dag-executor
dag-executor 是一个端到端 DAG 执行编排器，可将任意自然语言任务分解为智能体图，并借助 Claude Code 的 Task 工具并行执行，通过文件锁与冲突检测协调各子任务。
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 10-29 00:09
智能体与模型
25,125 个结果
prompt-engine
基于 YAML 模板的 AI 提示词引擎，支持品牌套件注入、输入安全清洗与节省 token 的紧凑上下文块，用于在代码库中统一管理提示词、保持品牌一致性并防范提示词注入。
submit-to-agentlaunch
submit-to-agentlaunch 是一个用于向 agentlaunch（类 Product Hunt 的 AI 智能体目录）提交智能体并通过公开无鉴权 REST API 读取目录的技能。提交仅支持 API，无网页表单，POST JSON 后返回 slug 即上线。
voice-agent
基于 Deepgram Voice Agent API 构建实时语音代理的指南：通过单一 WebSocket（wss://agent.deepgram.com/v1/agent/converse）完成语音转文本、LLM 思考与语音合成，客户端负责流式传输音频、播放回复并处理函数调用。
ask-demon
ask-demon 是一个技能路由工具，用于判断当前情境应使用哪个技能或流程。它覆盖文档与 Agent-Note 维护流程、文档治理运行，以及散文与文档工具层，并包含游戏领域相关技能。
bugfix
Project Memory MCP 工作区的一键自动修复技能，通过 Revisionist→Executor→Reviewer 循环加测试，自动定位并修复缺陷。
skill-evolution
Skill 经验进化管理器，用于在对话结束时分析用户反馈，提取最佳实践与解决方案，持久化到 evolution.json 并缝合进 SKILL.md。支持上游层、全局层、项目层三层架构，实现跨项目、跨版本的经验保留与合并。
instagram-posting
该技能用于让具备浏览器操作能力的智能体在已登录的 Instagram 账号上自动发布图片或视频帖子，涵盖媒体上传、按比例裁剪、填写文案与标签以及发布确认等步骤。
scry-rerank
scry-rerank 是 ExoPriors 提供的 LLM 多属性重排序技能，通过成对比较而非单点评分，对候选实体集生成带不确定性估计的校准排名，支持清晰度、技术深度、洞察力等规范属性及自定义属性。
desktop-control
desktop-control 是 droid-control 工作流的后台知识模块，本身不被直接调用，用于通过上游 trycua/cua 的 cua-driver 驱动原生桌面 GUI 应用自动化，支持枚举应用与窗口、快照无障碍树、按元素索引或像素坐标点击输入滚动，并可在不将目标窗口置前的情况下验证操作。
engineering-redis-game-patterns
面向游戏开发的 Redis 使用模式技能，涵盖排行榜、会话缓存、发布订阅、限流与临时状态等场景，基于 ioredis 提供样板代码与模板，强调 TTL、缓存旁路与原子操作。
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。它适合构建持续运行的自主智能体、创建可视化工作流智能体、部署带外部触发（Webhook、定时任务）的智能体，以及搭建复杂的多步骤自动化流水线，也支持无代码/低代码的智能体构建。平台主要能力包括：可视化智能体构建器（拖拽式节点工作流编辑器）、持续执行（智能体通过触发器持久运行）、市场（可共享和复用预构建智能体与区块）、区块系统（面向 LLM、工具、集成的模块化组件）、Forge 开发工具包（用于创建自定义智能体）以及基准测试系统（标准化智能体性能测试）。安装采用 Docker 方式，克隆仓库后进入 autogpt_platform 目录，复制环境文件并启动后端服务，前端需单独安装依赖并运行开发命令。
axolotl
Axolotl Skill 是一个用于辅助 Axolotl 开发的中文技能资料，根据官方文档自动生成。Axolotl 用于大语言模型的微调，本技能提供 YAML 配置、100 多个模型支持、LoRA/QLoRA、DPO/KTO/ORPO/GRPO 及多模态支持等专家指导。技能内容涵盖何时使用、常见模式（如 NCCL 测试、FSDP 配置、context_parallel_size、save_compressed）、示例代码模式（如 ModalCloud、AxolotlTrainer、RawInputOutputPrompter），以及 references 目录下的 api、dataset-formats 等文档。适用于处理 Axolotl、询问其功能或 API、实现方案、调试代码和学习最佳实践的开发者。
constitutional-ai
Constitutional AI（CAI）是 Anthropic 提出的通过自我改进训练无害 AI 的方法，采用两阶段流程：先以自我批判与修订进行监督学习，再用来自 AI 反馈的强化学习（RLAIF）。模型依据一套“宪法”原则自我评判与改写回答，无需人工标注有害输出。
deepspeed
