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 10-25 00:14
24,796 个结果
DSPy 是斯坦福 NLP 团队开发的声明式语言模型编程框架，GitHub 星标 22,000+，用于构建复杂 AI 系统、自动优化提示词，以及创建模块化的 RAG 系统和智能体。它让开发者以声明式方式编程语言模型，而不必依赖手工提示工程，并通过数据驱动的优化器系统化地提升模型输出质量。核心概念包括 Signatures（定义输入输出结构）、Modules（可复用组件，如 Predict、ChainOfThought、ReAct、ProgramOfThought）、Optimizers（如 BootstrapFewShot、MIPRO、BootstrapFinetune）以及评估与自定义指标。安装方式为 pip install dspy，也支持指定提供商的扩展安装。
GPTQ（Generative Pre-trained Transformer Quantization）是一种针对大语言模型的训练后量化方法，可将模型权重压缩至 4 位，同时尽量保持精度。它采用分组量化（group-wise quantization），借助 Hessian 信息最小化量化误差，通常能实现约 4 倍显存降低、低于 2% 的精度损失，并带来 3-4 倍于 FP16 的推理加速。适用于在消费级 GPU（如 RTX 4090、3090）上部署 70B、405B 等大模型，或需要显著降低显存占用、提升推理速度的场景。可通过 AutoGPTQ 库安装使用，支持加载 HuggingFace 上预量化模型，也可自行量化模型，并可与 transformers、PEFT（QLoRA 微调）等集成。
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。
该技能用于扩展 Transformer 模型的上下文窗口，覆盖 RoPE、YaRN、ALiBi 与位置插值（Position Interpolation）等技术，面向 32k–128k+ token 的长文档处理、预训练模型上下文扩展、高效位置编码实现、长度外推训练以及可变长输入部署等场景。资料给出 RoPE 的旋转位置嵌入实现代码、ALiBi 的线性偏置与斜率计算代码、LLaMA 的位置插值与 HuggingFace rope_scaling 配置示例，并列出各方法的适用场景、显存与训练量对比。安装方式包含 HuggingFace Transformers 与 torch、einops、rotary-embedding-torch、flash-attn 等依赖命令。属于模型底层能力扩展的技术参考。
nanoGPT 是由 Andrej Karpathy 开发的极简 GPT 实现，约 300 行代码，用于学习和实验 Transformer。它可以在 OpenWebText 上复现 GPT-2（124M），代码干净、易修改，适合教学、快速原型和有限算力场景。安装依赖包括 torch、numpy、transformers、datasets、tiktoken、wandb、tqdm。支持字符级莎士比亚训练（CPU 约 5 分钟）、多 GPU 复现 GPT-2、微调预训练 GPT-2 以及自定义数据集训练。
PyTorch FSDP（Fully Sharded Data Parallel，完全分片数据并行）是 PyTorch 提供的分布式训练方案，用于在多 GPU、多节点环境下训练大规模模型。该技能基于官方文档生成，提供参数分片、混合精度、CPU offloading 以及 FSDP2 等方面的专家级指导。当用户需要了解 FSDP 的功能或 API、实现 FSDP 训练方案、调试相关代码或学习最佳实践时，可以触发该技能。资料同时涵盖 torch.distributed 分布式通信包的基础内容，包括后端选择（NCCL、Gloo、XCCL、MPI）、进程组初始化、环境变量配置，以及用于处理不均匀输入的通用 Join 上下文管理器（Join、Joinable、JoinHook）。
RWKV（Receptance Weighted Key Value）是一种结合 Transformer 与 RNN 特点的模型架构：训练时像 GPT 一样并行，推理时像 RNN 一样按序处理，实现 O(n) 线性时间推理与 O(1) 常数显存占用，无需 KV cache，支持无限上下文。该技能提供 RWKV 的安装、基础使用（GPT 模式与 RNN 模式）、流式文本生成、长上下文处理、微调、与 Transformer 对比等实用工作流，并给出显存需求、性能对比、常见问题排查和进阶主题指引。
这是一个面向生产环境的资深机器学习/人工智能工程技能，聚焦将 ML 模型落地、MLOps 与构建可扩展 ML 系统，覆盖模型部署、监控、RAG 系统、实时推理与分布式数据处理。技能内提供参考文档与自动化脚本，并列出常用开发、训练、部署与监控命令，适合需要企业级 AI/ML/数据系统实践指导的工程师使用。
