truefoundry-agents
TrueFoundry Agent Registry 的界面操作指南技能，用于在 TrueFoundry 仪表盘中创建、发布、共享、编辑、测试智能体，以及为智能体挂载 MCP 服务器和技能。该技能强调智能体的编写与交互均通过仪表盘工作流完成，不通过 API 创建、发布、编辑、调用或删除智能体。适用于需要按界面路径完成智能体注册、版本发布、协作者管理、远程智能体登记和 Agent Playground 测试的场景。
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 10-31 00:15
智能体与模型
25,369 个结果
truefoundry-skills-registry
TrueFoundry Skills Registry 是用于管理可复用 Agent Skill 的技能，覆盖创建、发布、版本管理、下载、更新，以及将技能挂载到 TrueFoundry Agent 的流程。它区分单文件 SKILL.md 与多文件技能包（references/、scripts/、assets/）两条发布路径：单文件走 Dashboard UI，多文件走仪表盘/注册表工作流或声明式 tfy apply（仅在存在有效 agent-skill manifest 时）。支持创建新版本、更新元数据与正文、从 Skill Detail 的 Usage 页下载导出，并通过 Agent Playground 为 Agent 选择技能与版本。技能存放于 Repository，访问权限由 Repository RBAC 控制，可按版本固定。该技能强调发布前预检 tfy 登录与目标租户、展示文件清单或 YAML/diff 并获得显式确认后再执行，且不执行 tfy 中不存在的命令，删除操作需前往 Skills Registry UI 完成。
agent-os-framework
Agent OS Framework 是一个用于生成标准化 .agent-os 目录结构的技能，面向 AI 原生（AI-native）的代码仓库工作流。它通过命令 /agent-os-framework 为项目创建产品文档、使命说明、技术栈、路线图和决策记录等文件，帮助团队在仓库中沉淀产品愿景、技术选型与架构决策。支持为已有项目增量更新（--update）或单独生成某个组件（--component）。适用于新仓库初始化、为项目添加 AI 工作流支持、记录产品愿景和创建决策记录等场景。
using-data-engineering-agent-skills
数据工程智能体技能入口技能：在改代码、SQL、编排、契约或基础设施前，先对任务分类并匹配正确的技能、预设与下一步命令，避免跳过规格、质量、治理、回放与回滚考虑，适用于会话开始与需求分诊。
vp-foreign-agent-skill-loader
Foreign Agent Skill Loader 是一个用于临时复用其他智能体系统所编写的仓库本地技能的工具。它通过内置扫描器发现候选技能入口点，并在扫描时显式传入当前智能体名称，从而排除当前智能体自身的原生技能根目录，避免误加载自身技能。使用流程为：先读取扫描器的当前帮助信息，再完整阅读所选技能的全部指令，之后才开始行动。对于外来技能中不兼容的工具名称与平台假设，会适配到当前可用的能力上，同时保留该技能的原始意图、安全边界和所引用的资源。除非用户明确要求，否则不安装、不重写、也不持久化外来技能。仓库级和用户级指令始终保持更高优先级。所有可执行内容和外部引用在检查之前都视为不可信。当用户希望安装或持久化技能而非临时加载时，应改用相关技能 vp-skills。
ai-python-custom-loop
ai-python-custom-loop 是 vercel-labs/ai-python 项目中的一个技能，用于在构建自定义智能体循环（agent loop）时修改工具调度、历史管理、钩子与控制流。它给出了一个基于 ai.Agent 子类重写 loop 方法的参考实现，并列出若干规则：每轮开头调用 context.keep_running()；使用 ai.stream(context=context) 保持模型、消息、工具、输出类型与参数一致；从循环中 yield 事件；在 ToolEnd 时用 context.resolve(event.tool_call) 处理校验、审批门与缓存重放结果；不要直接调用 tool.fn；用 ToolRunner.schedule(...) 调度已解析的调用；先添加 stream.message 再添加 runner.get_tool_message()；每个工具调用必须对应一个工具结果。涉及请求边界可参考 ai-python-serverless-execution，持久化调用可参考 ai-python-durable-execution。
