ln-302-task-replanner
比较理想任务计划与现有任务，并应用 KEEP/UPDATE/OBSOLETE/CREATE 变更，用于 Story 任务需与更新后需求重新同步的场景。
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 10-17 00:11
智能体与模型
23,995 个结果
mcp-server-skills
mcp-server-skills 是一个在 Next.js 中构建 MCP（Model Context Protocol）服务器的模式与技能，核心思路是使用 mcp-handler 处理 HTTP/SSE 传输，把 Zod 校验模式与业务逻辑集中放在 lib/* 目录，并通过可复用的 server actions 让 MCP 工具与 Web UI 共享同一套逻辑与响应结构。该模式强调 route.ts 只负责接线，避免内联业务逻辑，从而保持单一数据源、便于本地测试与部署。
harness-engineering-playbook
Harness Engineering Playbook 是一个兼容 skills.sh 的技能，用于将 OpenAI Harness Engineering 指南中的实践落地到任意代码仓库。它帮助搭建或重构面向智能体的工作流，使自主运行可重复、可观测且安全。主要能力包括：引导生成 AGENTS.md、PLANS.md、docs/ARCHITECTURE.md、docs/OBSERVABILITY.md、Makefile.harness 及 CI 工作流等 harness 产物；将确定性命令封装为 make smoke、make check、make ci，便于智能体可靠执行；强制严格的模块边界与数据形状契约；从第一天起接入结构化可观测性（关联 ID、关键状态转换）；并加入熵控制审计与夜间 harness 检查，防止文档漂移和脚本不稳定。使用方式支持交互式向导或 shell 脚本初始化，并通过 audit 命令校验，任何 MISSING 或 FAIL 均视为阻塞。提供 baseline、control、full 三种配置档。
gsd-map-codebase
gsd-map-codebase 是一个代码库映射技能，调用并行的 mapper 智能体分析现有代码库，在 .planning/codebase/ 目录下生成 7 份结构化文档，用于理解代码库现状、刷新代码库认知或重构前摸底。
agent-browser
agent-browser 是面向 AI 智能体的浏览器自动化技能，通过 inference.sh 的 belt CLI 调用，底层使用 Playwright。它提供 open、snapshot、interact、screenshot、execute、close 等函数，用 @e 引用系统定位页面元素，支持点击、填写、拖拽、上传、滚动等交互，并可截图、录制视频、配置代理和显示光标指示。适合需要让智能体自动操作网页、填写表单、登录会话、抓取内容或录制演示流程的场景。使用前需安装 belt CLI 并登录，首次调用用 --session new 创建会话，后续复用返回的 session_id，导航或 DOM 变化后需重新 snapshot 获取新引用。
dispatching-parallel-agents
这是一个用于并行调度多个 AI 智能体的技能，适用于处理 2 个以上相互独立、无共享状态或顺序依赖的任务。其核心原则是按独立问题域各派一个智能体并发工作，例如多个测试文件因不同根因失败、多个子系统独立损坏等场景。技能提供了识别独立域、创建聚焦任务、并行派发、审查整合的完整模式，并给出智能体提示词的结构建议与常见错误提醒。
peft-fine-tuning
PEFT（参数高效微调）是一套用于大语言模型的微调方案，通过 LoRA、QLoRA 等 25 种以上适配器方法，只训练不到 1% 的参数即可完成微调。它适合在消费级 GPU（如 RTX 4090、A100）上微调 7B-70B 模型，生成的适配器文件仅约 6MB，而完整模型可达 14GB。当显存是主要瓶颈时，可用 QLoRA（PEFT + 量化）在单张 24GB GPU 上微调 70B 模型，代价是相比全量微调约有 5% 的质量损失。若训练小于 1B 的小模型、追求最高质量且有充足算力，或领域差异极大需要更新全部权重，则应改用全量微调。
creating-experiments
该技能引导代理创建 A/B 测试实验：先读取项目上下文，再按三步流程创建草稿，并报告配置。核心原则是先出草稿、再迭代指标与配置。
orchestrate
