agent-memory
agent-memory 是一个跨会话持久记忆技能，用于保存、检索与整理知识，触发词包括“remember this”“save this”等。记忆以 Markdown 文件形式存于 .claude/skills/agent-memory/memories/，通过 frontmatter 的 summary 字段供快速筛查。
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 10-16 00:02
智能体与模型
23,288 个结果
botchan
Botchan 是构建在 Base 区块链之上、基于 Net Protocol 的链上智能体消息层命令行工具（CLI）。它为 AI 智能体提供了一个永久、无需许可的消息通信渠道：消息一旦上链便永久保存，任何智能体均可访问，且不归属于任何中心化主体。每个拥有加密钱包的智能体都天然拥有一个以钱包地址为身份标识的档案页，其他智能体可以向该地址发帖，也可以浏览其内容。用户无需注册、无需维护数据库、无需中心化服务器，安装后即可探索网络。工具支持浏览已注册的公开话题 feed、读取动态、查看指定地址在所有 feed 中的发帖、发表主题帖、评论、回复，以及向其他智能体的地址发送直达消息（地址本身即收件箱）。写入操作需要钱包和少量 Base 链上 ETH 支付 gas，支持直接使用私钥提交，或通过 --encode-only 生成交易数据后交由 Bankr 钱包完成签名与提交（官方推荐后者用于 AI 智能体）。安装方式为 npx skills add stuckinaboot/botchan，CLI 通过 npm install -g botchan 安装。
autogpt-agents
AutoGPT 是一个用于构建、部署和管理持续运行 AI 智能体的自主智能体平台，提供可视化界面与开发工具包两种使用方式。它适合构建持续运行的自主智能体、创建可视化工作流智能体、部署带外部触发（Webhook、定时任务）的智能体，以及搭建复杂的多步骤自动化流水线，也支持无代码/低代码的智能体构建。平台主要能力包括：可视化智能体构建器（拖拽式节点工作流编辑器）、持续执行（智能体通过触发器持久运行）、市场（可共享和复用预构建智能体与区块）、区块系统（面向 LLM、工具、集成的模块化组件）、Forge 开发工具包（用于创建自定义智能体）以及基准测试系统（标准化智能体性能测试）。安装采用 Docker 方式，克隆仓库后进入 autogpt_platform 目录，复制环境文件并启动后端服务，前端需单独安装依赖并运行开发命令。
long-context
Long Context 是一个用于扩展 Transformer 模型上下文窗口的技能，基于 RoPE、YaRN、ALiBi 和位置插值（Position Interpolation）等技术。适用于处理 32k、64k、128k+ token 的长文档，扩展 LLaMA、Mistral 等预训练模型的上下文长度，实现高效位置编码、长度外推训练，以及以较低算力微调模型以支持更长上下文。技能提供各技术的原理说明、代码示例、HuggingFace 集成方式、微调流程与生产部署建议。
ultragoal
ultragoal 是 oh-my-claudecode 提供的一个持久化多目标工作流工具，用于在多个 Claude 会话或 worktree 之间跟踪一个大型目标。它把计划与账本（ledger）等工件持久化到 .omc/ultragoal 目录下，并为当前会话打印 Claude /goal 的交接文本。适合需要多个有序“故事（story）”、记录尝试次数与逐条证据、并在最终完成前经过 ai-slop-cleaner、验证与 $code-review 质量门禁的大型任务。它本身不能从 shell 调用或修改 Claude Code 的 /goal 状态，只负责持久化工件并输出供活动 Claude 智能体读取执行的指令。
serving-llms-vllm
该技能介绍如何使用 vLLM 以高吞吐量服务大语言模型，依托 PagedAttention（分块 KV 缓存）与连续批处理（混合 prefill/decode 请求）实现高性能推理。内容涵盖安装方法、离线批量推理、OpenAI 兼容服务端部署、量化模型服务（AWQ/GPTQ/FP8）、生产部署检查清单（配置、压测、监控、Docker 部署与指标验证）、Prometheus 监控指标、常见问题排查（显存不足、TTFT 过高、吞吐低、模型未找到等）、硬件需求与官方资源。适合部署生产级 LLM API、需要低延迟高吞吐的多用户应用，以及在有限显存下运行大模型的场景。
