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
23,973 个结果
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 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 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（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 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。
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。
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。
Agent MD Refactor 是一个用于重构臃肿的智能体指令文件（如 AGENTS.md、CLAUDE.md、COPILOT.md 等）的技能，遵循渐进式披露（progressive disclosure）原则：将核心要点保留在根文件中，其余内容整理为分类明确、相互链接的独立文件。它适用于指令文件过长、需要拆分、整理或清理智能体配置的场景。整个流程分为五个阶段：分析并找出相互矛盾的指令、提取必须保留在根文件中的核心内容、将剩余指令按逻辑分类、创建根文件加链接文件的层级结构、标记应删除的冗余或含糊指令。
该技能提供构建自主编程智能体的设计模式，参考 Cline 与 OpenAI Codex 的思路。内容涵盖智能体循环（思考-决策-执行-观察）、多模型架构、工具与函数调用 API 设计、权限与审批系统、沙箱执行、浏览器自动化以及人在回路工作流。适合在开发自主 AI 智能体、设计工具调用接口、实现权限审批机制、为智能体添加浏览器自动化或设计人机协作流程时使用。
lca-deepagents 是 LangChain Academy Deep Agents 课程的苏格拉底式教学技能，由 langchain-ai/lca-tutors 提供。它不同于普通的问答辅导，一旦开始教学便由它主导会话：主动呈现内容、与学生展开真实对话，并按课程顺序推进，无需等待提问。学生先选择模式（完整课程、单节课、实验、测验、答疑或环境配置），教学过程中会校准互动密度（频繁、平衡或主要讲授），并针对关键概念设置检查点与回顾。适用于希望系统学习 Deep Agents 课程并获得主动引导的学习者。
WeChat Automation 是 WeReply 项目中的微信监听与自动化技能，用于指导开发者构建平台专属 Agent，实现对微信会话的监控与输入框控制。Windows 端基于 Python 3.12 与 wxauto v4，macOS 端基于 Swift 与 Accessibility API，两者均通过 stdin/stdout 的 JSON 协议与 Rust Orchestrator 通信。技能覆盖消息轮询监听、消息内容提取、消息去重、输入框写入与清空、命令处理、心跳与健康检查、错误重试与优雅降级、自适应轮询间隔、内存优化、输入校验与隐私保护、单元测试等主题，并给出可直接参考的代码模式。适用于开发微信消息监控、自动回复建议、Platform Agent 等场景。
LangGraph 是一个用于构建有状态、多角色 AI 应用的生产级框架，以图结构显式组织智能体流程，便于调试与持久化。本技能提供图构建、状态管理、条件路由、检查点持久化、人机协同、工具集成与流式异步执行等能力。
该技能用于在 Claude Code 中编排多智能体集群（swarm），基于 TeammateTool 与 Task 系统协调多个智能体协同工作。它定义了 Agent、Team、Teammate、Leader、Task、Inbox、Message、Backend 等核心原语，并说明它们如何通过收件箱消息与共享任务列表连接。技能涵盖两种生成智能体的方式（Task 子智能体与带 team_name/name 的持久队友）、内置与插件智能体类型、TeammateTool 的各类操作（创建团队、加入审批、消息发送、关闭请求、计划审批、清理等）、任务系统集成、消息格式、编排模式、环境变量、生成后端与错误处理。适用于需要并行处理、持续协作或流水线式多阶段工作的场景，例如代码审查、研究、设计与工作流任务。
DevSpace subagents 是一个可选的子代理委派机制，用于把聚焦的编码、研究、审查或验证工作交给独立上下文的 DevSpace 子代理执行。它通过 DevSpace CLI 调用，默认输出紧凑的 XML 片段，适合需要隔离上下文、专门化处理或后续跟进的场景。使用时先发现可用目标，再以自包含的任务简报启动子代理，可等待完成或即时查看状态，并支持继续同一代理的关联工作。
该技能用于把任务转交给 cursor-agent 执行。运行时先通过 which cursor-agent 检查 cursor-agent 是否已安装，若退出码为 0 表示已安装，为 1 表示未安装，未安装时应跳过该技能的后续步骤。确认安装后，技能向 cursor-agent 发起任务请求，并通过命令行传入任务描述。若未指定模型，默认使用 composer-1 模型；实际命令为 cursor-agent --model=$model 配合 here-doc 写入任务内容。该技能的作用是桥接调用 cursor-agent 完成给定任务，适合在已具备 cursor-agent 环境中做任务委托。
fal-prompting 是 fal.ai 社区技能，用于针对 fal.ai 各模型家族编写提示词（prompt）。它指出不同模型家族对提示词的偏好差异明显：例如 GPT Image 2 适合长而结构化、把精确文本放在引号中的提示词，而 Happy Horse 则偏好约 20 个词的平实英文描述。该技能汇集了按模型家族划分的提示词指南，并给出通用原则，如用视觉事实替代空泛形容词、为风格标签补充具体视觉目标、每次迭代只改变一个变量、在假设某控制项存在前先用 genmedia schema 检查端点结构。所有端点调用通过 genmedia CLI 运行，需先执行 genmedia init。
