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 10-16 00:02
21,854 个结果
ae-kb-discovery 是 AE（Agentic Engine）体系中的一个只读知识库发现技能，用于判断当前任务是否需要检索知识库，并从当前用户可访问的知识库中筛选出值得检索的候选，再交由 ae-kb 技能执行实际检索。它通过 ae-cli kb +list 获取可访问知识库的轻量列表，依据用户明确指定、会话上下文绑定（project、space、dwSpace）以及名称、描述、标签等元数据进行排序，默认选定一个首选知识库，最多保留三个候选并逐个尝试。该技能本身不执行检索，只负责发现与决策，检索流程（索引查看、grep、读取章节、可选的 LLM 综合）由 ae-kb 技能承担。它强调知识库是内部事实与业务上下文的可选来源，不改变用户原始目标，且仅使用只读原语，不创建、上传、编译或删除知识库，并遵守既有的范围、租户与成员权限。
DingTalk Bridge 是一个用于将钉钉（DingTalk）机器人消息桥接到 Clawdbot Gateway 的连接工具。它通过本地 WebSocket 连接，把钉钉的 outgoing webhook 消息转发给 Clawdbot Gateway，并将 AI 代理的回复发送回钉钉会话。适用于将钉钉设置为消息通道的场景。该工具提供 bridge.py 脚本用于运行桥接服务，支持通过环境变量配置端口、路径、签名密钥、机器人 ID 与名称、Clawdbot 配置路径、代理 ID 以及思考阈值等参数，并附带 macOS 自动启动的 setup_service.py 脚本。
该技能用于对生产环境中的 LLM 追踪（trace）进行根因分析，诊断 LLM 应用为何失败。它可从评估裁判结论、运行时错误或结构性异常出发，自动选择评估信号、错误信号或通用分析模式，通过搜索生产追踪并沿 span 树从症状走到根因。支持通过 Datadog MCP 服务器或 pup CLI 两种后端运行，提供评估发现、追踪与 span 探索、错误 span 查找、agent 循环时间线等工具，并遵循“解析→搜索→观察→开放编码→轴向编码→根因导航→建议”的方法论。
X Platform Agent 是由 Teneo Protocol 提供的一个网络智能体技能，主要通过捆绑的 Teneo CLI 来查询和调用。当用户明确需要 X Platform Agent，或任务与该智能体的实时能力匹配时，可使用此技能。它的作用是让使用者先查看该智能体的实时命令、参数与定价信息，再通过 Teneo CLI 执行该智能体。Teneo Protocol 是一个去中心化的 AI 智能体网络，涵盖网页抓取、加密数据、分析等方向。该技能不需要 SDK 导入，而是以命令行方式访问，CLI 源码内嵌在 teneo-cli 技能中，无需在网络上搜索外部 CLI 或工具。安装为一次性操作，安装后可列出全部可用智能体。支持的支付网络包括 Base、Peaq 和 Avalanche，并各自对应 USDC 合约地址。该智能体标识为 x-platform-agent，名称为 X Platform Agent。使用者还可以通过 teneo-cli 技能按智能体工作流构建并发布自己的智能体，按查询量赚取 USDC。
Hyperloom Workload Optimizer 是面向 AMD Instinct GPU 的 LLM 推理吞吐优化入口技能，基于 Hyperloom 多智能体优化器，自动完成端到端推理吞吐优化并报告经过验证的收益。它负责引导流程：确认工作区、安装 Hyperloom wheel、运行 /hyperloom-setup，然后将任务交给负责后续运行的技能。安装后由 hyperloom-setup 处理凭据与运行模式，演示技能提供工作负载预设，inference_optimizer 负责启动门禁与监控。该技能本身不执行优化命令、不实现 GPU 预检或后台启动，也不在安装或设置期间询问模型、TP/EP、并发、ISL/OSL、精度、目标或预算等工作负载参数。