fal-models-catalog
fal-models-catalog 是 fal.ai 社区技能，用于为给定任务选择合适的 fal.ai 生产端点。它按模态组织目录，覆盖文生图、图生图、文生视频、图生视频、视频转视频、文生3D、图生3D、文生音频、音频转文本、图像转文本等，并按用例（高端写实、快速低成本、4K、专用）给出精选端点。所有端点调用通过 genmedia CLI 执行，需先运行 genmedia init。核心流程为：从对应模态参考中选取端点 ID，用 genmedia models 验证、genmedia schema 查看结构、genmedia pricing 查询成本；仅在端点缺失、弃用、被拒或未覆盖时才使用文本搜索。
llamaindex
LlamaIndex 是一个用于构建 LLM 应用的数据框架，专注于 RAG（检索增强生成）。它提供文档摄取（300+ 连接器）、索引和查询能力，支持向量索引、列表索引、树索引等多种结构，并可将查询引擎封装为工具供智能体调用。项目在 GitHub 上拥有 45,100+ 星标，被 23,000+ 仓库使用，拥有 1,715+ 贡献者，当前稳定版本为 v0.14.7，采用 MIT 许可证。
longbridge-graham-stock-analysis
基于长桥数据的格雷厄姆雪茄烟蒂（NCAV/净流动资产）单股诊断技能，输出静态便宜度评分、动态调整、价值陷阱判定、清算价值表与持有期视角，所有数字均标注来源。
replicate
Replicate 提供通过 API 发现、比较和运行 AI 模型的技能：可搜索模型与策展集合、获取模型输入输出 schema、创建预测并轮询结果，支持 webhook 回调与官方模型，适合需要集成多种 AI 模型的应用开发。
llm-application-dev
llm-application-dev 是一个关于使用大型语言模型构建应用的开发技能，涵盖提示工程、RAG 模式与 LLM 集成，适用于构建 AI 驱动的功能、聊天机器人或基于 LLM 的应用。内容包含结构化提示、少样本示例、思维链、OpenAI 与 Anthropic 的 API 调用模式、流式响应、基础 RAG 流程、文档分块、向量嵌入存储与检索、错误处理，以及令牌管理、缓存、评估、护栏、日志、成本控制、延迟与隐私等最佳实践。
novu-dashboard-workflows
Novu Dashboard Workflows 是 Novu 官方技能库中的一项技能，用于为在 Novu Dashboard 中定义、或通过 Novu MCP 生成/编辑的工作流编写步骤内容。它规定了在填写步骤控件（如主题、正文、editorType、headers、body、conditions 等）时应遵循的规则，适用于手动编辑或通过 MCP 工具调用写入步骤内容的场景。该技能强调使用 Liquid 变量实现个性化、引用 HTTP 步骤响应数据时须遵循 responseBodySchema、避免硬编码 URL 与产品名称，并针对 Email、In-App、SMS、Push、Chat、Delay、Digest、Throttle、HTTP Request 及步骤条件等不同步骤类型提供对应的参考文档。若使用 @novu/framework 以代码方式编写工作流，则应跳过此技能。
prompt-engineering-patterns
Prompt Engineering Patterns 是一套面向大语言模型（LLM）应用的高级提示工程技能，旨在帮助开发者最大化模型的性能、可靠性与可控性。它覆盖少样本学习、思维链提示、提示优化、模板系统与系统提示设计等核心能力，适用于为生产级 LLM 应用设计复杂提示、优化提示性能与一致性、实现结构化推理模式、构建动态示例选择的少样本系统、创建可复用的变量插值模板、调试输出不稳定的提示，以及为专用 AI 助手编写系统提示等场景。该技能提供渐进式披露、指令层级、错误恢复等关键模式，并给出与 RAG 系统、自验证流程的集成方式，以及令牌效率与延迟优化的实践建议。
workflows-create
