SuperAPI AI 工具集找到适合任务的 Agent Skill，阅读介绍并复制安装命令。
更新于 10-18 00:12
24,054 个结果
CLIP（Contrastive Language-Image Pre-Training）是 OpenAI 推出的连接视觉与语言的模型，通过自然语言理解图像。它支持零样本图像分类（无需训练数据）、图文相似度匹配、语义图像搜索、内容审核（如检测 NSFW、暴力内容）、视觉问答以及跨模态检索（图→文、文→图）。模型在 4 亿对图文数据上训练，零样本性能在 ImageNet 上可媲美 ResNet-50，采用 MIT 许可证，GitHub 星标超过 25,300。提供 RN50、RN101、ViT-B/32、ViT-B/16、ViT-L/14 等多种模型，可通过 pip 安装并配合 PyTorch 使用。
Speculative Decoding 是一个用于加速大语言模型（LLM）推理的技能，涵盖三种主要技术：草稿模型投机解码、Medusa 多头解码和 Lookahead 前瞻解码。该技能适用于需要将推理速度提升 1.5-3.6 倍且不损失质量的场景，例如降低聊天机器人、代码生成等实时应用的延迟，优化高并发服务的吞吐量，以及在受限硬件上高效部署。其核心思路是用小模型或额外预测头生成候选 token，再由大模型并行验证，从而减少串行解码步数。文档提供了 transformers、Medusa、LookaheadDecoding 及 vLLM 的安装方式，并给出各方法的快速开始代码、算法原理、超参数调优建议与生产部署示例。资料显示三种方法均无质量损失，其中 Medusa 需要少量训练（仅训练预测头），Lookahead 则无需草稿模型或训练即可开箱使用。
Prompt Engineer 是一个专注于为大语言模型（LLM）编写、重构和评估提示词（Prompt）的技能。它帮助用户设计、优化和测试提示词，以最大化 LLM 在不同用例下的表现。该技能覆盖提示词模式选择（零样本、少样本、思维链、ReAct）、提示词优化、评估框架、结构化输出（JSON 模式、函数调用）、系统提示词设计（人设与防护栏）以及上下文管理等主题。它提供了一套核心工作流：理解需求、设计初始提示词、测试与评估、迭代优化、文档化与部署，并附带参考指南和示例。适用于为新的 LLM 应用设计提示词、优化现有提示词、实现少样本学习、构建结构化输出模式、开发提示词评估与测试框架、调试不一致的输出，以及在不同模型或供应商之间迁移提示词等场景。
Simplify Code 是一个并行四智能体代码清理技能，针对最近的代码改动，从复用、质量、效率、抽象层次四个角度同时审查并汇总修复，属于清理而非找 bug。
该技能名为 Prompt Optimization（提示词优化），属于面向大语言模型（LLM）应用的提示工程技能。它定位于把基础指令转化为可用于生产环境的提示词，并运用宪法式 AI（constitutional AI）、思维链推理（chain-of-thought）以及针对特定模型的优化等高级技术。资料说明该技能适用于提示词优化相关的任务或工作流，以及在需要提示词优化的指导、最佳实践或检查清单时使用；若任务与提示词优化无关，或需要该范围之外的领域与工具，则不应使用。使用前需明确目标、约束与所需输入，随后应用相关最佳实践并验证结果，提供可执行的步骤与验证方式；如需详细示例，可打开 resources/implementation-playbook.md 查看模式与示例。资料提到有效的提示工程可提升准确率 40%、减少幻觉 30%，并通过 token 优化降低成本 50% 至 80%。限制方面：仅当任务明确匹配上述范围时使用；输出不能替代针对具体环境的验证、测试或专家评审；若缺少必需输入、权限、安全边界或成功标准，应停止并请求澄清。
该技能介绍如何用 Flash Attention 优化 Transformer 注意力计算，通过 IO 感知分块与重计算，可在长序列场景获得 2-4 倍加速和 10-20 倍显存占用降低。包含 PyTorch 2.2+ 原生方式、flash-attn 库方式以及 H100 FP8（FlashAttention-3）三种路径的完整代码示例，并给出集成到现有模型、验证加速比、比对精度、多查询注意力、滑动窗口注意力等常见工作流，以及安装报错、无加速、CUDA 报错、精度下降等问题的排查方法。
用于检查 Nowledge Mem 配置、识别当前所运行的 AI 代理并引导安装原生连接器的诊断型技能，适用于设置咨询、记忆工具失效或首次使用等场景。
TanStack AI（@tanstack/ai）是一个类型安全、与模型提供商无关的 TypeScript AI SDK，用于在 TypeScript 应用中构建聊天与流式输出、工具调用与智能体、结构化输出、MCP、代码模式等 AI 功能。
用于配置和管理 S3、GCS、MinIO 等对象存储的技能，覆盖 AWS CLI 操作、桶策略、生命周期规则、版本控制、加密及 MinIO 客户端 mc。适用于存放应用资源、备份、日志、媒体文件，以及自建 S3 兼容存储与静态内容托管。