PM Workflow Orchestrator 是一个 PM 技能编排调度器（dispatch skill），用于对同一份输入按顺序运行一组 pm-skills。它支持两种模式：Mode A 从已保存的 prioritized-action-plan 中读取可运行的 Section 7 提示并按序执行；Mode B 执行用户临时指定的 pm-skills 链条。默认采用 CHECKPOINTED 模式，每个成功步骤后暂停等待审批、编辑、跳过或重做；可选用 --auto 进入受保护的自动模式（干净步骤不暂停，失败仍停止，空步骤暂停）；--thread 可声明线性依赖，使每一步接收前一步确认后的产物。任一失败或空步骤都会导致停止。该技能是 pm-workflow-orchestrator 子代理的跨客户端调度包装层：在 Claude Code 上分派给原生子代理，在其他客户端上读取 agents/pm-workflow-orchestrator.md 并以“参考 + 内联执行”模式运行。任何客户端上都应先运行 --dry-run 做就绪检查。注意：在 Claude Code 原生路径上已通过冒烟测试，其他环境为实验性；它不替代已有的 workflow-* 固定工作流，不用于仅生成计划、审查单一产物或创作可复用工作流。
该技能用于从生产环境 LLM 追踪数据中引导生成评估器（Evaluator）。默认模式为 publish：分析生产追踪的输入输出模式与质量维度，提出在线 LLM-judge 评估器方案，经用户确认后以禁用草稿（enabled: false）形式写入 Datadog，不会自动启用或自动发布。技能支持四种输出模式：publish（默认，在线评估器）、sdk_code（生成基于 Datadog Evals SDK 的 Python 离线实验文件）、data_only（生成框架无关的 JSON 规格）、emit_dataset（仅采样生产追踪并输出 DatasetRecordRaw[] JSON 数据集，跳过评估器流程）。技能会自动判断使用 MCP 模式还是 pup CLI 模式，并支持按 span、trace、session 三种作用域对评估器进行分类。
Planning with Files 是一个面向多步骤 AI 智能体工作的持久化文件规划技能。它把 task_plan.md、findings.md 和 progress.md 三个 Markdown 文件保存在磁盘上，作为智能体的“磁盘工作记忆”，并通过生命周期钩子在会话中注入所选项目的规划内容。该技能强调先创建计划、每两次查看或搜索操作后立即保存关键发现、决策前重读计划、完成阶段后更新进度、记录所有错误并避免重复失败。它提供初始化、计划解析、完成检查、计划锁定与自检等脚本，支持并行任务、共享父目录和 Claude Code 的 /plan-goal、/plan-loop 等集成方式。
teneo-agents 是 Teneo Protocol 的技能，用于在执行命令前发现并选择合适的 Teneo 智能体。这些智能体可完成真实任务，包括代币兑换、社交媒体抓取、加密数据分析、商品搜索等，并通过捆绑的 Teneo CLI 进行调用。该技能提供列出全部智能体、查看指定智能体详情、发送命令以及使用自然语言 @agent 提及请求报价的能力。资料中列出了多个可用智能体及其命令数量与简介，例如 Amazon、Gas War Sniper、Google maps、Instagram Agent、Tiktok、CoinMarketCap Agent、LayerZero、LinkedIn、Messari BTC & ETH Tracker 等；另有部分智能体显示命令数为 0 且无描述。该技能的典型用途是：先确认哪个智能体能处理特定任务，再通过 CLI 执行具体命令；也可用于代币跨链桥接、实时多链 Gas 监控、加密货币市值排行查询、社交平台与地图商家信息提取等场景。
ads-validate 是 Claude Ads 的验证技能，用于检查合同、评分输入、运行包、能力、来源新鲜度、安全性、安装卸载及发布就绪状态，返回机器可读的通过/失败结果、最高优先级阻塞项、证据与恢复步骤。
