add-skill
add-skill 是 OpenHands 扩展中的技能导入工具，可从 GitHub 仓库 URL 将已有技能拉取到当前工作区，安装到工作区本地的 .agents/skills/ 目录，支持多种 URL 格式，私有仓库需 GITHUB_TOKEN。
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
24,556 个结果
agent-sdk-builder
OpenHands 扩展中的引导式工作流，用于通过交互式访谈收集需求，并基于 OpenHands Software Agent SDK 构建自定义 AI 智能体，最终产出技术方案、流程图与可运行的 Python 实现。
verification-before-completion
Verification Before Completion 是一个用于约束 AI 编码助手行为的方法论技能，核心原则是「先有证据，再下结论」。它要求在声称工作已完成、已修复或测试通过之前，必须实际运行验证命令并检查完整输出。该技能为「完成声明」设立了一道不可绕过的检查门：识别能证明结论的命令、完整执行该命令、读取完整输出并检查退出码与失败数量、确认输出是否真正支持结论，最后才做出声明。它同时列出了常见的错误声明方式（如用「应该通过」「看起来没问题」代替真实测试结果），并给出了测试、回归测试、构建、需求核对、智能体委派等场景下的正确与错误模式，以及针对各类借口的反驳说明。适用于提交代码、创建 PR、报告任务完成或进入下一任务之前。
adversarial-ddd
用于对代码库的领域驱动设计与统一语言质量进行通过/失败式对抗审查的技能：由单个盲审子代理依据规则集判定差异、模块或 DSL 表面，全部规则为 PASS 或 N/A 才通过，技能只出裁决、不修代码。
remind
remind 是 remindb MCP 服务器的机制级读取路径技能，通过 MemoryTree、MemorySearch、MemoryFetch、MemoryDelta、MemoryDiff、MemoryRelated、MemoryStats 等只读工具，从会话长期记忆的 SQLite 视图中检索内容，避免重复 grep。
hierarchical-agent-memory
面向 AI 编程代理的分层记忆系统，用目录级 CLAUDE.md 替代每次重读整个项目，降低上下文 token 消耗，并提供仪表盘查看节省、会话历史与上下文健康度。
creating-effective-skills
面向 Claude 智能体技能（agent skills）的创建指南，遵循官方最佳实践，涵盖命名、范围校验、自由度选择、文件结构、SKILL.md 撰写与测试场景等步骤。适用于设计、实现或改进智能体技能。
recursive-subagent
recursive-subagent 是 recursive-mode 工作流中的子代理调度技能，用于判断某个递归阶段是否适合委派审计、评审或有界实现，并在委派时强制交接契约。它不放松主代理的审计责任，子代理不可用时回退为自审。
git-guardrails-claude-code
该技能为 Claude Code 配置 PreToolUse 钩子，在危险 git 命令执行前拦截并阻止，包括 git push、git reset --hard、git clean、git branch -D、git checkout . 等，防止误操作或未经授权的破坏性操作。
mac-software-storage-cleanup
审计 macOS 已安装软件与存储占用，按优先级给出可回收空间建议，并在用户确认后执行低风险清理。可用于盘点 /Applications、Homebrew 等安装来源与常见缓存占用。
cursor-agent-supervisor
cursor-agent-supervisor 是一个用于把范围明确的任务下派给子智能体的技能，例如让子智能体实现一组规格。它通过 cursor-agent 命令创建会话并派发任务，适合需要并行或隔离处理编码工作的场景。
skill-creator
skill-creator 是一个用于创建和更新 Claude 技能（Skill）的指南型技能。它面向需要新建技能、更新现有技能、设计技能结构或编写技能文档的用户，提供技能目录结构、SKILL.md 格式规范以及最佳实践。技能目录通常包含必需的 SKILL.md，以及可选的 SKILL_SPEC.md、examples/ 和 scripts/。SKILL.md 采用 YAML 前置元数据（name、description、license、metadata 等）加正文的结构，正文可包含使用场景、能力和触发词。该技能强调简洁、实用、可测试和文档清晰，并给出“创建 skill”“写个技能”“skill 模板”等触发词。
ag2-add-custom-tool
