SuperAPI AI 工具集
合作ENAI 行业资讯收藏

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

24,925 个结果

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。它适合创建可视化工作流智能体、部署带外部触发（Webhook、定时任务）的持久化自主智能体，以及搭建复杂的多步骤自动化流水线，并支持无代码/低代码的智能体构建。平台包含可视化智能体构建器（拖拽式节点工作流编辑器）、持续执行能力、可复用智能体与区块的市场、模块化区块系统（LLM、工具、集成），以及面向开发者的 Forge 工具包和标准化性能测试的 Benchmark 系统。

智能体与模型38 次安装

axolotl

Axolotl 是一个用于微调大语言模型的技能（Skill），基于官方文档自动生成，提供 Axolotl 开发、功能与 API 使用、方案实现、代码调试及最佳实践方面的综合协助。内容涵盖 YAML 训练配置、LoRA 与 QLoRA、DPO、KTO、ORPO 等偏好训练方法，并包含 NCCL 测试、FSDP 配置、上下文并行、压缩保存模型等常见模式与代码示例。技能附带 references/ 参考文档（api.md、dataset-formats.md、other.md），并给出智能体操作流程，如检查 GPU 与 CUDA 环境、先跑小规模冒烟测试、验证结果并报告，以及 CUDA 显存不足、损失 NaN 等问题的处理建议。

智能体与模型38 次安装

constitutional-ai

Constitutional AI（宪法式 AI，CAI）是 Anthropic 提出的一种通过自我改进训练无害 AI 的方法。其核心思想是让模型依据一套“宪法”（原则集合）对自身回答进行自我批评与修订，从而在无需人工标注有害输出的情况下实现安全对齐。该方法分为两个阶段：第一阶段为监督学习（SL），模型生成初始回答后依据宪法进行自我批评并修订，再用修订后的回答进行微调；第二阶段为强化学习（RL），即 RLAIF（基于 AI 反馈的强化学习），由 AI 对多个回答进行偏好评估，训练奖励模型，再用 PPO 进行强化学习。资料还提供了链式思维批评、常见问题排查、硬件需求与相关资源等说明。

智能体与模型38 次安装

crewai-multi-agent

CrewAI 是一个多智能体编排框架，用于构建由多个自主 AI 智能体组成的团队，让它们协作完成复杂任务。它不依赖 LangChain，采用基于角色的设计：每个智能体拥有角色、目标和背景故事，可分配工具、记忆和委派能力。框架提供 Crews（自主协作）与 Flows（事件驱动）两种范式，支持顺序与层级两种执行流程，内置 50 多个工具（网页抓取、搜索、数据库、AI 服务等），并具备短期、长期和实体记忆以及追踪等生产级特性。可通过 pip 安装，使用 CLI 创建项目，或用纯代码定义智能体、任务与团队后执行。适用于需要角色分工、任务委派和自主协作的多智能体场景。

智能体与模型38 次安装

deepspeed

DeepSpeed 是面向分布式深度学习训练与 I/O 的开源优化库，本技能基于官方文档整理，覆盖其核心能力与用法。内容包括：ZeRO 优化阶段、流水线并行、FP16/BF16/FP8 训练、1-bit Adam、稀疏注意力等训练侧特性，以及 DeepNVMe 高性能 I/O 方案。DeepNVMe 基于 NVMe SSD、Linux 异步 I/O（libaio）与 NVIDIA GPUDirect Storage（GDS），提供 aio_handle 与 gds_handle 两种句柄，支持阻塞/非阻塞读写、并行 I/O、固定内存张量等，并附带 ds_nvme_tune 性能调优工具。技能还包含将 MoE 应用于 NLG 模型（如 Megatron-LM 的 GPT-3 类模型）的教程，涉及标准 MoE、PR-MoE 与 MoS 的预训练。适用于使用 DeepSpeed 进行大模型训练、分布式并行配置、训练加速与存储 I/O 优化的开发者，也可用于调试 DeepSpeed 代码与学习最佳实践。

智能体与模型38 次安装

gguf-quantization

GGUF 是 llama.cpp 使用的标准模型文件格式，支持在 CPU、Apple Silicon 和 GPU 上进行高效推理，并提供灵活的量化选项。本技能介绍何时使用 GGUF、如何将 HuggingFace 模型转换为 GGUF、如何用量化命令生成 Q2_K 到 Q8_0 等不同精度的模型，以及如何通过 llama-cli、llama-server 和 llama-cpp-python 运行推理。适合需要在消费级硬件、Apple Silicon 或本地 AI 工具（如 LM Studio、Ollama、text-generation-webui）上部署模型的场景。

智能体与模型38 次安装

gptq

GPTQ 是一种针对大语言模型（LLM）的训练后量化方法，可将模型压缩至 4-bit（也支持 3-bit），在精度损失较小的情况下显著降低显存占用。它采用分组量化（group-wise quantization），默认组大小为 128，通过 AutoGPTQ 与 transformers 库使用。典型用途包括：在有限 GPU 显存上运行 70B 以上大模型、在消费级显卡（如 RTX 4090、3090）上部署、以及获得相比 FP16 约 3-4 倍的推理加速。资料显示 4-bit 量化可实现约 4 倍显存缩减，困惑度增加约 1.5%；3-bit 压缩更高但精度损失更大。支持 ExLlamaV2、Marlin、Triton 等内核后端，并可与 transformers、PEFT（QLoRA 微调）集成。