ai-python-durable-execution
该技能用于为 AI SDK for Python 添加持久化执行（durable execution）能力，适用于智能体运行需要跨重启、跨 worker 迁移或长时间等待仍能继续的场景。SDK 本身不提供持久化，需自定义 Agent.loop，并把模型调用、工具 I/O、审批或恢复边界等副作用放入持久化步骤中。持久化步骤应接收 JSON 输入并返回 JSON 输出，保持工作流可重放。消息通过 model_dump(mode="json") 与 Message.model_validate 序列化与还原。模型步骤在步骤内消费 ai.stream(...) 并返回一条完整的 assistant Message；工具优先将工具体包裹在持久化步骤中，若工作流系统需要独立活动调度，则调度返回 ai.tool_result(...) 的零参数可调用对象，不要直接调用 tool.fn。该模式不向调用方流式输出模型 token，这通常是持久化工作流的合理取舍。
ai-python-subagents
ai-python-subagents 是 Vercel Labs ai-python 中的一项技能文档，讲解“子智能体作为工具（subagent-as-a-tool）”模式。当父模型需要自行决定何时调用另一个智能体时，可使用子智能体工具。文档给出示例：用 @ai.tool 装饰异步函数 research，在函数内创建子 ai.Agent 并传入工具，构造系统与用户消息后，通过 async with child.run(model, messages) 运行并以流式方式逐事件产出；父模型把子智能体的最终助手文本视为工具结果，调用方则以 ai.events.PartialToolCallResult 形式接收子事件。文档还说明可从 event.value 渲染嵌套输出，并强调不要手动把子消息追加到父历史，因为工具结果会以 MessageBundle 保存子对话记录。更完整的流式工具、MessageBundle 与初步输出说明需参考 ai-python-streaming-tools。
magi-ex
MAGI EX 是一个多模型头脑风暴面板技能，用于为项目构思想法、功能或方向。它让三个由不同模型家族驱动的“队友”并行探索同一个问题，再由主协调者汇总各方提案供用户选择。三个角色分工明确：Scientist 直接以 Claude Opus 进行推理，不派发给外部；Mother 通过 mcp__codex__codex MCP 工具委派给 OpenAI Codex；Woman 通过 gemini CLI 委派给 Google Gemini。流程包括澄清问题、组建团队并行探索、汇总呈现、可选的辩论轮次、团队拆除以及交接给 writing-plans 技能。
optimize-agentic-cli
这是一个面向 CLI 设计的技能，用于审计或改造命令行工具，使其能被智能体或大语言模型可靠驱动。核心目标包括：stdout 输出纯机器可读 JSON、将日志与进度混入 stderr、使用语义化退出码区分成功、用法错误、认证失败、未找到、冲突、校验与可重试失败，提供非交互标志与安全默认值，并返回带错误码和是否可重试的结构化错误。技能提出了五项核心审计检查、严重性分级标准、统一 JSON 输出信封、现有 CLI 的修复顺序与审计流程，以及迭代修复循环模式。适用于让 CLI 适配智能体调用、智能体持续解析 CLI 结果失败、输出混入进度文本、所有错误都返回退出码 1、命令等待交互式输入、以及需要校验并修复生成产物的场景。不适用于 CLI 与 MCP 的选型决策、MCP 服务器审计与实现、存在厂商技能的厂商 CLI 操作，以及与智能体契约无关的通用脚本编写。
zerion-monad-addresses