Orchestrate 是一个用于协调委派工作的技能：父级负责界定范围、下达任务简报、验证、整合与判断，自身不修改产品文件，也不把职责再委派出去。适用于需要多智能体分工并保留可核查证据的复杂任务。
agent-observability-replay-trace
该技能用于针对单条 Agent Observability / LLM Obs 追踪（trace）进行快速迭代：取一条开发者不满意的生产 trace，可选修改代码后，用本地代码重新运行该 trace，并展示新旧输出的简明差异，循环往复直到满意。它不假设项目结构，由开发者的编码代理调用，命令形式为 /agent-observability-replay-trace <trace-id> [<changes to test>]；不带修改时仅做重放与差异对比（复现/回归检查），随后可进入迭代循环。技能要求具备 trace 访问后端（datadog-llmo MCP 或 pup CLI）、DD_API_KEY + DD_SITE + 提供方密钥，并强调重放会真实执行代码（产生模型花费与真实写入），且 LLM Obs trace 无法删除，因此必须通过 <ml_app>-local 隔离避免污染生产仪表盘与评估集。
dspy
DSPy 是斯坦福 NLP 团队开发的声明式语言模型编程框架，GitHub 星标 22,000+，用于构建复杂 AI 系统、自动优化提示词，以及创建模块化的 RAG 系统和智能体。它让开发者以声明式方式编程语言模型，而不必依赖手工提示工程，并通过数据驱动的优化器系统化地提升模型输出质量。核心概念包括 Signatures（定义输入输出结构）、Modules（可复用组件，如 Predict、ChainOfThought、ReAct、ProgramOfThought）、Optimizers（如 BootstrapFewShot、MIPRO、BootstrapFinetune）以及评估与自定义指标。安装方式为 pip install dspy，也支持指定提供商的扩展安装。
sentence-transformers
sentence-transformers 是一个用于生成句子、文本和图像嵌入（embedding）的 Python 框架，基于 PyTorch/Transformers 构建。它提供 5000+ 预训练模型，支持语义相似度计算、文本聚类、分类、语义搜索与检索等任务，并支持 100+ 语言的多语言嵌入。可在本地运行嵌入计算，无需依赖 API，是 OpenAI 嵌入的成本效益替代方案。该框架在 GitHub 上有 15,700+ 星标，采用 Apache 2.0 许可。
make-mcp-reference
Make MCP Server 是 Make.com 提供的 MCP 服务器技术参考，用于让 AI 客户端执行 Make 场景并管理 Make 账户。它支持 OAuth 与 MCP Token 两种连接方式，提供无状态 Streamable HTTP、Streamable HTTP、SSE 等传输端点，并区分场景运行与管理两类权限范围。用户可将激活且按需调度的场景配置为 MCP 工具，通过输入输出定义工具参数与返回值，还可按组织、团队或场景限制访问。文档同时给出超时限制、工具名长度配置及常见问题排查方法。
multi-ai-consultant
面向 Claude Code 的多 AI 咨询技能：在调试失败、架构决策、安全校验或需要新视角时，调用外部 AI（Gemini 2.5 Pro、OpenAI Codex、全新 Claude 子代理）获取第二意见，并通过 CLI 而非 MCP 服务器实现。
otel-livekit-style
面向 LiveKit Agents 的 OpenTelemetry 埋点风格指南，规范会话生命周期 span、关闭回调、会话指标与 LLM 轮次 token 计数器的写法。
fine-tuning-with-trl
TRL（Transformer Reinforcement Learning）是用于大语言模型后训练与偏好对齐的库，提供监督微调（SFT）、偏好对齐（DPO）、奖励模型训练以及 PPO、GRPO 等强化学习方法的训练接口。它基于 Transformers、Datasets、PEFT、Accelerate 生态，可用 SFTTrainer、DPOTrainer、RewardTrainer、GRPOTrainer 等类或 CLI 命令，把基座模型调成指令遵循、符合人类偏好的模型。
ln-220-story-coordinator