智能体与模型38 次安装

grpo-rl-training

该技能提供使用 TRL 库实现 GRPO（Group Relative Policy Optimization，组相对策略优化）微调语言模型的专家级指导，涵盖 GRPOTrainer 配置、多奖励函数组合、数据集准备、训练超参数调优、LoRA/PEFT 集成、Unsloth 加速方案以及部署推理流程。适用于需要强制输出格式、教授可验证任务（数学、编程、事实核查）、提升推理能力、在无标注偏好数据下对齐领域行为，或同时优化多个目标的场景。技能强调组合 3-5 个奖励函数、监控奖励指标而非损失、训练前独立测试奖励函数，并提供了内存优化与高性能两套配置模板及故障排查指南。

智能体与模型38 次安装

hqq-quantization

HQQ（Half-Quadratic Quantization，半二次量化）是一种面向大语言模型的免校准权重量化方法，支持 8/4/3/2/1 比特精度，并提供多种优化推理后端。其核心特点是无需校准数据集即可快速完成量化，速度可达分钟级，而 GPTQ/AWQ 通常需要数小时。HQQ 提供 PyTorch、ATEN、TorchAO、Marlin、BitBlas 等后端，支持 HuggingFace Transformers 与 vLLM 原生集成，并可通过 LoRA/PEFT 对量化模型进行微调。适用于无校准数据时的模型压缩、快速量化部署、极端低比特实验以及量化模型微调等场景。

智能体与模型38 次安装

huggingface-accelerate

HuggingFace Accelerate 是一个用于统一分布式训练的 Python 库，通过 Accelerator 类、accelerate config 配置命令和 accelerate launch 启动命令，让同一份 PyTorch 训练脚本可以在 CPU、单 GPU、多 GPU、多节点、TPU 和 Apple MPS 等不同硬件上运行。它只需在原有脚本中加入约 4 行代码即可完成改造：导入 Accelerator、实例化、用 accelerator.prepare() 包装模型/优化器/数据加载器、用 accelerator.backward() 替换反向传播。Accelerate 自动处理设备放置、混合精度（fp16/bf16/fp8）、梯度累积、检查点保存等细节，并支持 DDP、DeepSpeed ZeRO、FSDP、Megatron 等后端。安装方式为 pip install accelerate，启动方式为 accelerate launch train.py。它被 HuggingFace Transformers、TRL、PEFT 等库广泛使用，适合希望以最小代码改动实现分布式训练、快速原型验证和跨硬件统一脚本的场景。

智能体与模型38 次安装

huggingface-tokenizers

HuggingFace Tokenizers 是 Hugging Face 推出的高性能分词库，核心用 Rust 实现，并提供 Python 与 Node.js 绑定，用于训练和使用 BPE、WordPiece、Unigram 等分词器。它面向需要极快分词速度（官方称 CPU 上 1GB 文本可在 20 秒内完成分词）、从零训练自定义分词器、进行对齐追踪（token 到原文位置映射）以及构建生产级 NLP 流水线的场景。库支持加载 Hugging Face Hub 上的预训练分词器，也支持在自有语料上训练，并可与 transformers 的 AutoTokenizer、PreTrainedTokenizerFast 集成。

智能体与模型38 次安装

implementing-llms-litgpt

LitGPT 是 Lightning AI 推出的开源大语言模型工具，提供 20 多个预训练模型架构（如 Llama、Gemma、Phi、Qwen、Mistral 等）的清晰可读实现，并配套生产级训练流程。它覆盖模型下载、推理生成、全量微调、LoRA 微调、从零预训练、模型量化与部署等环节，支持 NVIDIA CUDA、AMD ROCm 与 Apple Silicon 硬件。适合希望理解 LLM 架构、进行教育研究、原型验证或需要可读训练配方的开发者使用。

智能体与模型38 次安装

llama-factory

LLaMA-Factory 是一个用于大语言模型微调的工具，本技能基于其官方文档生成，提供从入门到进阶的全面辅助。它覆盖 WebUI 无代码界面、对 100 多个受支持模型的训练，以及量化 QLoRA 等微调方式。技能内容按用途组织为多个参考文件，包括入门指南、进阶用法、图像相关文档等，并附带常见模式速查。适用于需要了解 LLaMA-Factory 功能或 API、实现微调方案、调试代码或学习最佳实践的场景。技能还包含一套智能体操作流程：先检查 GPU、显存、驱动/CUDA 版本与数据集情况，确认输入格式与参数，先做小规模冒烟运行验证损失下降与检查点保存，再执行完整任务，最后在留出数据上验证指标并报告所用版本、命令与参数。同时给出显存不足、损失发散等常见问题的应对建议，并强调不得编造结果或参数、未经确认不得执行有成本或不可逆的操作。

智能体与模型38 次安装

peft-fine-tuning

PEFT（Parameter-Efficient Fine-Tuning，参数高效微调）是 Hugging Face 提供的微调方案，通过 LoRA、QLoRA、IA3、AdaLoRA、Prefix Tuning、Prompt Tuning 等 25 种以上适配器方法，在训练不到 1% 参数的情况下微调大语言模型。适配器文件仅约 6MB，而完整模型可达 14GB 以上，便于快速迭代、保存多个任务专用适配器，并从同一基础模型部署多个微调变体。QLoRA 结合 4-bit 量化，可在单张 24GB GPU 上微调 70B 模型。该技能覆盖安装、LoRA/QLoRA 训练代码、参数选择、适配器加载与合并、多适配器服务、方法对比、性能基准、常见问题与最佳实践。

智能体与模型38 次安装