Zapier Workflows Create 是一个用于通过自然语言创建持久化 Zapier 工作流的技能，基于 @zapier/zapier-durable 和 Zapier SDK CLI 实现。它适用于用户希望构建 Zapier 工作流的场景，能够从自然语言请求中提取步骤、应用、数据传递、条件逻辑、等待与人工审批等要素，并生成完整的 workflow.ts 项目文件，随后通过 Zapier SDK 的实验性 Code Workflows 命令进行测试与部署。该技能要求先运行 workflows-doctor 兼容性检查，并验证 zapier-sdk 相关命令可用。它强调使用公开的 SDK CLI 路径，不使用 zapier-sdk-code-substrate。工作流必须明确起始模式（trigger 或 manual），并需用户确认构建计划后再生成代码。对于 AI 步骤，推荐使用 "AI by Zapier"（应用键 AICLIAPI），默认模型为 advanced/auto，使用内置凭据。依赖版本方面，@zapier/zapier-durable 和 @zapier/zapier-sdk 可使用 latest，其余依赖需指定精确版本。
council-review
Council Review 是一个多智能体辩论技能，将任意问题、计划、PR 或代码交给 5 位使用不同推理方法的 AI 顾问，通过协作、匿名同行评审与综合裁决给出可信结论。它实现 Diverse Multi-Agent Debate（DMAD）模式，强调协作而非对抗，并可选配自适应停止、置信度加权、多样性度量、陪审团等增强功能。
scrum-master
Scrum Master 是一个用于敏捷开发流程规划的技能，定位为“第四阶段 - 实施规划专家”。它负责将史诗（Epic）拆解为详细的用户故事，使用斐波那契故事点估算复杂度，并依据团队速度与产能规划冲刺迭代。其主要职责包括：将史诗拆解为带验收标准的用户故事、用故事点估算故事复杂度、基于团队速度与产能规划冲刺迭代、通过燃尽指标跟踪冲刺进度、促进故事梳理与待办列表整理，以及确保工作具备合理的规模、范围与可交付性。核心原则强调小批量（单个故事可在 1-3 天内完成，最多 8 个故事点）、以用户为中心、可测试、规模适中（按级别控制故事数量：L0=1、L1=1-10、L2=5-15、L3=12-40、L4=40+）以及基于速度（使用 3 个冲刺的滚动平均值规划未来产能）。该技能提供 Sprint Planning 相关命令，并可与 Product Manager、System Architect、Developer 等其他角色进行工作流衔接，同时借助并行子智能体提升上下文利用效率。
langsmith-fetch
LangSmith Fetch 是一个用于调试 LangChain 与 LangGraph 智能体的命令行技能。它通过在终端中直接从 LangSmith Studio 拉取执行轨迹（trace），帮助开发者定位智能体行为异常、排查运行错误、分析记忆操作与检查性能表现。安装方式为 pip install langsmith-fetch，并需设置 LANGSMITH_API_KEY 与 LANGSMITH_PROJECT 两个环境变量。该技能可自动响应用户关于"调试我的智能体""显示最近轨迹""检查错误""分析记忆操作""检查 token 用量""调用了哪些工具"等请求，支持按时间窗口获取轨迹、深入分析单条 trace、导出调试会话、检测错误模式等典型工作流。输出支持 pretty、json、raw 三种格式，便于人工查看、结构化解析或管道自动化处理；还支持包含元数据、按时间戳过滤与并发拉取。适用于快速排查智能体报错、识别工具误用、验证记忆读写、分析性能瓶颈以及提交代码前的健康检查等场景。使用前需确认已安装该工具并正确配置环境变量，否则可能返回无轨迹结果；具体定价与计费信息暂未提供。
computer-use-agents
Computer Use Agents 是一套关于构建“计算机使用型 AI 智能体”的实践模式集合，来源于 davila7/claude-code-templates。它讲解如何让 AI 像人一样操作电脑：查看屏幕、移动光标、点击按钮、输入文字。内容涵盖三大主题：感知-推理-行动循环（截图观察、视觉语言模型分析规划、执行鼠标键盘操作、观察反馈并纠正）、沙箱隔离环境模式（用 Docker 容器与虚拟桌面隔离运行，限制网络、文件系统、凭据、系统调用与资源），以及 Anthropic Computer Use 官方实现模式（使用 Claude 的 computer use 能力，提供截图、鼠标、键盘、bash、文本编辑器等工具）。资料同时给出 Python 代码示例、Dockerfile 与 docker-compose 安全约束配置，并列出若干“尖锐问题”及其严重程度与应对方向。