这是一个指导如何创建有效 Skill（技能）的技能，属于 davila7/claude-code-templates 仓库。它用于在用户希望创建新技能或更新已有技能、以扩展 Claude 能力时提供指导。技能被定义为模块化、自包含的软件包，通过提供专门的知识、工作流和工具来扩展 Claude 的能力，相当于针对特定领域或任务的"入职指南"，把通用型 Claude 转变为具备程序性知识的专用智能体。该指南涵盖的核心内容包括：技能能提供什么（专门工作流、工具集成、领域专业知识、捆绑资源）；核心原则（简洁至上、设置适当的自由度）；技能的结构（必需的内容及可选内容目录）；渐进式披露设计原则（三级加载系统及若干组织模式）；以及技能创建流程（用具体示例理解技能、规划可复用内容、初始化技能、编辑技能、打包技能、基于实际使用迭代）。
cli-anything-ollama 是一个用于 Ollama 的命令行界面工具，通过 Ollama REST API 实现本地大语言模型推理与模型管理。该工具面向 AI 智能体与高级用户，目标是在无需图形界面的情况下完成模型管理、文本生成、对话以及嵌入向量生成等操作。它通过 pip 安装（pip install cli-anything-ollama），要求 Python 3.10+，且本地需已安装并运行 Ollama 服务（ollama serve）。工具提供模型管理（list、show、pull、rm、copy、ps）、文本与对话生成（generate text、generate chat）、嵌入生成（embed text）、服务状态查询（server status、version）以及会话状态管理（session status、history）等命令组，并支持交互式 REPL 模式。所有命令支持人类可读输出与 --json 机器可读输出两种格式，可通过 --host 连接远程主机，便于被程序化调用。
这是一个名为「Verification Before Completion」的智能体技能，核心主张是：在没有验证证据的情况下宣称工作完成，是不诚实而非高效。它要求在任何成功或完成声明之前，必须先运行完整的验证命令、读取完整输出、检查退出码与失败数量，确认输出支持该声明后，才能作出声明。技能给出了「铁律」——没有新鲜的验证证据，不得声称完成；并提供了门控流程（识别命令、运行、读取、验证、再声明）、常见失败对照表、危险信号清单、借口防范表，以及测试、回归测试、构建、需求核对、智能体委派等关键模式。适用于提交、创建 PR、任务完成、进入下一任务、委派智能体等场景，强调规则适用于原话、改写、同义词及任何暗示成功的表达。
Agent Context Isolation 是一套用于协调 AI 子代理工作方式的规则集，核心目标是防止代理的输出污染主对话的上下文窗口。它主张使用后台代理（run_in_background=true）并通过文件进行结果传递，让子代理把结果写入 .claude/cache/agents/<agent-type>/ 下的文件，主对话只读取文件，而非通过 TaskOutput 拉取完整转录。规则还建议通过系统提醒（system reminders）监控代理进度、以测试（如 bun test）而非代理输出验证工作结果，并给出了“研究→计划→验证→实现”的文件式代理流水线模式。它解释了上下文被淹没会引发对话中途压缩、丢失用户原始请求、需要重复解释等问题。
parallel-agents 是 continuous-claude-v3 技能集中的一项技能，用于并行智能体编排（Parallel Agent Orchestration）。它的核心目的是在同时启动多个智能体时避免上下文膨胀（context bloat）。该技能要求：不使用 TaskOutput 调用（因其会返回完整智能体输出、导致上下文膨胀）；始终使用 run_in_background: true 在后台运行；通过文件而非返回值确认状态；多个智能体向同一状态文件写入时应使用追加（>>）而非覆盖（>）。对于并行批量任务的简单确认，智能体向共享状态文件写入一行带时间戳的完成记录。对于研究/探索类任务，则为每个智能体分配独立目录，保存输出、产物与状态文件。每次并行批次最多 15 个智能体，需等待当前批次完成后再启动下一批。