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。
to-prompt 是一个用于生成“交接简报（handoff brief）”的技能，供另一个 LLM 据此自行选择实现方式。它会将问题、当前状态、需求与约束整理成一份简报，并保留用户已经提供的实现约束或已批准的方案，把未决定的设计选择留给接收方。每份简报会写入 docs/prompts/ 目录，文件名为 <YYYYMMDD-HHmm>_<slug>.md，例如 docs/prompts/20260709-1745_fix-auth-redirect.md。该技能不适用于一次性问答和面向最终用户的文案。
LangSmith 是一个面向 LangChain 生态的可观测性与评估工作流技能，用于把 LangSmith 相关工作（链路追踪、离线评估、标注审阅、提示词版本管理、跨服务链路传播）先规整为单一工作流包，再进入 SDK 代码编写。它强调先对请求做归类、选定一个主包、挑出最小可用探针面，最后返回一份紧凑的操作简报。适用于需要判断一次改动该用调试追踪、离线评估门禁、在线审阅队列、Prompt Hub 版本管理还是多服务血缘的场景，也适用于已有部分 LangSmith 接入但信心不足、需要做审计与缺口复核的团队。技能本身不是 SDK 百科，而是一个工作流路由器，会把通用监控告警、日志排障、代码级复现、部署编排、指标解读、运行时策略等相邻工作快速路由出去。
Loopify 是一个用于搭建智能体循环（agent loop）的向导型技能，帮助用户把「这个任务应该周期性运行」的想法，落地为具备合适节奏、幂等性和退出条件的可运行循环。它覆盖三种主要模式：固定调度的 Cron、按状态自调度的动态节奏（ScheduleWakeup），以及带终止条件的一次性循环（内置 /loop）。向导会引导确认循环任务、运行频率、停止条件、循环体行为、输出位置以及重复运行时的失败模式，并据此选择模式、设计幂等循环体、设置退出条件、注册调度、验证首次运行并给出停止方式。该技能基于 Claude Code 的 CronCreate、ScheduleWakeup 和 /loop 能力，同时说明在其他宿主上如何借助系统 cron、launchd、systemd timer 或 GitHub Actions 等外部调度器运行无头智能体命令。
Eve Skill Distillation 是一套把重复性工作沉淀为可复用 Eve 技能包（skillpacks）的工作流。当某个流程在两个或更多任务中反复出现、某类知识值得让同一项目中的其他智能体共享，或某种失败模式反复发生且修复方法需要固化时，就适合进行技能蒸馏。该工作流强调“编排而非串行”：当需要创建或更新多个技能时，采用编排者（orchestrator）模式，先捕获模式、规划工作项，再并行派发 worker，最后汇总收尾，以保护上下文预算并并行处理独立任务。若只蒸馏单个技能，则跳过编排模式直接编写。技能编写遵循统一规则：frontmatter 仅含 name 与 description；全程使用祈使语气；SKILL.md 控制在 5000 词以内，长细节移入 references/；不仅教步骤还要教思考逻辑；用标题、短段落和代码块便于快速浏览；使用与具体工具无关的语言。该技能还建议在每次重要任务后重复此循环，合并重叠技能，并随平台演进更新或淘汰过时技能。
Cloudflare Agents SDK 是用于在 Cloudflare Workers 与 Durable Objects 之上构建 AI 智能体的开发框架。它提供 WebSocket 双向实时通信、内置 SQLite 状态持久化（每个智能体最高 1GB）、任务调度（延迟、指定日期、cron 表达式）、多智能体协调、MCP 服务器构建、浏览器渲染、RAG 向量检索以及 human-in-the-loop 审批流程等基础设施能力。每个智能体实例都是全局唯一、有状态的微服务器，可运行数秒至数小时，并能扩展到全球数百万个独立实例。该 SDK 本身不提供 AI 推理，需搭配 Vercel AI SDK 或 Workers AI 等推理层使用。
Temu 欧洲站电商履行/发货 API 合一技能，整合 Buy-Shipping 购标面单、合作仓履约、卖家自发货、物流跟踪、自配送 POD 上传与审核等 30 个接口，适用于 Temu EU 发货、购标、POD 等场景。
该技能为 Claude Code CLI 建立隔离但共享的配置文件系统，让 Kimi、MiniMax、DeepSeek、GLM、StepFun 或 Anthropic 等不同模型/提供商可以在各自独立的终端窗口中运行，互不干扰。每个配置文件拥有独立的 .claude.json 状态文件（保存提供商凭据与会话历史），同时共享技能、项目、钩子脚本、智能体和插件安装状态，并通过同步脚本将默认配置文件的 settings.json 与行为键收敛到各配置文件，使配置文件之间唯一的预期差异就是模型/提供商。
