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 10-27 00:15

智能体与模型

24,910 个结果

learn-mcp

learn-mcp 是《AI Engineering from Scratch》中 Model Context Protocol(MCP)学习路线的专注交互式 tutor。它按固定顺序引导学习者逐课学习 MCP 相关主题,涵盖 MCP 基础、server、client、transports、资源与提示、模型输入与 MRTR、显式 scope 与 elicitation、持久任务、MCP Apps、MCP 安全、MCP 授权、生产认证、网关与注册表、工具契约与内容、可靠性与流控、注册表供应链以及一致性工程。每次调用覆盖一节课,要求学习者检查请求与响应、预测边界结果、运行或手工跟踪实验,并在推进前记录课程 checkpoint。该技能会在工作目录维护 MCP-LEARNING.md 进度文件,记录环境状态、公开部署闸门、逐课进度与 wire evidence。它区分可执行模式(本地仓库文件与 Python 3 可用时)与概念模式(仓库或运行时不可用时),并在任何公开部署前强制第 15 课的可执行 checkpoint 与明确授权。

智能体与模型39 次安装

fable-anti-churn

fable-anti-churn 是 get-fable 中的重复工作与证据复用防护引擎,用于在智能体生命周期中阻止重复动作、无限重试循环和未经验证的反复折腾(churn)。它依据 RFC 8785 规范 JSON 与 SHA-256 对工作请求做加密指纹,记录预留回执,复用此前相同的通过证据,拦截重复动作,在确定性失败后要求先修代码而非盲目重试,并校验晋升证据。提供 Rust 原生引擎与 Bun CLI 脚本,支持 decide、accept、check、verify、self-test、status 等命令及生命周期钩子约束。

智能体与模型39 次安装

implement-spec-in-workflow

implement-spec-in-workflow 是一个技能,用于将带有工单(tickets)的规格(spec)问题(issue)实现为一叠 PR——每个工单一个 PR,并注册为原生 GitHub stack。整个实现过程由一个子代理(subagents)的动态工作流驱动,而不是由操作者亲自完成。工单不是简单的步骤列表,而是一个带有阻塞关系的任务图,因此总有一个可领取的工单前沿,运行调度针对该前沿进行,而非按阶段推进。PR 栈的存在是为了让操作者一次审阅一个小型工单级别的 diff,然后通过一次操作合并整个栈。该技能提供 workflow.template.js 脚本,需要 agent() 调用的运行器——可以是 Workflow runner、某个 harness 的工作流原语(如 Claude Code 的 Workflow 工具),或 session runner(原 Orca runner),后者需要 Node 和 crew 已安装(npm install -g @javrasya/crew 或从 javrasya/crew 检出安装)。原生 stack 注册还需要 gh-stack 扩展。运行前需进行 stack gate 与 runner 探测、询问先前工作、运行顺序及解析十四个占位值,然后渲染脚本并启动。

智能体与模型39 次安装