Local LLM Ops（Ollama）是一套面向 Apple Silicon 的本地大语言模型操作工具链，提供安装脚本、命令行聊天启动器、基准测试与诊断功能。其操作路径为：安装 Ollama、确保服务运行、初始化虚拟环境、拉取模型，然后启动聊天或基准测试。主要能力包括：通过 setup_chatbot.sh 完成初始化，使用 chatllm、chat 或 chat.py 等启动器进行对话，支持 coding、creative、analytical 等任务模式并指定模型（如 codellama:70b、llama3.1:70b）；通过 scripts/run_benchmarks.sh 运行基准测试，读取 benchmarks/prompts.yaml 与 benchmarks/models.yaml，支持多次运行和最大 token 限制；提供 diagnose.sh 诊断脚本及常见修复建议。使用方式涵盖 brew 安装 Ollama、启动服务、验证 API 版本、拉取模型（如 ollama pull mistral）以及安装别名（llm、llm-code、llm-fast）。虚拟环境位于 .venv，聊天配置与会话保存在 ~/.localllm/，Ollama API 运行在 http://localhost:11434。
Deepgram API 是 Deepgram 提供的语音与音频智能接口集合，覆盖语音转文字（STT）、文字转语音（TTS）、语音智能体（Voice Agent）以及音频智能分析等能力。所有请求通过 API Key（Authorization: Token <API_KEY>）或 JWT（Authorization: Bearer <JWT>）认证。主要接口包括：/v1/listen（Nova 系列 STT，支持 REST 与 WebSocket）、/v2/listen（Flux STT，仅 WebSocket，内置对话轮次检测）、/v1/speak（Aura 系列 TTS，支持 REST 与 WebSocket）、/v2/speak（Flux TTS，基于轮次的语音合成，model 参数必填且必须为 flux-*）、/v1/agent/converse（语音智能体，WebSocket，内部编排 STT+LLM+TTS）、/v1/read（文本智能分析）以及 /v1/projects/* 项目管理接口。默认主机为 api.deepgram.com，语音智能体相关接口位于 agent.deepgram.com；另提供欧盟、澳大利亚、印度三个区域主机，数据面支持区域化处理，但项目管理 API 不支持区域主机。
该技能用于在 Cursor 中把重复出现的多步骤工作流沉淀为可复用的 SKILL.md 文件，存放在 .cursor/skills/ 下，供后续会话自动匹配调用。
DFlash 是为 Apple Silicon 上的 MLX 实现的无损投机解码（speculative decoding）工具。它使用约 1B 参数的小型草稿模型，通过块扩散（block diffusion）并行生成 16 个 token，再由目标模型在单次前向传播中一次性验证全部 16 个 token；只有通过目标模型验证的 token 才会被输出，因此输出是无损的（每个 token 都是目标模型的贪心 argmax）。根据模型规模和上下文长度，相比基线 mlx_lm 通常可获得 1.7 倍至 4.1 倍的加速，Qwen3.5 模型的接受率约为 87%–90%。安装方式为 pip install dflash-mlx 或 pipx install dflash-mlx，要求 Python 3.10+、MLX 0.31.1+ 以及 Apple Silicon Mac。提供命令行生成、OpenAI 兼容服务器（dflash-serve）、基准测试（dflash-benchmark）以及 Python API（DFlashRuntime）等使用方式，并支持工具调用与流式输出。
用于在 DaleStudy/skills 仓库中创建、修改和校验技能的元技能。它指导 SKILL.md 的目录结构、YAML frontmatter（name、description、license、compatibility、metadata、allowed-tools）写法与 description 触发条件规范，并规定修改技能后必须更新版本。
skill-creator 是遵循 agentskills.io 规范、用于创建专业级智能体技能（agent skills）的编写流程，可帮助初始化技能目录、校验元数据、按渐进式披露原则组织 SKILL.md 与脚本。
面向 AWS S3、Azure Blob 与 GCP Cloud Storage 的云存储优化技能，通过压缩、分区、智能分层与生命周期策略降低存储成本并保持可访问性与合规性。
NOWAIT Reasoning Optimizer 是一个面向 R1 风格推理大模型的推理优化技能，实现了论文《Wait, We Don't Need to 'Wait'! Removing Thinking Tokens Improves Reasoning Efficiency》中提出的 NOWAIT 技术。它是一种免训练的推理时干预方法，通过在生成过程中抑制自我反思类 token（如 "Wait"、"Hmm"、"Alternatively"），将思维链（CoT）轨迹长度缩短 27%–51%，同时不损害模型效用。适用于在算力有限时部署 R1 风格推理模型、降低生产系统推理延迟、优化推理任务的 token 成本，以及处理冗长需要精简的 CoT 输出。支持 QwQ-32B、Phi4-Reasoning-Plus、Qwen3-32B、Kimi-VL-A3B、QvQ-72B-Preview 等模型，对基于强化学习（RL）训练的模型效果最佳，蒸馏模型需谨慎使用。