该技能为 Zerion CLI 提供 Monad 主网（链 ID 143）的规范智能合约地址参考，涵盖跨链稳定币（USDC、USDT0、USD1、AUSD）、封装原生代币 WMON、签名协议合约（Permit2、ERC-4337 EntryPoint、ERC-6492）以及钱包与批量操作原语、协议路由地址。适用于 agent 在与 zerion swap / bridge / send 交互时传入明确的 0x 代币地址，或在 zerion sign-typed-data 处理 Permit2 流程时使用。资料强调发送价值前务必在 Monad 浏览器验证地址，并提供了 cast code 与 eth_getCode 的验证方法。
codex-skill-admin
Codex Skill Admin 是一个仅面向 Codex 的技能管理工具，用于审计、启用、禁用、恢复和验证本地 Codex 技能。它通过 Codex 官方技能配置 API 操作，不修改 SKILL.md 前置元数据来禁用技能，也不在用户未明确要求时卸载插件。工具提供 list、audit-unused、disable-unused、verify、restore、set 等命令，支持按最近使用天数和最大使用次数筛选未使用或低频技能，并在应用模式下自动备份，便于回滚。
workflow
Workflow 是 Zoonk 提供的技能，基于 Vercel Workflow DevKit 构建可持久化、可恢复的工作流，适用于需要承受重启、暂停等待外部事件等场景。核心指令为 "use workflow" 与 "use step"，并配套 CLI 调试命令。
zoonk-business
Zoonk Business 是一个面向 AI 智能体的商业决策框架类技能，用于在制定战略决策、评估方案取舍，以及确保行动与 Zoonk 的使命、价值观和战略目标保持一致时提供决策依据。资料显示，其核心指令是打造更好的学习与职业产品，同时强调伦理与安全，不得将用户置于风险之中。框架阐述了 Zoonk 的核心使命——帮助任何人学习任何事物，尤其是帮助那些处于“硅谷泡沫”之外的人群；并说明了其试图解决的心态、工业化教育模式、枯燥记忆式学习、与现实脱节等问题。在决策层面，该技能给出了“始终要做”“绝不要做”和“需要人工审批”的明确清单，并规定了取舍时的优先级顺序。此外，它还包含 B2C 为主、B2B 为实验的产品策略，免费层具有使命意义的定价理念，以及智能体应以团队协作、自动化重复工作、不微管理其他智能体的工作方式。整体定位于让 AI 智能体像一名理解公司使命的自主团队成员那样做出商业判断。
jam
Jam 是一个基于多视角并行探索的框架，用于在存在真实取舍的决策场景中生成、实现并评估多个不同方案，再综合各方案优点得出最终结果。它不依赖单一思路生成选项并挑选赢家，而是派出持有不同世界观的独立智能体，分别提出方案并评估实现，最后将各方案的最佳洞见融合进胜出方案。Jam 适用于架构决策、用户犹豫不决或明确要求探索多样方案时；不适用于琐碎改动、用户已有明确方案或只有单一清晰路径的情况。其流程包括：收集上下文并识别架构槽位、生成多样化视角面板、并行实现多个变体、由评审面板评估所有变体、综合最佳洞见并清理收尾。
omakase-off
Omakase-Off 是 Test Kitchen Development 工作流中的一个技能，用于在用户不确定要构建什么时，并行探索多种实现方案。它会在构建、创建或实现请求的入口处拦截，提供“一起头脑风暴”或“Omakase（主厨精选）”两种选择。当检测到用户在架构决策上犹豫不决时，也会主动提议并行探索。该技能会为每个变体生成实现计划，在单条消息中并行派发所有代理，通过场景测试、fresh-eyes 审查和 judge 评分来评估幸存方案，最终完成获胜方案并清理失败方案。它最多支持 5-6 个实现变体，仅针对架构性决策进行探索，并依赖 brainstorming、writing-plans、git-worktrees、parallel-agents、scenario-testing、fresh-eyes、judge 和 finish-branch 等技能协同工作。
modular-synthesis-philosophy
该技能将模块合成（modular synthesis）的思维方式迁移到系统设计、工作流架构与概念框架的搭建中，核心主张是「一切皆模块、连接即力量」。它把合成器中的元件对应到软件与组织概念：振荡器对应数据源或 API 端点，滤波器对应数据转换与查询过滤，包络对应生命周期管理，音序器对应工作流编排，混音器对应聚合器，VCA 对应流量控制。同时区分「CV 控制信号」与「音频信号」，分别对应配置参数与数据负载。技能还提供了串联、并联、反馈回路、交叉调制等布线模式，以及反共识方法论——鼓励尝试不合常规的连接路径，因为「错误的接线」也可能产生新价值。适用场景包括模块化系统设计、AI 智能体编排、写作迭代、跨领域概念迁移等。使用方式以五步法为主：识别信号源、映射处理过程、定义调制、建立路由、设定混音，并给出图示约定与参考文件。该技能更偏概念与方法论指导，不涉及具体代码实现或平台绑定，相关资料未提供收费、价格或效果数据。