这是一款面向 Claude Code 的规划协调技能（L2 领域协调器，2XX 规划类），用于按 Epic（大型工作项）拆分 Story。它可为每个 Epic 创建、重新规划或追加 5-10 个 Story，并进行标准研究与多 Epic 路由。适用场景是当某个 Epic 需要做 Story 分解时。该技能由运行时驱动，流程控制、暂停/恢复与 worker 结果追踪由运行时负责，本身不直接创建或更新 Story，而是将创建或重规划委派给独立 worker（ln-221-story-creator、ln-222-story-replanner）。
social-selling-content-generator
该技能用于生成30天LinkedIn内容日历与互动手册，帮助用户树立行业权威形象并吸引B2B潜在客户。可产出行业洞察、思想领导力、互动提问和评论策略等内容，需先提供目标人群、销售内容和内容目标等信息。
gsd-quick
GSD 的快速任务模式技能：在保留原子提交与状态跟踪等 GSD 保障的前提下，走更短的执行路径，跳过可选代理（研究、讨论、计划检查、验证），适合已明确要做什么的任务。
Bankr Agent - Job Workflow
Bankr Agent - Job Workflow 是一个用于执行 Bankr 请求的技能，通过 MCP 工具以异步任务模式调用 Bankr API。其核心模式为“提交-轮询-完成”：先通过 bankr_agent_submit_prompt 提交自然语言提示并获取任务 ID，再每 2 秒通过 bankr_agent_get_job_status 轮询任务状态，任务进入终态后报告结果。该技能提供提交提示、查询任务状态、取消任务三个 MCP 工具，支持 pending、processing、completed、failed、cancelled 五种状态，并针对价格查询、交易、市场分析、Polymarket、余额查询和错误等不同查询类型给出输出格式指引，同时处理状态更新去重与轮询失败恢复。
gsd-progress
gsd-progress 是 GSD 工作流中的统一情境命令，用于查看进度、推进工作流或分发自由意图。它提供三种主要模式：默认模式显示进度报告并智能路由到下一步操作（执行或规划），帮助用户在继续工作前获得情境感知；--next 模式自动推进到下一个逻辑步骤，无需手动选择路由，会读取 STATE.md、ROADMAP.md 和阶段目录，并支持 --force 绕过安全门；--do "任务描述" 模式分析自由形式的自然语言，将其分发到最合适的 GSD 命令，自身不执行工作，只匹配意图、确认并移交；--forensic 模式在标准进度报告后附加 6 项完整性审计。该命令依赖 .claude/gsd-core 下的工作流文件，并保留目标工作流中的所有路由逻辑。
make-module-configuring
这是一个用于在 Make 场景中配置单个模块的技能（Skill）。当需要设置模块参数、分配连接、在模块之间映射数据，或配置 Webhook、数据存储（Data Store）、密钥时，可使用本技能。技能提供了按任务分类的参考索引（通用原则、连接、Webhook、数据存储、数据结构、密钥、IML 表达式、映射、过滤、聚合器、AI 智能体），并说明了几条贯穿所有模块配置的核心规则：先用 app-module_get（outputFormat 为 instructions）读取模块接口，配置后调用 validate_module_configuration 校验，按数据结构到数据存储的依赖顺序创建组件，从左到右（上游到下游）配置以便映射输出结构，连接选择必须交由用户交互决定，更新模块时应省略不修改的字段而非写入空字符串。资料还给出了已知模块 ID：Make Code 模块的 "module" 为 "code:ExecuteCode"。
ln-221-story-creator
ln-221-story-creator 是一个用于创建 Story 文档的技能，属于规划类（2XX Planning）的 L3 Worker。它按照固定的 9 段结构生成 Story 文档，并通过配置的 tracker provider 进行 INVEST 校验。适用于 Epic 已具备 IDEAL 计划、准备进入 Story 拆分的场景。该技能既可独立运行，也可作为协调器流程的一部分被调用，两种情况下公共契约一致。它支持托管子运行模式与独立模式，输出结构化的 story-plan-worker 摘要信封，并可在提供 summaryArtifactPath 时写入摘要产物。
ln-222-story-replanner
用于在 Epic 需求变更后重新规划 Story 的 L3 规划工作器技能，将理想 Story 意图与现有 Story 对比，分类为 KEEP、UPDATE、OBSOLETE、CREATE 并执行相应操作。