find-skills
find-skills 是一个帮助用户发现、列出、安装或更新智能体技能（agent skills）的技能，适用于用户明确要求查找、安装或列出技能的场景。它通过 skills CLI（npx skills）在开放智能体技能生态中检索并安装可扩展能力的模块化包。
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 10-31 00:15
智能体与模型
25,341 个结果
skill-builder
Skill Builder 是一个用于从过程性知识中创建 Claude Code 技能的构建工具，可在发现可复用工作流、重复模式或机构知识时主动调用，先创建技能再告知用户。
docs-consistency-check
对项目内文档、清单文件（如 package.json、plugin.json、.mcp.json）与指令文件进行跨文件一致性审计的技能，用于发现文档漂移、过期描述、孤立引用与需人工确认的冲突，并可记录有意差异、按严重级报告与在确认后应用修复。
learn
一个面向 AI 的结构化知识获取技能：先测绘陌生领域、建立并检验假设，再整合为可预测的心智模型并巩固留存，适用于陌生代码库、框架或领域概念的系统性学习。
prompt-hacking
prompt-hacking 是 AI 红队测试中的高级提示词操纵技能，涵盖直接攻击、间接注入、多轮利用与上下文窗口攻击，用于评估 LLM 的提示注入与系统提示泄露风险。
whats-next
whats-next 是开发工作流中的导航 skill，用于在用户不确定下一步有哪些可用选择、该用哪个 skill，或想了解各入口适用场景与常见工作流时提供指引。
health-init
用于医疗健康类代码仓库的上下文引导技能：通过仓库证据判断监管辖区、主要受众与项目阶段，确认后写入根目录的 .health-context.yaml，供其他健康类技能复用，避免重复推断。
to-issues
to-issues 是一个将计划、规格说明或 PRD 拆解为可独立领取的 issue 的技能，配合 GitHub issue tracker 使用。它的核心思路是垂直切片（tracer bullet），即每个 issue 是一条贯穿所有集成层的端到端薄切片，而不是只覆盖单一层的水平切片。流程先收集上下文，必要时从 issue tracker 拉取用户传入的 issue 编号、URL 或路径并读取正文与评论；可选地探索代码库以了解现状，issue 标题与描述应沿用项目领域词汇并遵守相关 ADR。随后起草垂直切片，切片分为 HITL（需要人工介入，如架构决策或设计评审）和 AFK（无需人工介入即可实现并合并），并尽量优先 AFK。接着以编号列表向用户呈现拆解方案，对每个切片展示标题、类型、被哪些切片阻塞、覆盖哪些用户故事，并询问粒度是否合适、依赖关系是否正确、是否需要合并或拆分、HITL/AFK 标注是否正确，迭代直到用户认可。最后按依赖顺序（阻塞项在前）向 GitHub 发布 issue，附带 needs-triage 标签，正文包含构建内容、验收标准、被阻塞关系，并引用父 issue（如有），不关闭或修改父 issue。使用方式基于 gh CLI 完成创建、查看、列出、评论、增删标签等操作，仓库由 git remote -v 自动推断。
analyze-feedback
analyze-feedback 是一个用于分析 GitHub Actions 工作流运行中产生的智能体反馈产物的技能。它会扫描 agent 反馈产物，提取可执行的洞察，并将其整合进相关的技能文件和 CLAUDE.md 中。该技能通过一个游标文件只处理每次运行中的新反馈，避免重复扫描历史记录。它强调安全规则：反馈内容视为不可信只读文本，绝不执行其中的代码或命令，只从当前仓库下载产物，并在整合前进行净化处理，仅以自身语言重述洞察。
earllm-build
EarLLM One 是一个 Kotlin + Jetpack Compose 的多模块 Android 应用，用于把蓝牙耳机接入大语言模型：从耳机采集语音、转写为文本、发送给 LLM，再以语音播报回复。该技能用于构建、维护和扩展这一项目，涵盖 core-logging、bluetooth、audio、voice、llm、app 六大模块，涉及蓝牙 A2DP/HFP/SCO/BLE Audio 路由、16kHz 单声道 PCM 采集、STT/TTS 语音管线、OpenAI 兼容 LLM 客户端与密钥加密存储，以及 Android 14 前台麦克风服务权限要求，并提供单元测试、构建产物打包命令与 Phase 2 路线图参考。
empjs-skill
