orca-cli
Orca CLI 是操作 Orca 编辑器/运行时状态的公开命令行工具，可管理 worktree、文件夹上下文、终端、仓库、自动化、worktree 评论及内置浏览器，适合需要以 Orca 运行状态为准的智能体协作场景。
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 10-28 00:17
智能体与模型
24,960 个结果
blip-2-vision-language
BLIP-2 是 Salesforce 提出的视觉-语言预训练模型，通过轻量级 Q-Former 连接冻结的图像编码器（ViT-G/14，来自 EVA-CLIP）与冻结的大语言模型（OPT 或 FlanT5），实现图像描述、视觉问答（VQA）、零样本图文理解与图文检索等任务。该技能文档介绍如何通过 HuggingFace Transformers 或 Salesforce 官方 LAVIS 库加载与使用 BLIP-2，包含安装命令、基础图像描述与 VQA 代码示例、模型变体与显存需求对照、Q-Former 架构说明、批量处理与图像检索工作流，以及性能优化和常见问题排查。适合需要高质量图像描述、零样本图文理解或构建多模态对话系统的场景。
evaluating-cosmos-policy
该技能用于在 LIBERO 与 RoboCasa 仿真环境中评估 NVIDIA Cosmos Policy 机器人操作策略。它覆盖从零搭建环境、无头 GPU 渲染配置、冒烟评估、结果解析到全量基准测试的完整流程，并提供官方公开评估模块的命令示例、算力需求参考、预期成功率基准以及常见问题排查方法。适用于需要在 GPU 集群上复现 Cosmos Policy 评估结果、分析推理延迟与吞吐，或为机器人仿真配置 EGL 无头渲染的研究与工程场景。
fine-tuning-serving-openpi
本技能提供 Physical Intelligence OpenPI 模型（pi0、pi0-fast、pi0.5）在机器人操作任务上的端到端微调与部署工作流，基于公开的 openpi 仓库。内容涵盖空白机器环境搭建、JAX 训练、PyTorch 训练、检查点格式转换以及策略推理服务。支持在 LeRobot 或 RLDS 数据集上微调，面向 ALOHA、DROID、LIBERO 等环境进行策略推理，并提供 WebSocket 客户端集成示例、常见问题排查与计算资源要求说明。
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）。它擅长文档摄取（提供 300+ 数据连接器）、索引与查询，支持向量索引、列表索引、树索引等多种结构，可用于私有数据的文档问答、知识库构建和企业数据聊天机器人。当前稳定版本为 v0.14.7，采用 MIT 许可证，GitHub 星标 45,100+，已有 23,000+ 仓库使用、1,715+ 贡献者。
outlines
Outlines 是一个用于从大语言模型生成“保证有效”结构化输出的 Python 库（由 dottxt.ai 开发）。它通过在 token 采样阶段引入约束，将 JSON Schema、Pydantic 模型或正则表达式转换为上下文无关文法，再编译为有限状态机（FSM），在生成每一步过滤掉不符合结构的 token，从而保证输出 100% 符合预期格式。支持分类选择、JSON、正则、整数、浮点数等专用生成器，原生集成 Pydantic（含嵌套模型、枚举、Literal、字段约束），并支持 Transformers、llama.cpp、vLLM 等本地后端以及有限的 OpenAI 支持。适合需要类型安全输出、本地模型推理、零开销结构化生成和语法级 token 控制的场景。
phoenix-observability
Phoenix 是一个开源的 AI 可观测性与评估平台，面向 LLM 应用提供追踪、评估、数据集、实验和实时监控能力。它基于 OpenTelemetry 采集任意 LLM 框架的追踪数据，支持 LLM-as-judge 评估器、版本化测试集、提示与模型对比实验、多模型交互式 Playground，并可通过 PostgreSQL 或 SQLite 自托管部署，避免供应商锁定。适用于调试 LLM 应用、在数据集上运行系统化评估、实时监控生产 LLM 系统以及构建提示/模型对比实验流水线。
pufferlib
PufferLib 强化学习框架的版本感知使用指南，覆盖 3.0.0 稳定版（PyPI）与 4.0 源码分支两套不兼容接口。内容涉及环境适配（Gymnasium/PettingZoo 仿真、原生 C 环境）、向量化（Serial/Multiprocessing 后端及配置）、策略网络、PuffeRL 训练、评估与检查点审查。强调安全默认做法：优先使用捆绑的纯 CPU、无网络合成工具；不按点路径导入任意环境；不安装或执行未经审查的环境包、原生扩展、ROM、地图、检查点或 pickle 文件；限制步数、环境数、线程、内存等资源；训练与评估使用独立种子；外部日志需显式选择加入；凭证仅通过指定环境变量名传递且不打印；检查点在沙箱加载前先做字节哈希。随附脚本包括环境模板、契约校验、向量化基准、训练计划生成、严格配置校验、检查点哈希与元数据检查、复现计划生成。
sentence-transformers
Sentence Transformers（SBERT）是一个基于 PyTorch/Transformers 的 Python 框架，用于在本地生成句子、文本和图像嵌入向量。它使用 Hugging Face 上的预训练模型，提供 5000+ 预训练模型、支持 100+ 语言，可用于 RAG、语义相似度与搜索、文本聚类与分类等任务，是 OpenAI 嵌入 API 的高性价比本地替代方案。安装方式为 pip install sentence-transformers，支持与 LangChain、LlamaIndex 集成，并可进行微调。
