lesson
lesson 是 memory-lancedb-pro 中的技能，用于把当前对话里发现的坑、修复或关键洞见提取并存入记忆库。由 /lesson 命令触发，适合在对话出现值得复用的经验时使用。
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 10-17 00:11
智能体与模型
23,993 个结果
pytorch-fsdp
PyTorch FSDP（Fully Sharded Data Parallel，完全分片数据并行）是 PyTorch 提供的分布式训练方案，用于在多 GPU、多节点环境下训练大规模模型。该技能基于官方文档生成，提供参数分片、混合精度、CPU offloading 以及 FSDP2 等方面的专家级指导。当用户需要了解 FSDP 的功能或 API、实现 FSDP 训练方案、调试相关代码或学习最佳实践时，可以触发该技能。资料同时涵盖 torch.distributed 分布式通信包的基础内容，包括后端选择（NCCL、Gloo、XCCL、MPI）、进程组初始化、环境变量配置，以及用于处理不均匀输入的通用 Join 上下文管理器（Join、Joinable、JoinHook）。
audit-agent-history
该技能用于审计用户自己的智能体会话日志，按模型和运行框架统计失败模式，并据此提出最多三条危险规则。它适用于用户希望从真实日志中提炼规则、而非凭猜测编写规则的场景。技能会先确认日志路径是否存在，统计每个模型与框架的会话数和用户消息数，识别用户对助手操作的纠正，将纠正归类到失败模式，并按每百条用户消息的纠正率进行归一化排序。随后为排名前三的模式各引用两个真实示例（脱敏处理），并分别对一条最差会话和一条最慢会话进行追问分析。此外，它还会收集各仓库 .claude/rules/*.local.md 中的 overlay 配对，识别值得提升到中心规则的候选。最终输出报告表格、拟议危险规则块和提升候选块，经用户确认后仅在中心仓库中编辑规则文件。
mcp-builder
mcp-builder 是一份用于创建高质量 MCP（Model Context Protocol）服务器的开发指南。MCP 服务器通过设计良好的工具，让 LLM 能够与外部服务交互。该指南以「服务器质量取决于其帮助 LLM 完成真实世界任务的能力」为核心衡量标准，将开发流程划分为四个阶段：深度研究与规划、实现、审查与测试、创建评估。指南推荐使用 TypeScript（配合官方 SDK）或 Python（FastMCP）作为开发语言，远程服务器使用 Streamable HTTP 传输，本地服务器使用 stdio。内容涵盖 API 覆盖与工作流工具的权衡、工具命名与可发现性、上下文管理、可操作的错误信息、输入/输出 Schema 设计、工具注解（readOnlyHint、destructiveHint 等）、代码质量检查、使用 MCP Inspector 测试，以及创建 10 道评估问题的 XML 格式规范。适用于需要为 LLM 构建外部服务集成工具的开发者。
godot-navigation-pathfinding
Godot 引擎寻路与导航技能包，面向塔防、RTS、潜行等 AI 寻路需求，覆盖 NavigationAgent2D/3D、NavigationServer、避障与动态导航网格烘焙，提供异步烘焙、卡死恢复、服务器端 RVO 等脚本与最佳实践。
tooluniverse-protein-therapeutic-design
面向治疗性蛋白研发的 AI 引导从头设计技能：用 RFdiffusion 生成骨架、ProteinMPNN 设计序列、ESMFold/AlphaFold2 验证结构，并评估可成药性，输出排序候选、FASTA 与实验建议。
rag-engineer
RAG Engineer 是一个面向检索增强生成（RAG）系统构建的专家型技能，定位为 RAG 系统架构师，专注于弥合原始文档与大语言模型理解之间的差距。其核心理念是检索质量决定生成质量，强调对分块边界、嵌入维度和相似度度量的精细把控。该技能涵盖向量嵌入与相似度搜索、文档分块与预处理、检索流水线设计、语义搜索实现、上下文窗口优化以及混合搜索（关键词+语义）等能力。使用前提是具备 LLM 基础、对嵌入的理解以及基本 NLP 概念。技能内置多种推荐模式，包括语义分块、分层检索和混合搜索，并列出固定分块大小、盲目嵌入一切、忽略评估等反模式，以及针对分块破坏句子、缺少元数据预过滤、嵌入模型复用不当、直接使用一阶段检索结果、过度填充上下文、未单独评估检索质量、源文档变更后未刷新嵌入、对所有查询使用同一检索策略等问题的严重程度与解决方向。该技能可与 ai-agents-architect、prompt-engineer、database-architect、backend 等技能配合使用。