Speculative Decoding 是一个用于加速大语言模型（LLM）推理的技能，涵盖三种主要技术：草稿模型投机解码、Medusa 多头解码和 Lookahead 前瞻解码。该技能适用于需要将推理速度提升 1.5-3.6 倍且不损失质量的场景，例如降低聊天机器人、代码生成等实时应用的延迟，优化高并发服务的吞吐量，以及在受限硬件上高效部署。其核心思路是用小模型或额外预测头生成候选 token，再由大模型并行验证，从而减少串行解码步数。文档提供了 transformers、Medusa、LookaheadDecoding 及 vLLM 的安装方式，并给出各方法的快速开始代码、算法原理、超参数调优建议与生产部署示例。资料显示三种方法均无质量损失，其中 Medusa 需要少量训练（仅训练预测头），Lookahead 则无需草稿模型或训练即可开箱使用。
prompt-enhance 是 agent-skills 中的技能，用于把粗糙提示、口述草稿或半成品指令改写成一个可供编码或知识类智能体直接执行的精炼提示词。它不追问用户，缺信息时用合理假设或[NEEDS: ...]标记，并输出改写结果及改动、假设、缺口说明。
Skill Creator Pro 是一个用于创建和优化 Claude 技能（skills）的元技能。它帮助用户从零开始创建生产级、可复用的技能，或改进现有技能的质量。该技能通过自动化的领域发现流程，先主动研究目标领域的核心概念、最佳实践、反模式和安全注意事项，再向用户询问其具体需求，从而生成内嵌领域专业知识的技能。它支持五种技能类型：构建器（Builder）、指南（Guide）、自动化（Automation）、分析器（Analyzer）和验证器（Validator），并遵循渐进式披露、简洁性和适当自由度等设计原则。生成的技能包含 SKILL.md 主文件以及 references/、scripts/、assets/ 等资源目录，确保技能具备零样本执行能力。该技能不处理技能创建后的版本管理或部署，但要求交付前进行本地测试。
一种由架构师、构建者、审查者三个智能体组成团队循环，用于设计、实现和验证单一功能的技能，触发词为“3a로 만들어줘”“3에이전트”“설계-구현-검토”“team-3a”。比 peach-team-dev 更轻量，适合单一功能或小规模修改。
Hermes Agent CN Desktop 是一个以 Windows 优先、跨平台的 AI 智能体桌面客户端，基于 Tauri v2、Rust、React 和 TypeScript 构建，内嵌 Hermes Agent 核心运行时。它把 Hermes Agent 仪表盘封装为原生桌面应用，提供本地运行时的安装、更新、健康检查与回滚管理，原生文件对话框与窗口管理，并通过 Rust 代理 REST/SSE 请求以在生产模式下绕过 CORS。应用包含完整的 Agent 界面：聊天、流式输出、附件、MCP 工具、Skills 与 Memory，并支持中文生态的 LLM 提供商（智谱、百川、DeepSeek 等）以及本地模型（Ollama、vLLM），内置运行时诊断与健康监控。项目采用 pnpm 工作区结构，前端使用 Vite、TanStack 与 Jotai，后端为 Rust Tauri 命令与进程管理，协议层使用 Zod 定义 API 契约。
STS2MCP 是《杀戮尖塔 2》的模组，通过本地 REST API 暴露游戏状态与操作，并提供可选 MCP 服务器，供 AI 智能体读取战局、执行出牌与地图选择等动作，支持单人和多人流程自动化。
Skill Authoring 是一套用于创建、审计和整合 Agent Skills 的元技能方案，遵循 Agent Skills 开放标准。它通过渐进式披露、强上下文指针、可检查的完成标准以及单一来源的行为约束，帮助作者产出可预测的 Agent Skill，并返回经过起草或修复的技能及其审查清单。该方案给出了一整套设计原则：每个触发短语对应一个技能；按动词而非名词拆分；根据误路由的代价权衡拆分与合并；把常在步骤放在 SKILL.md 中，把分支专属参考放在带读取时机的指针之后；引用保持单层深度且可独立使用；描述控制在 1024 字符以内、技能正文控制在 500 行以内；把确定性校验与转换放进脚本。它还区分了提示词重复（禁止）与代码重复（预期存在），并强调规则若要被运行时智能体使用就必须写在技能内，而不能依赖某个仓库的 AGENTS.md。命名上主张按领域加动词命名并与触发短语对齐。该技能包含创建、审计、整合三条条件分支，创建或面试式起草依赖名为 /grilling 的面试技能，宿主若无法按名调用则应停止起草。
skill-maker 是一个用于创建、审计与整合 Agent Skills（agentskills.io 开放标准）的工作流技能。它提供“创建—审计—整合”的持续循环流程，适用于新建技能、起草 SKILL.md、审查或改进已有技能，以及将多个技能合并为更少的技能。该技能强调渐进式披露、引用层级不超过一层、描述不超过 1024 字符、SKILL.md 正文不超过 500 行，并在修复时采用外科手术式编辑而非重写未损坏部分。创建路径需要 Matt Pocock 的 grilling 技能进行访谈，审计与整合路径在未实际访谈时可跳过该门槛。
glm-runner 是一个通过 Pi CLI 在 OpenRouter 上以 GLM 席位执行提示词的工具，每次调用固定使用 Z.AI 的 GLM 5.3 Flash（z-ai/glm-5.3-flash）。它取代了此前基于 Cline 的兼容层，不再需要按提供商维护模型 ID 映射，也不存在可变的提供商状态。该技能委托给共享的 pi-runner 实现，运行环境为封闭式（不加载扩展、技能或 AGENTS.md/CLAUDE.md 发现），除 implementer 外的分析类角色默认只读。若 CLI 缺失或凭据缺失，会明确报告席位不可用或认证缺失，绝不回退到其他提供商，以保证 GLM 席位的输出保真。