Forge Connector 是 Atlassian Forge 平台上的技能，用于指导构建和部署 Teamwork Graph 连接器应用，将外部数据摄取到 Atlassian 的 Teamwork Graph 中，使其可在 Rovo Search 和 Rovo Chat 中被搜索。该技能涵盖从环境准备、数据与对象类型映射、脚手架生成、代码定制、部署安装到连接配置的完整流程，并强调多项关键规则，如必须安装到 Jira 站点、使用 @forge/kvs 存储、正确导入 graph 命名导出、检查 setObjects 响应、保持访问控制 ID 一致、使用编排进行刷新调度等。
llm-app-patterns 是一套用于构建 LLM 应用的生产级模式集合，灵感来自 Dify 与行业最佳实践。它覆盖 RAG 流水线、智能体架构、提示词 IDE 以及 LLMOps 监控等主题，适合在设计 LLM 驱动应用、实现检索增强生成、构建带工具的 AI 智能体、搭建 LLMOps 监控或在多种智能体架构间做选择时参考。内容以代码示例与配置片段为主，包含文档切分策略、向量数据库与嵌入模型选型、检索策略、生成提示模板、ReAct、函数调用、计划执行、多智能体协作等模式，以及提示词模板、版本管理与 A/B 测试、提示链、指标追踪、日志与追踪、评估框架等实践。
Agentforce Generate 是一个用于开发 Agentforce 智能体的技能，主要围绕 Salesforce 的 Agent Script 脚本语言展开。它覆盖智能体开发的完整生命周期：设计智能体、编写 Agent Script 代码、验证与调试、部署与发布以及测试。该技能可帮助用户创建、修改、审计、修复、优化、调试和部署智能体，触发场景包括用户创建、审查或更改 .agent 文件等。Agent Script 智能体由 AiAuthoringBundle 元数据定义，包含一个 <ApiName>.agent 文件（智能体行为）和一个同级的 <ApiName>.bundle-meta.xml 文件（包元数据），目录和两个文件名必须使用大小写一致的相同 API 名称。动作可通过可调用 Apex、自动启动 Flow、Prompt 模板等受支持类型实现。涉及组织的操作需要 Agentforce 许可证、API v66.0 或更高版本以及 Einstein Agent User；静态编写和审查无需组织访问权限。该技能强调始终在 sf CLI 命令中使用 --json、验证目标组织、按变更规模进行诊断、先草稿迭代后发布、使用受支持的控制流、本地编译 AgentScript 等规则。
adapt-workflow 是一个用于将现有 AI 工作流迁移到不同上下文环境的技能。它适用于把已运行的工作流移植到其他 AI 供应商、部署环境、模型层级或组织场景。该技能要求先做好准备工作：调用 /agent-workflow 获取工作流原则、反模式与上下文收集协议，并按协议执行；如果尚无工作流上下文，必须先运行 /teach-maestro，同时收集工作流将要适配到的目标信息。技能提供适配评估维度表，覆盖模型供应商、模型层级、部署环境、团队结构和数据敏感性，并分别给出当前值、目标值与影响。随后从供应商适配与环境适配两方面展开，包括提示格式、上下文限制、能力缺口、定价模型、API 差异、延迟要求、合规要求、规模与监控等。最后提供适配检查清单与推荐后续步骤。
Agentic Payments 是一套面向 AI 代理与机器对机器（M2M）场景的 Stellar 支付方案，涵盖 x402 与 MPP 两种互补协议，用于让自动化程序按请求或按会话完成付费访问。x402 通过 facilitator 实现 HTTP 402 付费 API，客户端无需持有 XLM，交易手续费由赞助方承担；MPP 则提供 Charge（无需第三方 facilitator 的逐请求支付）与 Session（链下提交、适合高频代理）两种模式。默认使用 USDC（SEP-41 SAC），网络标识采用 CAIP-2 的 stellar:testnet / stellar:pubnet。方案给出对比决策表：x402 设置最简单、客户端零 XLM；Charge 不依赖第三方；Session 适合高频调用。文档还包含共享的测试网账户准备流程，包括生成收款与付款密钥对、通过 friendbot 领取测试网 XLM、为两个账户添加 USDC 信任线、从 Circle 水龙头获取测试网 USDC，并区分经典资产发行方地址（G 开头）与 SAC 合约地址（C 开头）的用途。
面向 Claude Code 的 OMC（oh-my-claudecode）编排路由技能：在给出命令前先判断用户实际的安装拓扑与运行时，区分 Claude Code 插件会话内技能与 omc 终端 CLI，避免混用 /team 与 omc team。
agency-agents-zh 是一个包含 215 个即插即用中文 AI 专家角色的智能体库，覆盖工程、设计、营销、产品、游戏、安全、金融等 18 个部门。除完整翻译上游 165 个角色外，新增 50 个中国市场原创智能体（小红书、抖音、微信、飞书、钉钉、跨境电商等），支持 Claude Code、Cursor、Copilot、OpenClaw 等 17 种 AI 编程工具，并可通过 Agency Orchestrator 实现多智能体协作编排。