kernel-typescript-sdk
Kernel TypeScript SDK 技能说明：用 TypeScript 创建并自动化 Kernel 浏览器会话，支持服务端 Playwright 或 CDP 连接、profiles 状态持久化、代理路由和会话清理。
hummingbot
Hummingbot 智能体技能，通过 Hummingbot API 复现 Hummingbot CLI 命令（connect、balance、create、start、stop、status、history），让 AI 智能体执行交易工作流。仅支持 V2 策略。
tooluniverse-sdk
ToolUniverse Python SDK 是用于构建 AI 科学家系统的科研工具库，提供统一接口调用蛋白质、药物、基因组、疾病、文献与机器学习等科学工具，支持字典 API、函数 API 和直接实例化三种调用方式。
workflows-install
该技能用于安装 Zapier SDK CLI，以便使用 Zapier Workflows 早期访问（Early Access）功能，并引导安装配套的 workflows 系列技能。它按步骤检查环境（Node 18+、npm、git）、安装或更新 @zapier/zapier-sdk-cli、验证实验性 Code Workflows 命令、检查 Zapier 登录状态、确认账号是否具备 Zapier Workflows EA 访问权限，最后通过 skills CLI 安装 workflows/doctor、workflows/create、workflows/list、workflows/history、workflows/modify 五个配套技能。适用于用户希望搭建 Zapier Workflows 开发环境、配置 SDK CLI 或修复技能漂移的场景。该流程不安装旧版 @zapier/zapier-sdk-code-substrate 包，也不全局安装 @zapier/zapier-durable。若账号未获得 EA 访问权限，流程会停止并提示填写 beta 申请表单。
huggingface-accelerate
HuggingFace Accelerate 是一个面向 PyTorch 的分布式训练统一 API，主打用最少的代码改动为任意 PyTorch 脚本添加分布式支持。只需在原有脚本中加入约 4 行代码（导入 Accelerator、实例化、调用 prepare、改用 accelerator.backward），即可在单 GPU、多 GPU、多节点、TPU、Apple MPS 等不同硬件上运行同一份代码。它提供 DDP、DeepSpeed、FSDP、Megatron 的统一接口，并自动处理设备放置、混合精度（fp16/bf16/fp8）与分片。通过 accelerate config 交互式配置和 accelerate launch 单命令启动，无需手动搭建启动器。安装方式为 pip install accelerate，当前版本 1.11.0+，被 HuggingFace Transformers、TRL、PEFT 等库广泛使用。
chrome-browser
chrome-browser 是 Agent Studio 中的浏览器自动化技能，提供两套集成：始终可用的 Chrome DevTools MCP（用于测试、调试与性能追踪）和需 --chrome 标志的 Claude-in-Chrome 扩展（用于已登录会话交互与 GIF 录制）。
exploring-llm-traces
这是一个用于调试与检查 LLM/AI 智能体追踪（trace）的技能，基于 PostHog 的 MCP 工具。当用户粘贴一个 trace 或 session URL（如 /ai-observability/traces/<id>），或需要排查 AI 智能体行为时使用。它能区分 trace 与 session URL，按需获取单个 trace 的完整事件树、按 session 列出相关 trace，并通过摘要/完整两种详情模式在控制上下文开销的同时读取内容。技能还提供查询事件 schema、执行 SQL、解析大型追踪结果的脚本，以及 investigation 模式，帮助回答智能体是否正确调用工具、上下文是否正确、子智能体是否工作、模型为何输出某内容等问题。