sglang
SGLang 是一个面向大语言模型（LLM）与视觉语言模型（VLM）的高性能服务框架，核心创新是 RadixAttention 自动前缀缓存。它适合需要结构化输出（JSON、正则、语法约束）、带重复前缀的智能体工作流、函数调用、多轮对话共享上下文等场景。官方称在智能体负载下可提速约 5 倍、少样本提示约 10 倍、JSON 解码约 3 倍。支持 OpenAI 兼容 API、多 GPU 张量并行、投机解码与多模态模型，可通过 pip 安装并启动服务。
stable-baselines3
Stable Baselines3（SB3）是一个基于 PyTorch 的强化学习算法库，提供 PPO、SAC、DQN、TD3、DDPG、A2C 等算法的可靠实现，并采用类似 scikit-learn 的统一 API。该技能面向标准强化学习实验与快速原型开发，涵盖智能体训练、自定义环境、向量化环境、回调、模型保存与加载、评估与视频录制等流程。资料显示当前上游版本为 SB3 2.8.0（2026 年 4 月），要求 Python 3.10+ 与 PyTorch >= 2.3。安装可使用 uv pip install "stable-baselines3>=2.8"，需要额外依赖时使用 stable-baselines3[extra]，MuJoCo 连续控制基准需安装 gymnasium[mujoco]。相关项目包括 SB3-Contrib（实验性算法）、RL Baselines3 Zoo（预训练智能体与超参数）以及 SBX（JAX 实现）。
torch-geometric
PyTorch Geometric（PyG）是构建在 PyTorch 之上的图神经网络（GNN）标准库。它提供图数据结构（Data、HeteroData）、60 多种 GNN 层实现（如 GCN、GAT、GraphSAGE、GIN）、可扩展的小批量训练以及异构图支持。PyG 覆盖节点分类、链接预测、图分类等任务，内置常用数据集与变换，并支持邻居采样、可解释性分析等能力。资料显示其测试版本为 torch-geometric 2.7.x（2025 年 10 月），要求 Python 3.10+ 与 PyTorch 2.6+。
transformers
Hugging Face Transformers 是一个提供数千个预训练模型的库，覆盖自然语言处理、计算机视觉、音频和多模态任务。该技能用于加载 Hub 上的模型、执行 pipeline 推理、文本生成，以及使用 Trainer 在自定义数据上进行微调。资料中给出了安装命令、认证方式、核心能力（pipeline 推理、模型加载、文本生成、训练微调、分词）、常见使用模式与参考文档，并强调版本固定、令牌安全与结果可验证等操作规范。
grill-with-docs
一个问答式技能：按项目现有领域模型与决策记录，对计划逐项提问、澄清术语，并在结论明确时内联更新 CONTEXT.md 与 ADR 文档。
setup-matt-pocock-skills
在仓库中配置工程技能所需的 Agent skills 块与 docs/agents/ 文档，声明 issue tracker、分类标签与领域文档布局。
fact-checker
基于 Gemini 多 Agent 架构的 Markdown 文档事实核查工具，先用 gemini-2.0-flash 拆句、分类并提取声明，再用 gemini-2.5-flash 结合 Google Search 逐句核查，输出结构化结果。
ontology
Ontology 是一个面向结构化智能体记忆与可组合技能的类型化知识图谱系统，将知识表示为可验证的实体与关系图，每次写入前按类型约束校验。
planning-with-files
planning-with-files 是一套面向复杂任务的文件化工作流方法，借鉴 Manus 的持久化 markdown 文件思路，把计划、进度与知识存到磁盘，作为“工作记忆”。适用于多步骤任务、研究、构建与跨工具调用场景。
writing-great-skills
一份关于如何编写和编辑高质量 AI 技能（skill）的参考指南，讲解让技能行为可预测的术语与原则，包括调用方式、描述撰写、信息层级、拆分粒度、精简与常见失败模式。
grilling
Grilling 是一个用于压力测试计划、决策或想法的访谈式技能：通过分轮提问把设计树逐层问清，直到与用户达成共识。支持仅访谈、带文档访谈两种模式，也可被 shape-design 调用。
alera-orchestration
Alera Orchestration 是 Alera 的智能体任务编排技能，用于派发、协调并完成代理任务。运行时宿主掌握生命周期权限，完成、取消、租约与所有权须通过其生命周期命令处理，而非普通消息或任意状态修改。
linear-review
linear-review 是一个面向代码仓库的并行审查技能：按正确性、安全、可维护性、性能、测试等维度派出只读子代理审查代码，去重后按严重度分级，并把确认的问题创建为 Linear 工单或输出待执行变更。
luxonis-project-interview
Luxonis 项目访谈技能：通过一次一个问题的访谈，把用户想法整理成可构建的 PROJECT_BRIEF.md 项目简报，供后续 Luxonis 构建会话使用。
query-expansion-strategy
查询扩展策略（Query Expansion Strategy）是一套面向 AI 可见性的内容规划方法，通过覆盖 LLM 查询扇出（query fan-out）产生的语义子问题，提升内容被引用概率。适用于内容集群规划、LLM 子问题定向与语义关键词扩展。