用于维护基于文件系统的 LLM Wiki 或 Obsidian 知识库的技能，默认部署 Ar9av/obsidian-wiki 框架，支持摄取、查询、检查与迁移旧版 LLM Wiki 布局。
Project Wiki Manager 是 UI/UX Agent Skill System 中的项目记忆协调技能，用于管理经过脱敏的项目记忆，并为大型 UI/UX、SEO、Figma、Stitch、进度屏、技能系统、迁移、发布等工作提供 Obsidian/LLM 维基门禁。它决定哪些内容应被记录、哪些必须排除、调用哪个维基后端技能，以及下游智能体应如何消费生成的上下文。支持 init、capture、context-pack、sync、audit、handoff 六种运行模式，并强制在写入或摄取任何产物前阅读脱敏策略，禁止存储密钥、令牌、Cookie、.env 值、恢复码、私密截图或私密 URL（除非用户明确批准）。
Site AI Assistant Builder 是一个用于设计网站公开 AI 助手行为的技能。它让助手仅基于已批准的内容来源作答，并限制其可执行的安全操作。该技能提供四种工作模式：assistant-spec（定义范围、知识来源、允许的声明、拒答与升级）、rag-handoff（定义文档/来源索引边界与新鲜度）、safety-review（检查提示注入、工具权限、日志、速率限制、隐私与滥用场景）、implementation-handoff（在不含密钥的前提下准备构建任务）。其工作流要求阅读安全契约参考文件、使用助手规格模板、定义真实来源内容与禁止声明，并加入提示注入控制、来源引用行为、升级路径、速率限制与审计日志。安全规则明确禁止公开助手拥有破坏性工具或密钥访问，禁止编造价格、可用性、法律条款、保修、认证或医疗/金融/法律建议，禁止在产物中存储 API 密钥、含密钥的系统提示、私有 CRM 数据或原始用户 PII，并要求在预订、购买、合同或 CRM 变更流程前进行人工确认。
该技能用于将自定义 PyTorch 模型转换为 Hugging Face Transformers 格式，并在转换过程中保持与原实现完全兼容。它提供了一套系统化的工作流程：将硬编码值提取到 PretrainedConfig、创建 PreTrainedModel 包装类、构建 ImageProcessor 或 Tokenizer、编写等价性测试、生成模型卡以及准备上传到 Hub 的脚本。技能强调先采用验证模式（并行实现）确认等价性，再替换原实现，并给出了配置类、模型类、图像处理器、兼容性测试和推送脚本的代码模板，以及常见问题排查与调试策略。
agent-squad 是一个主智能体编排器，用于协调一支由多个专职智能体组成的团队。它本身不写代码、不做架构决策，而是负责理解用户需求、路由到合适的智能体、接收结构化报告并向用户转达精简摘要。
azure-mgmt-botservice-py 是 Azure Bot Service 的 Python 管理 SDK 技能，用于创建、管理和配置 Azure Bot Service 资源，包括机器人（Bot）、通道（Channel）与 OAuth 连接。安装命令为 pip install azure-mgmt-botservice 和 pip install azure-identity，需配置 AZURE_SUBSCRIPTION_ID、AZURE_RESOURCE_GROUP 等环境变量，使用 DefaultAzureCredential 进行认证。支持机器人的创建、查询详情、按资源组或订阅列出、更新与删除；支持配置 Microsoft Teams、Direct Line、Web Chat、Slack、Facebook、Email 等通道；支持创建与列出 OAuth 连接设置；并提供 Direct Line、Email、Host Settings 等客户端操作。文档给出 F0 免费层与 S1 标准层两种 SKU 选项，以及使用托管标识、Key Vault 保存密钥、按需启用通道、定期轮换 Direct Line 密钥等最佳实践。具体收费、平台限制与完整效果暂未提供。
m365-agents-py 是面向 Python 开发者的 Microsoft 365 Agents SDK 使用技能，用于构建可在 Microsoft 365、Teams 和 Copilot Studio 中运行的多渠道企业级智能体。它基于 aiohttp 提供托管能力，通过 AgentApplication 实现消息路由，支持流式响应与基于 MSAL 的身份验证。技能内容涵盖安装命令、环境变量配置、核心工作流示例、路由与 OAuth 自动登录、Copilot Studio 直连客户端以及最佳实践。需注意近期导入结构已从 microsoft.agents 变更为 microsoft_agents（下划线）。该技能依赖外部参考资料 references/acceptance-criteria.md，此文件未随目录提供，使用相关步骤前需先获取原始材料或已有安装。