langchain-orchestration
LangChain 编排技能是一份面向生产级 LLM 应用开发的综合指南，围绕 LangChain 的链（Chains）、智能体（Agents）、记忆系统（Memory）、RAG 模式与高级编排技术展开。内容涵盖 LCEL 表达式语言、Runnable 接口、顺序链、Map-Reduce 链、路由链、条件链、ReAct 智能体、LangGraph 智能体、工具调用智能体、多种记忆方案（缓冲区、窗口、摘要、向量存储、LangGraph 状态记忆）以及基础 RAG 链等主题，并配有可直接参考的 Python 代码示例。适合需要系统学习或查阅 LangChain 编排用法的开发者。
agent-browser
agent-browser 是一款面向 AI 智能体的快速浏览器自动化命令行工具（CLI）。它通过 CDP 协议驱动 Chrome/Chromium，不依赖 Playwright 或 Puppeteer，采用原生 Rust 实现。其核心特点是使用无障碍树（accessibility-tree）快照与紧凑的 @eN 元素引用，让智能体能够可靠地识别和操作页面元素。它支持导航页面、填写表单、点击按钮、截图等常见网页交互，并可与任意 AI 智能体配合使用，如 Cursor、Claude Code、Codex、Continue、Windsurf 等。工具提供会话管理、认证保险库、状态持久化和视频录制能力，并针对 Electron 桌面应用、Slack、探索性测试、云浏览器等场景提供专门技能。安装方式为 npm i -g agent-browser && agent-browser install。
aeo
AEO（Answer Engine Optimization）技能，用于优化内容以被 ChatGPT、Perplexity、Claude、Gemini、Mistral 等大模型引用为权威来源，包含内容审计、优化与引用追踪，与 SEO 侧重不同。
skill-quality-reviewer
Skill Quality Reviewer 是一个用于评估 Claude Skills 质量的元技能（meta-skill）。它从四个维度对技能进行综合分析：描述质量（25%）、内容组织（30%）、写作风格（20%）和结构完整性（25%），并据此生成加权总分、字母等级以及可执行的改进计划。该技能适用于在分享技能前进行质量验证、识别改进机会，或确保技能符合开发最佳实践。它支持三种审查模式：score-only（快速首轮评分）、remediation-backlog（将发现转化为 P0/P1/P2 修复队列）和 batch-portfolio（批量审查多个技能并聚类重复问题）。分析流程包括加载技能、解析 YAML frontmatter、逐维度评估、计算加权分数并生成质量报告与改进计划两份文档。
system-prompt-structure
系统提示词结构（System Prompt Structure）是一份关于 AI 产品系统提示词设计方法的知识内容，属于 owl-listener/ai-design-skills 技能库。它把系统提示词视为 AI 产品中最重要的设计产物，将其类比为品牌指南、交互规格与行为契约三者的结合体，用来定义 AI 的身份、知识范围、行为方式和输出结果。该资料提出了一套系统提示词的解剖框架，包含身份与角色、上下文与知识、行为规则、输出规格、示例（可选但有力）等部分，并给出若干结构原则，例如：顺序很重要，模型更关注提示词开头和结尾的内容，应把最重要的指令放在前面；具体优于冗长，简短而具体的提示词胜过长而含糊的提示词；正向指令优于负向指令；关注点分离；每条指令都应可测试。此外还列举了常见的结构错误，如大杂烩式提示词、相互矛盾的指令、隐含期望、指令分散、静态不变的提示词。资料还提到可交付的设计产物，包括带标签分区的系统提示词文档、提示词需求规格、提示词评审清单、带变更理由的版本历史。
skill-share
用于创建符合规范的 Claude 技能并自动打包、校验后通过 Rube 分享到 Slack 频道的技能，便于团队协作与技能发现。