本 Skill 是针对 DeepSpeed 分布式训练的专家指导型工具，内容根据官方文档生成，覆盖 ZeRO 优化阶段、流水线并行、FP16/BF16/FP8 混合精度、1-bit Adam、稀疏注意力等主题。当用户在处理 DeepSpeed、询问其功能或 API、实现 DeepSpeed 方案、调试 DeepSpeed 代码或学习其最佳实践时，该 Skill 会被触发。资料中给出的具体能力示例包括 DeepNVMe 数据搬运实践，以及面向 NLG 模型的 Mixture of Experts 训练流程，后者可降低训练成本并缩小 MoE 模型体积。资料提供的内容包含环境要求、句柄创建、阻塞与非阻塞文件读写、并行文件写入、pinned 张量、性能调优工具 ds_nvme_tune 以及 API 列表等细节。对于价格、收费模式、支持的平台范围或效果承诺，资料未提供相关信息。
distributed-llm-pretraining-torchtitan
TorchTitan 是 PyTorch 官方的大规模 LLM 预训练平台，支持可组合的 4D 并行（FSDP2、TP、PP、CP），在 H100 GPU 上相比基线可实现 65% 以上的加速。它适用于从零开始预训练 Llama 3.1、DeepSeek V3 等模型，提供 PyTorch 原生方案，无需第三方依赖，并支持 Float8 训练、多节点 SLURM 调度以及与 torchtune/HuggingFace 互操作的检查点。
grpo-rl-training
该技能为使用 TRL 库实现 GRPO（组相对策略优化）强化学习微调提供专家级指导，面向推理能力训练与特定任务模型训练。内容涵盖 GRPO 算法原理、奖励函数设计、数据集准备、训练配置、模型设置与训练、部署推理、最佳实践与故障排查等完整工作流，并提供可复用的代码模板与示例。
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。
implementing-llms-litgpt
LitGPT 是 Lightning AI 推出的开源工具，提供 20 多个预训练大语言模型（如 Llama、Gemma、Phi、Qwen、Mistral 等）的清晰可读实现与生产级训练流程。它支持模型下载、文本生成、全量微调、LoRA 微调、从零预训练、模型量化与部署等完整工作流，代码简洁易读，适合学习 LLM 架构、研究实验与原型开发。安装方式为 pip install 'litgpt[extra]'，可通过 Python API 或命令行使用。
llama-factory
LLaMA-Factory 是一个用于大语言模型微调的工具，本技能为其提供基于官方文档的专家指导。内容涵盖 WebUI 无代码操作、100 多种模型支持、2/3/4/5/6/8 位 QLoRA 量化微调以及多模态支持。技能在用户使用 LLaMA-Factory、询问其功能或 API、实现相关方案、调试代码或学习最佳实践时触发，并附带从官方文档提取的参考文件，包括图像、进阶、入门及其他文档，便于查阅详细说明与代码示例。
mamba-architecture
Mamba 是一种选择性状态空间模型（Selective State Space Model）架构，用于序列建模，具备 O(n) 线性复杂度，相比 Transformer 的 O(n²) 更高效。据资料介绍，其推理速度约为 Transformer 的 5 倍，支持百万级 token 序列，且无需 KV 缓存。该技能提供 Mamba 与 Mamba-2 的安装、基础用法、语言模型构建、预训练模型加载、性能基准测试等示例，需 Linux、NVIDIA GPU、PyTorch 1.12+ 与 CUDA 11.6+ 环境。
miles-rl-training
miles 是一个面向企业级、生产就绪的强化学习（RL）框架，是 slime 的生产分支，专为大规模模型后训练优化，重点解决 MoE 训练稳定性、低精度训练和训练-推理一致性等难题。它适用于需要训练 1TB 以上 MoE 模型（如 DeepSeek V3、Qwen3-MoE）、进行 FP8 或 INT4 量化感知训练、追求训练与推理逐位对齐、以及希望通过投机 RL 获得最大吞吐量的场景。资料显示其核心特性包括统一 FP8 流水线、Rollout Routing Replay（R3）专家路由对齐、投机 RL（可获得 25% 以上 rollout 加速）、零拷贝权重同步、部分 rollout 回收、TIS/MIS 离策略校正以及 FlashAttention-3、DeepGEMM 等内核级优化。它提供 Docker 与源码两种安装方式，配置系统继承自 slime。资料同时指出，若需要研究级原始版本应选择 slime，需要灵活后端切换应选择 verl，需要 PyTorch 原生抽象应选择 torchforge。
model-pruning
Model Pruning 是一个面向大语言模型（LLM）压缩与推理加速的技能，主要介绍 Wanda、SparseGPT 等剪枝技术，以及结构化剪枝和 N:M 稀疏。适用于在不重新训练的情况下压缩模型，例如在 50% 稀疏度下实现接近无损的精度，并减少约 50% 内存占用。资料还提供了安装命令、Wanda 与 SparseGPT 的代码示例、N:M 结构化剪枝实现、剪枝策略、生产部署流程与评估方法。
nanogpt
nanoGPT 是由 Andrej Karpathy 开发的极简 GPT 实现，约 300 行代码，用于学习和实验 Transformer。它可以在 OpenWebText 上复现 GPT-2（124M），代码干净、易修改，适合教学、快速原型和有限算力场景。安装依赖包括 torch、numpy、transformers、datasets、tiktoken、wandb、tqdm。支持字符级莎士比亚训练（CPU 约 5 分钟）、多 GPU 复现 GPT-2、微调预训练 GPT-2 以及自定义数据集训练。