ag2-add-custom-tool 是 AG2 技能库中的一项技能，用于通过 @tool 装饰器为 AG2 Agent 添加自定义 Python 工具。它适用于让 Agent 执行真实世界操作，例如调用 API、查询数据库、执行计算或返回图片。文档给出了快速上手示例、同步与异步工具处理方式、使用 Pydantic Field 校验输入、返回类型化 Input 与 ToolResult、通过 final=True 提前结束回合，以及 Context、Inject、Variable、Depends 等依赖注入机制，并列出常见陷阱。
ag2-hitl
AG2 的人机协同（Human-in-the-loop，HITL）技能，用于在智能体运行中途暂停并收集人类输入，或在执行特定工具调用前要求人工审批。它提供两种机制：一是通过工具内的 `context.input()` 提出开放式问题并等待用户输入，需要智能体配置 `hitl_hook`；二是通过 `approval_required()` 工具中间件，在工具主体运行前让用户批准或拒绝该调用。适用于危险操作前确认、对话中途收集密码或 API 密钥等缺失信息、对不可逆或敏感工具调用进行审批，以及让人类在定稿前审阅草稿等场景。
ag2-knowledge-and-memory
AG2 的知识、记忆与上下文组装技能，用于跨运行持久化 Agent 状态、按轮次塑造 LLM 可见内容，并将历史裁剪到上下文窗口之内。涵盖 KnowledgeStore 存储、Assembly 注入与裁剪策略、Aggregation 与 Compaction。
ag2-subagent-delegation
ag2-subagent-delegation 是 AG2 中的一个技能，用于在单个 AG2 Agent 内实现子智能体委派，包括自递归和并行扇出。它支持两种模式：一是自动注入的 run_subtask / run_subtasks(parallel=True)，需通过父智能体上的 TaskConfig 选择启用，适合轻量级自委派、动态扇出和并行子问题；二是 Agent.as_tool()，把整个子 Agent 包装成父智能体的工具，适合需要 LLM 显式推理命名委托人的场景（如“调用研究者”“调用写作者”）。两种模式可以组合使用。该技能还提供子任务流控制，包括默认的隔离 MemoryStream、persistent_stream() 以及自定义流工厂，并说明了递归安全性、上下文传递行为和常见陷阱。
awiki
awiki-cli 的统一入口技能，为智能体提供身份与即时通讯能力，包括私信、群聊和附件的发送与接收。当前公开二进制名为 awiki-cli，部分能力仍在实现中。
agent-harness
Agent Harness 是 alirezarezvani/claude-skills 中的技能，把任意领域的技能文件夹编译为有边界的智能体循环：将目标编译为可验证的任务计划，用领域自带工具逐个执行，由控制器独立验证，按状态机停止。
autodiscovery
AutoDiscovery 是 AI 驱动的科学发现平台，通过贝叶斯惊喜与 MCTS 优化迭代运行实验。该技能作为路由，根据用户请求选择远程托管服务或本地 CLI 工作流，并读取对应说明文件后执行。
alterlab-bgpt-search
BGPT 论文搜索技能：通过远程 MCP 服务器检索科学论文，返回从全文研究中提取的结构化实验证据，包括方法、定量结果、样本量、质量评分等 25+ 元数据字段，适合构建证据表与元分析。
alterlab-pennylane
PennyLane 是硬件无关的量子机器学习框架，可对量子电路自动微分并像训练神经网络一样训练量子计算机，支持与 PyTorch、JAX 等经典框架集成，用于变分电路、VQE/QAOA、量子化学与混合量子-经典模型。
alterlab-stable-baselines3
基于 Stable-Baselines3 的单智能体强化学习技能，覆盖 PPO、SAC、DQN、TD3、DDPG、A2C、HER 等算法的训练、自定义环境、向量化环境、回调、评估与模型保存加载。
alterlab-torchdrug
基于 PyTorch 的药物发现机器学习工具箱 TorchDrug 的技能，覆盖分子与蛋白质的图神经网络、预训练模型与任务抽象，支持分子性质预测、蛋白质建模、知识图谱推理、分子生成、逆合成规划，含 40+ 数据集与 20+ 模型架构。
plotting-agent
PaperOrchestra 流水线第 2 步的绘图智能体，读取 outline.json 中的 plotting_plan，用 matplotlib 或 PaperBanana 渲染论文图表与概念示意图，生成 300 DPI PNG 和 captions.json 图注，并提供 figure_lint.py 校验分辨率、宽高比与图注覆盖。