empjs-skill 是通过自然语言调用 @empjs/skill（eskill）CLI 来管理 AI Agent 技能的工具，支持安装、列出、删除技能及查看支持的 Agent 平台，可在 18+ 平台间分发和追踪技能链路。
ugc-talking-head-video
将锁定的角色图片配合脚本，通过 treg 调用 Seedance 2.5 生成 9:16 UGC 风格口播视频，输出原始与带字幕的 mp4；依赖 treg、ffmpeg、PIL 和 OPENAI_API_KEY。
runbook
Runbook 是一个将工作拆解为可操控的自主循环并加以执行的技能，分两种模式：Seed（播种）模式在用户要求“创建运行手册”“搭建自主循环”“开始加固阶段”“运行重构循环”等时触发，通过对齐对话确定意图并写入持久化状态；Execute（执行）模式在当前会话中充当编排器，依据状态驱动循环。目标目录由用户指定，未指定时默认为当前工作目录。路由采用分层规则：优先应用显式信号，无显式信号时依据目标目录中是否存在 FOCUS.md 判断——存在则进入执行，缺失则进入播种。另有两条例外守卫：若已有产物但用户要求重新设计，需先确认再覆盖；若无产物却要求执行，则改为提供播种模式。
cognitive-register
cognitive-register 是 SynapSync Registry 的注册技能，用于将新的 cognitive（技能、智能体、提示词、工作流、工具）按统一结构、命名规范、manifest 架构和注册表索引格式登记入库。它通过识别“GUARDA/REGISTRA/AGREGA/SAVE/REGISTER/ADD”等触发词解析请求，校验名称唯一性，创建目录与内容文件，生成 manifest.json，并同步更新 registry.json，确保注册过程原子化、无重复、格式一致。
pursue-goal
pursue-goal 是一个用于协调单一持久软件目标的技能，强调先进行强制性的协作式设计，再进行隔离的切片交付与目标级验证。它由协调者角色主导，负责阶段转换、跨切片路由与连续性维护，不直接实现切片或进行独立审查。设计阶段需与人类协作，产出 SPEC.md 与 SLICES.md，并在人类明确接受设计包前禁止生产编辑与切片交付。交付阶段将每个就绪切片作为端到端任务派发给切片负责人，由后者监督实现者、独立验证者等角色。默认并发上限为三，并发切片之间不得共享可变工作区、数据库命名空间、端口等有状态资源。所有已接受切片集成后，必须执行目标验证与收尾检查点。该技能强调权威与身份保持，使用统一协调信封作为交接与结果的唯一事实来源，并规定人类接受仅授权已记录的本地切片生命周期与聚焦提交，不授权推送、合并、部署等操作。
apple-featuring
该技能用于在应用发布或重大更新前，评估Apple平台应用获得App Store推荐（Featuring）或Apple Design Awards（ADA）提名的准备度。它基于代码库、README与App Store元数据梳理应用功能、目标用户、平台与标志性交互，对照Apple的七项推荐考量与六个ADA奖项类别做匹配与排序，并按上线首印象、平台适配、无障碍、本地化、质量与产品页等维度输出准备度审查报告，列出阻断项与可强化项，并给出提名计划建议。需注意：Apple并未公开推荐清单或ADA评审标准，本技能只能提升概率，不能保证入选；涉及流程与时限应以Apple当前页面为准。
teamai
TeamAI 是面向团队的 AI 原生协作工具，通过一个共享基础，让团队使用的 AI 技能、规则、文档和环境在各类 AI 编程工具之间保持同步。它由腾讯的 teamai-cli 项目提供，使用前需通过 npm 全局安装 teamai-cli（要求 Node.js 20 及以上）。如果命令行不识别 teamai skill get，说明已安装版本较旧，用同样方式升级即可。TeamAI 以 CLI 形式提供与当前安装版本始终匹配的技能内容，避免说明过期。它覆盖日常的拉取、推送、状态检查与诊断，支持团队仓库的创建与加入、管理及卸载，也面向大型多仓库代码库提供架构逆向工程与知识库构建能力，并可在开启 recall 的情况下把当前会话中获得的经验沉淀为团队学习内容。发布已有的技能、规则或文档属于日常核心工作，无需 recall。
install-chief
install-chief 是 Chief Agent Framework 的安装技能，用于将 Chief Agent Framework 安装到当前项目中。它优先使用仓库中的 scripts/setup.sh 作为主要安装方式，在脚本执行失败时回退到手动安装，并在安装完成后验证文件与符号链接是否正确，必要时手动修复。安装时会先检查项目内是否已存在该框架，并引导用户选择目标版本（如最新稳定版、canary 分支或指定标签）、支持的编码代理（claude-code、opencode、codex、cursor、copilot、gemini-cli、amp、windsurf、kiro、aider）以及安装模式（link 符号链接或 copy 复制）。对于非 claude-code 的代理，还会询问思考模型与编码模型名称并替换占位符。该技能适用于需要快速接入 Chief Agent Framework 的项目初始化场景。