groove-utilities-memory-graduate 是 groove 工具集中的一项技能，用于将工作流经验从 .groove/memory/learned/<topic>.md 提升为 AGENTS.md 中的永久约束。当某条经验足够稳定、适用于未来所有会话时使用。它会将经验追加到 AGENTS.md 的 <!-- groove:learned:start --> / <!-- groove:learned:end --> 区块中的 ## Graduated Learnings 小节，使所有后续会话无需运行 prime 即可看到。写入前需用户确认确切文本，源条目会被标记为已提升而非删除。
Opik 是一个开源 LLM 可观测性平台，本技能是其 SDK 参考文档，涵盖追踪（trace）、跨度类型（span types）、框架集成、线程（threads）以及提示词库（prompt library），支持 Python、TypeScript 和 REST。可用于查询跨度类型、为代码添加追踪、集成框架、管理多轮对话线程和版本化提示词。
中文介绍正在整理，稍后补充。
毛选.skill 是一个面向 Claude Code 等 AI 智能体的技能，将《毛泽东选集》中的思维模型提炼为可操作的分析框架，用于创业竞争、团队冲突、资源分配与职业转型等战略问题。它不扮演历史人物，而是用矛盾分析、持久战、农村包围城市等方法审视用户的实际问题。
Inngest Agent Evals 是构建在 Inngest 函数、持久化步骤、评分（scores）、延迟评分器（deferred scorers）、会话（sessions）、追踪（traces）、实验（experiments）与 Insights 之上的生产环境评估工作流，用于评估 AI 智能体或 AI 工作流。它并非独立安装包，而是由 Inngest 现有能力组合而成的评估方案。适用场景包括：对智能体或工作流结果打分、比较提示词/模型/工具、将相关运行分组、调试某次智能体结果好坏的原因。使用前需安装最新 TypeScript SDK v4（npm install inngest@latest），评分与延迟评分为 beta API，需按官方文档核对导入方式。
video-generation 是 postplus-skills 中的视频生成控制器技能，用于在执行前对视频生成请求进行分类与路由，本身不提交任务。适用于简单片段、分镜、UGC、播客片段、参考视频、口播、图生视频、文生视频等请求。
这是一个面向已接入 Datadog LLM Observability 的 ml_app 的端到端 Agent 可观测性评估流水线技能。它以确定性的六阶段引导流程组织工作：分类生产 trace、根因分析失败、引导生成评估器、创建并发布数据集、生成并运行实验、分析实验结果。技能本身只做编排与教学，具体分析逻辑由子技能完成。支持 MCP 与 pup 两种后端，可指定时间窗口、trace 采样上限、评估器风格与输出格式，并支持从任意阶段开始或停止。
Prompt Improver 是一个用于改进提示词（prompt）的技能，基于通用的 LLM/智能体最佳实践对用户提供的提示词进行分析与优化。它关注可验证性、清晰的范围、明确的约束以及上下文经济性，使智能体能够以最少的来回沟通执行任务。该技能会输出改进后的提示词版本，识别原提示词中的问题，并在输入为智能体指令文档（如计划文件、AGENTS.md、系统指令文档）时，将文档本身作为改进目标，提出具体改进建议并附上修订草稿。在 Claude Code 中运行时还会读取 references/claude.md 应用 Claude 专属技巧，在 Codex CLI 中运行时读取 references/codex.md 应用 Codex 专属技巧。
该技能用于设计和构建神经网络架构，涵盖前馈网络（MLP）、卷积网络（CNN）、循环网络（LSTM/GRU）、Transformer 以及残差网络（ResNet）等类型，使用 PyTorch 和 TensorFlow 实现。内容涉及架构选择、层组合、激活函数、归一化层、正则化技术及优化方法，并提供各架构的代码实现、参数计数对比与可视化示例。适用于为图像分类、目标检测、时间序列预测、自然语言处理等任务设计自定义网络，或组合 CNN、RNN 与注意力机制的混合架构。