3、Qwen3-MoE）、进行 FP8 或 INT4 量化感知训练、追求训练与推理逐位对齐、以及希望通过投机 RL 获得最大吞吐量的场景。资料显示其核心特性包括统一 FP8 流水线、Rollout Routing Replay（R3）专家路由对齐、投机 RL（可获得 25% 以上 rollout 加速）、零拷贝权重同步、部分 rollout 回收、TIS/MIS 离策略校正以及 FlashAttention-3、DeepGEMM 等内核级优化。它提供 Docker 与源码两种安装方式，配置系统继承自 slime。资料同时指出，若需要研究级原始版本应选择 slime，需要灵活后端切换应选择 verl，需要 PyTorch 原生抽象应选择 torchforge。
ray-train
Ray Train 是用于分布式训练编排的组件，可将 PyTorch、TensorFlow、HuggingFace 等框架的机器学习训练从单机扩展到多节点集群，尽量少改代码。它负责分布式协调、GPU 分配、容错、检查点与指标聚合，并可与 Ray Tune 结合进行超参数调优。安装命令为 pip install -U "ray[train]"。
slime-rl-training
slime 是清华大学 THUDM 团队开发的 LLM 后训练框架，用于通过强化学习（RL）扩展大模型训练，支撑了 GLM-4.5、GLM-4.6、GLM-4.7 等模型。它将 Megatron-LM 训练与 SGLang 高吞吐推理生成连接起来，支持 GRPO、GSPO、PPO、REINFORCE++ 等算法，提供灵活的数据缓冲与自定义数据生成工作流。适用于训练 GLM、Qwen3、DeepSeek V3/R1、Llama 3 等模型，支持同步与异步训练、多轮智能体训练、自定义奖励模型与多任务评测。
torchforge-rl-training
torchforge 是 Meta 推出的 PyTorch 原生智能体强化学习（Agentic RL）库，其核心设计理念是将基础设施与算法分离，让研究者专注于算法本身，而分布式训练、推理和权重同步由框架自动处理。该技能提供使用 torchforge 的指导，适用于需要干净 RL 抽象、PyTorch 原生接口（无 Ray 依赖）、快速算法实验（GRPO、DAPO、SAPO 等约百行代码）以及借助 Monarch actor 系统实现可扩展训练的场景。架构上分为应用层、Forge API 层和分布式服务层，集成 TorchTitan（训练）、vLLM（推理）与 TorchStore（同步）。内置 GRPO、DAPO、CISPO、GSPO、SAPO 等损失函数。使用方式包括安装脚本（含 ROCm 版本）、SFT 与 GRPO 训练启动命令、配置文件编写、自定义奖励函数与自定义损失函数、多 GPU 分布式训练配置及 SLURM 提交。适用场景涵盖数学推理等推理模型训练、自定义 RL 算法实现和分布式扩展。需要注意 torchforge 仍处于实验阶段，API 可能变化；若需要生产级稳定性或 Megatron 原生训练，资料建议考虑 miles、verl 或 slime 等替代方案。
training-llms-megatron
Megatron-Core 是 NVIDIA 提供的大规模语言模型训练框架，支持训练 2B 至 462B 参数量的模型，在 H100 GPU 上最高可达 47% 的模型 FLOP 利用率（MFU）。它通过张量并行、流水线并行、数据并行、上下文并行和专家并行等高级并行策略，实现大模型的高效分布式训练。该工具适合参数量超过 10B、需要最大化 GPU 效率、使用 NVIDIA A100/H100 等 GPU 进行生产级大规模训练的场景。安装方式支持 Docker（推荐）和 pip。资料中提供了 LLaMA 风格模型训练、MoE 训练、性能优化等工作流的配置示例，以及常见问题排查和硬件要求说明。
verl-rl-training
verl（Volcano Engine Reinforcement Learning）是字节跳动 Seed 团队开源的大语言模型强化学习训练库，实现 HybridFlow 框架，支持 PPO、GRPO、DAPO、RLOO、REINFORCE++ 等算法，可切换 FSDP、FSDP2、Megatron-LM 训练后端与 vLLM、SGLang、HuggingFace Transformers 推理引擎，适用于 RLHF、数学推理、智能体多轮工具调用及视觉语言模型训练。
smart-search-cli
smart-search-cli 是一套面向 AI 智能体的指令包，指导其调用本地 smart-search 命令行工具进行实时网页搜索、来源可溯的事实核查、URL 抓取与站点结构映射。它本身不提供搜索能力，需配合已配置的 CLI 与搜索服务商使用。
headroom
Headroom 是面向 AI 智能体的上下文压缩工具，可在内容进入模型前压缩工具输出、日志、搜索结果、RAG 片段、文件和对话历史，据称减少 60–95% 的 token 并保留语义。支持自动识别 JSON/代码/文本类型，以及 CCR（压缩-缓存-按需取回）。