SuperAPI AI 工具集

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 10-25 00:14

智能体与模型

24,795 个结果

recursive-router

recursive-router 是 recursive-mode 工作流中的一个路由技能,用于把已委派的审计、审查或有界实现工作,通过用户可编辑的 CLI/模型策略分发到外部 CLI 和模型。它并不放宽 recursive-mode 的标准:路由返回的外部输出在主智能体依据真实文件、真实 diff 和真实递归产物完成验证之前,仍被视为不可信。该技能帮助当前控制器(用户所在 CLI、IDE 或智能体会话中的模型)为有界委派角色选择并调用外部 CLI/模型,但控制器本身仍是唯一的工作流编排者,负责任务排序、准备上下文包、拒绝不合契约的输出、决定修复或重路由,并持续跑审计-修复循环直至真实门禁通过。路由设置、CLI 探测和路由重配置均为可选操作,只有在用户明确要求路由或已存在活动路由策略时才执行本地设备检查。若调用返回 success: false 或非零退出码,应视为失败尝试,保留输出作为诊断证据,修复提示或上下文后重试,不得据此标记阶段通过。

智能体与模型48 次安装

bitrix24-agent

Bitrix24 Agent 是一个用于设计、实现、调试和加固 AI 智能体与 Bitrix24 REST API 集成的技能。它覆盖 Webhook、OAuth 2.0、权限范围(scopes)、事件、批量调用、速率限制以及 REST 3.0 等主题,强调低 token 消耗与生产环境安全默认值。该技能提供受治理的命令行客户端,支持方法调用、包(packs)白名单、写入确认门、计划→执行两阶段写入、幂等性、审计追踪、速率限制与重试;并提供离线事件同步工作器,用于构建无丢失的事件管道。适用于需要安全、可靠地对接 Bitrix24 门户的开发与运维场景。

智能体与模型48 次安装

embedded-project-loop

embedded-project-loop 是一个面向 Arduino 与嵌入式硬件工作的技能,适用于跨会话、涉及零件交付、接线、焊接、烧录、测量、现场测试或故障恢复的任务。其核心是用一个持久的小循环管理文件与物理硬件之间的边界:智能体可以准备和验证主机侧产物,但不得臆造焊接、烧录、测量或现场证据。该技能维护明确的目标、下一步待办、证据边界、回滚路径和物理门禁,并在项目 `.arduino/` 目录(或用户指定的外部证据目录)中保存 goal.md、next-todo.md、board-profile.md、evidence 目录、experiment-log.jsonl 与 resume-token.md 等状态文件。迭代流程包括读取目标与上次记录、选择一项单一变更、运行最窄可用的主机/构建检查、在物理门禁处停下等待用户、比对观察结果与预期、追加记录并更新下一步待办。物理门禁要求用具体问题等待实际观察,禁止以未经验证的“是”代替。证据按构建、上传、硬件、系统、部署等阶段分级,证据缺失时标记为 unverified 或 blocked。该技能不提供任何具体收费或价格信息。

智能体与模型48 次安装

run-agent-browser

run-agent-browser 是一个面向命令行环境的 agent-browser 运行时选择与故障升级技能。它要求以实时终端 REPL 的方式驱动浏览器:执行一条命令、读取结果、再决定下一步,除非用户明确要求可复用脚本,否则不要把浏览器操作串成脚本或使用 && 链接。技能提供四级优先级阶梯:优先使用本地 Chrome(带反自动化参数),失败后升级到 Steel CDP,再失败则改用云提供商(Browser Use、Kernel、Browserless、Browserbase),全部失败后向用户索取凭据、CDP URL 或安装部署授权,而不是直接放弃。技能涵盖 @ref 快照、标签页、截图、UI 验证、CDP 附加、代理与隐身默认设置、密钥与凭据安全、会话清理以及结果报告契约。

智能体与模型48 次安装

mcp-builder

mcp-builder 是一个指导创建高质量 MCP(Model Context Protocol)服务器的技能文档,目标是让 LLM 能通过设计良好的工具与外部服务交互。它以 MCP 服务器能否帮助 LLM 完成真实任务作为质量衡量标准,给出了从研究规划、实现、审查测试到创建评估的完整工作流。文档涵盖现代 MCP 设计权衡(API 覆盖度与工作流工具、工具命名与可发现性、上下文管理、可操作的错误信息)、协议与框架文档的查阅路径,并推荐 TypeScript + Streamable HTTP(远程)/stdio(本地)或 Python 技术栈。实现阶段讲解项目结构、共享基础设施(带鉴权的 API 客户端、错误处理、响应格式化、分页)以及工具实现要点(Zod/Pydantic 输入模式、输出模式与 structuredContent、注解 hints 等)。最后介绍用 MCP Inspector 测试、代码质量审查及编写 10 道独立、只读、可验证评估题并输出 XML 的方法。

智能体与模型48 次安装

bedrock-agentcore

Amazon Bedrock AgentCore 是用于构建、部署和运营生产级 AI 智能体的平台,无需自行管理基础设施。它提供与框架无关的基础能力,可配合 Strands、LangGraph、CrewAI、Autogen 等开源框架及任意模型使用。平台由六个独立服务模块组成:Runtime(会话隔离的智能体运行环境)、Gateway(将现有 API 与 Lambda 转换为智能体可用工具)、Browser(浏览器自动化)、Code Interpreter(安全代码执行)、Identity(身份集成)以及可观测性(CloudWatch 与 OpenTelemetry)。适合在 AWS 上构建生产智能体、需要会话隔离与企业级安全、希望复用现有智能体框架、或需要浏览器自动化与代码执行能力的场景。不适用于简单的 Bedrock 模型调用、标准 Bedrock Agents 或非 AWS 部署。使用前需具备 AWS 账户与 Bedrock 访问权限、相应 IAM 权限及 Python 3.10+。

智能体与模型47 次安装

memory-manager

Memory Manager 是一个面向自主编程会话的外部持久化记忆系统,用于跨会话保存和检索知识。它支持四种记忆类型:情景记忆(记录过往事件与结果)、程序记忆(记录已学会的技能与代码模式)、语义记忆(记录项目事实与架构决策)、因果记忆(记录错误到解决方案的链条)。通过 Python 脚本调用,可将错误模式、解决方案、项目知识等存入项目目录下的 .claude/memory/ 中,并在后续会话中检索相似错误与对应解决方案,实现自我修复式的问题处理。

智能体与模型47 次安装

grill-me

通过持续追问的方式,就一个方案或设计反复采访用户,直到双方达成共识,并逐一解决决策树上的每个分支。适用于用户希望在动手前彻底想清楚计划的场景。该技能会一次只问一个问题,等待回答后再继续;能通过探索环境(文件系统、工具等)查明的事实会自行查找而不去问用户;决策权始终交给用户。开始前会先询问“追问深度”:deep(默认,遍历每个分支与边界情况)、standard(关键假设加主要边界情况,约15–25个问题)、quick(只问最关键的5个高杠杆问题,约5–10个问题)。支持 /grill-me deep、/grill-me standard、/grill-me quick 及 3 / 2 / 1、deepest / medium / sharp 等别名直接指定深度。未经用户确认达成共识,不会对方案采取行动。

智能体与模型47 次安装