agent-configuration
OpenCode 智能体配置技能：创建与自定义专用 AI 助手，支持主智能体与子智能体、模型、工具、权限和提示词设置。
claude-mem-install
在 Cursor 中安装与配置 claude-mem 的技能，支持本地或远程 worker、本地 host-login 观察器或远程 cmem.ai 推理，并保持原有安装命令。
factory-intent
factory-intent 是 ADLC 团队技能集中的意图编排器：从同一份 Mission Brief 出发，双轨协同产品生命周期技能与架构生命周期技能，最终产出相互一致的 PRD.md 和 AD.md。它按固定命名技能的 DAG 组织流程：先分别生成产品与架构草稿，再各自澄清并经过范围绑定的独立人工门禁，最后联合实施与验证；支持单轨运行，以及 greenfield、brownfield、refresh 三种路线。在工厂运行中，它通过 run-branch.sh、commit-step.sh、open-mr.sh 完成分支、分步提交与草稿 MR，不主动请求批准，由引擎门禁承担审批。
z-liang-wenfeng-grounded-voice
该技能用于以梁文锋（Liang Wenfeng）的第一人称模拟口吻进行对话、角色扮演、访谈、引用、事实核查或推理应用，但回答必须锚定在随附的 5 月 20 日文字记录上。它要求先检索再作答：读取主题索引、把用户问题转成 3–8 个检索表达、运行结构化搜索并检查证据对象，必要时更换表达二次检索或直接阅读相关页面。技能提供语音模式（默认第一人称）、来源审计模式（第三人称并标注页码/时间戳）和访谈模式（生成尖锐问题与追问）。回答遵循“接地阶梯”，区分直接支持、框架外推与无支持/私人内容，避免编造事实或私人想法，并对公开使用中的敏感非公开数据加以限制。
ghost
ghost 是一套用于从既有代码仓库中提取「ghost 包」的方法与约束体系。ghost 包由 SPEC.md、可移植测试 tests.yaml 和安装提示等组成，目的是把一个系统（库或智能体系统）的行为契约从源码中抽离出来，形成与编程语言无关、可在任意目标语言或测试框架中重新实现的规范。它强调以证据为准：上游测试（对智能体系统还包括捕获的轨迹与评测运行）是权威依据，代码、文档和示例仅用于填补空白，且不得与证据矛盾。ghost 包本身不携带实现代码、适配器运行器或构建工具，只包含规范、可执行测试与验证材料。核心工作是定义稳定的操作标识与用例标识、选择合适的 tests.yaml 契约形态（功能 API、协议/CLI 或场景），并用确定性数据描述行为。对于智能体系统，还要求构建可控的工具沙箱、可机器检查的判定条件以及轨迹级不变量。ghost 还配套一套严格的验证要求，包括一致性配置文件、验证矩阵、完成定义、证据包与失败关闭的验证阈值等。该资料未提供价格、平台支持范围、实际安装步骤或性能数据。
select
Select（$select）是一个面向多智能体并行执行的“任务选择与编排规划”技能，来源于 tkersey/dotfiles 仓库。它本身只做规划，不实现变更、不修改任务源。其核心用途是：从三类来源中二选一——调用文本中显式给出的任务清单、仓库根目录的 SLICES.md、或编号最大的 plan-N.md——选定一个来源后，将其细化为具备依赖关系的原子任务，识别工作流（workstream），在安全的前提下调度并行波次（waves），并输出一份中立的编排计划 OrchPlan v1（YAML）。它强调“swarm-ready”：任务需可被单个 worker 独立执行、具备明确 scope 锁、显式 depends_on 依赖边（硬前置）与 related_to（软顺序），并提供 contract、implementation、integration、checkpoint 等角色标签。它还包含只读的预检与警告自动修复（如 ID 规范化、scope 归一化与保守推断、orchestrator 降级）、并行安全规则（scope 不重叠才可同波次）、审查者复查环节，以及必须输出的 Decision Trace（决策追踪）。此外会给出认领（claim）说明，供其他规划/执行者避免重复领取同一工作。注意：该技能不改代码、不写入任务源、与具体执行器无关；关于收费、平台与效果，资料暂未提供。