senpi-entrypoint
Senpi 交易平台（基于 Hyperliquid）的 AI 智能体入门技能，逐步引导完成账户创建、API Key 配置、MCP 服务器配置、技能发现与交易策略安装，支持模块化技能按需扩展。
multi-agent-patterns
multi-agent-patterns 是一个用于设计多智能体（Multi-Agent）系统架构的技能文档，来源于 sickn33/agentic-awesome-skills。它面向需要将任务分配到多个语言模型实例、各自拥有独立上下文窗口的场景，核心主张是子智能体的主要价值在于隔离上下文，而非拟人化的角色分工。技能介绍了三种主流架构模式：监督者/编排者（Supervisor/Orchestrator，集中控制）、对等/群体（Peer-to-Peer/Swarm，灵活交接）以及分层（Hierarchical，多层抽象），并讨论了上下文隔离机制、共识与协调（加权投票、辩论协议、触发式干预）、失败模式（监督者瓶颈、协调开销、发散、错误传播）及其缓解措施。文档还提及 LangGraph、AutoGen、CrewAI 等框架的实现差异，并给出研究团队架构与交接协议等代码示例。技能强调多智能体系统令牌消耗显著高于单智能体（约 15× 基线），模型选择与多智能体架构是互补策略。适用场景包括单智能体上下文受限的复杂任务、可自然并行分解的子任务、需要不同工具集或系统提示的任务、需同时处理多领域的系统。
index-bot
Index Bot 是 Uniswap AI 的策略层技能，可按一条指令构建加权资产篮子、一次性买入多腿组合，并按周期在权重偏离时再平衡。它不自行实现报价、授权、兑换与签名，而是将执行委托给既有技能（swap-integration、viem-integration 等）。
exploring-llm-evaluations
PostHog AI 可观测性评估技能，用于调查 hog（确定性代码）、llm_judge（LLM 提示）和 sentiment（用户消息情感）三类评估，覆盖配置管理、单次运行、结果查询与报告调度。
write-a-skill
write-a-skill 是一个用于创建新智能体技能（agent skill）的技能，帮助用户按照规范结构、渐进式披露和捆绑资源来编写技能。它适用于用户想要创建、编写、构建或撰写新技能的场景。该技能源自 Matt Pocock 的 write-a-skill（MIT 许可），保留了其原始表述和三阶段工作流，并额外提供了验证工具、参考文档和 cs-* 包装器。
memory-systems
该技能面向智能体系统中的持久化语义记忆设计，用于跨会话知识保留、实体追踪、时间有效性管理以及图结构或向量记忆的选型与实现。内容涵盖生产级记忆框架对比（Mem0、Zep/Graphiti、Letta、Cognee、LangMem、文件系统）、基准测试表现、记忆分层决策、检索策略、记忆整合与错误恢复，并提供 Mem0 集成、时间查询、Cognee 摄取与搜索等代码示例。适用于需要跨会话保持知识、维护实体一致性、对累积知识进行推理或评估记忆系统的场景。
dca-bot
dca-bot 是 Uniswap AI 生态中的定投策略技能，可按设定周期把固定金额买入指定代币，并支持价格条件（如 ETH 低于阈值才买）。它只负责节奏、幂等、条件判断与风控，实际报价、授权、兑换和签名全部委托给 swap-integration 与 viem-integration。
skill-manager
跨官方与全球注册表搜索、安装和管理技能的技能管理器，通过 search_skills 工具自动检索本地、官方及 skills.sh 生态并自动安装最佳匹配，适用于查找或安装技能的场合。
iot-developer
面向物联网开发的技能，帮助连接传感器与设备、实现 MQTT 通信、读取传感数据并构建实时仪表盘，覆盖智能家居与工业物联网场景。支持 Arduino、ESP32 等微控制器及执行器控制。
agno
Agno 是一个轻量级、模型无关的 AI 智能体框架，用于构建生产级智能体、多智能体团队、工作流与 MCP 集成，并可通过 AgentOS（基于 FastAPI 的运行时）部署为生产 API。它支持工具调用、记忆、结构化输出与知识库，提供 Agent、Team、Workflow、AgentOS、LearningMachine 等核心组件，兼容多种模型提供商，同时提供同步与异步接口。