erc-8004
ERC-8004（Trustless Agents）是一套以太坊标准，用于为 AI 智能体提供可验证的链上身份与信誉。它包含身份注册表（基于 ERC-721 的智能体 ID，即智能体会获得一个 NFT）、信誉注册表（来自其他智能体或用户的反馈与信任信号）以及验证注册表（对智能体工作的第三方验证）。该技能帮助用户将 AI 智能体注册到以太坊主网，使其可被发现并具备信任信号。提供注册脚本、桥接 ETH 到主网的脚本、更新资料脚本，以及通过 Pinata 上传 IPFS、HTTP URL、Data URI 等多种注册方式，并支持 Agent0 SDK 进行更高级的集成。
refining-workflows-from-artifacts
该技能用于根据真实执行结果、评审、失败或模拟输出来改进可复用的智能体工作流。它强调不要直接改进产物本身，而是改进产出该产物的工作流，使下一次运行更可靠。核心做法是先对问题归因分类（任务导致、执行导致、工作流导致、评估导致、能力边界导致、输出格式导致、过度约束导致），只针对工作流、评估和输出格式类问题做最小化修改，并要求每次改进至少提出一个删除候选，避免工作流膨胀。适用于同类任务会重复出现、且存在可检查产物或评审结果的场景。
ac-stop-hook-analyzer
AC Stop Hook Analyzer 是 Two-Claude Pattern 中的分析器（Analyzer）角色实现，通过 Stop hook 分析上下文并决定自主操作是否应当继续。它使用 Opus 4.5 智能判断工作是否完成，返回继续或停止的决策。适用于需要判断任务完成状态、决定是否继续执行的自动化场景。
autonomous-session-manager
Autonomous Session Manager 是一个面向自主编码（autonomous coding）的会话生命周期管理工具。它用于在启动新的编码会话、恢复先前工作、判断当前会话属于初始化（INIT）还是继续（CONTINUE）类型，以及在会话结束后自动衔接下一次会话等场景。该工具围绕会话检测、状态恢复、自动继续、优雅关闭和迭代计数五项能力展开：通过检查项目目录中是否存在 feature_list.json 来判定会话类型，缺失则视为首次运行的 INIT 会话，存在则视为续接的 CONTINUE 会话；创建会话时初始化 SDK 客户端、配置工具与权限并设置工作目录；运行阶段执行提示词、处理工具调用并捕获结果；结束阶段保存状态、检查完成情况并触发自动继续或关闭。它可与 context-state-tracker（状态持久化）、security-sandbox（命令校验）、autonomous-loop（持续运行）等组件集成，并提供会话生命周期与配置说明文档及三个核心脚本。
claude-advanced-tool-use
本项目介绍 Claude 高级工具使用（Advanced Tool Use）的相关模式，涵盖工具搜索、程序化调用与生产级编排三类能力，分别对应不同规模与瓶颈的构建场景。工具搜索通过动态、按需发现并加载工具定义，可在扩展至一万以上工具时显著节省上下文，并提供正则匹配与 BM25 自然语言查询两种变体。程序化调用让 Claude 在沙箱容器中编写 Python 代码调用工具，使中间结果不进入上下文窗口，适用于数据聚合、过滤与多步骤编排。工具使用示例则用具体调用样例澄清含糊的 JSON Schema，改善参数处理准确性。资料还汇总了功能对比矩阵、适用场景、快速入门示例、生产架构模式与性能优化清单。资料未提供具体定价、发布时间或可访问性等事实。
claude-context-management
Claude Context Management 是一套面向 Claude 对话的成本优化与超长对话管理策略技能，核心解决对话轮次增长导致输入 token 不断累积、成本线性上升、最终触及上下文窗口上限以及清理时丢失重要信息的问题。该技能覆盖两种互补方案：服务端清理（由 API 管理，含 clear_tool_uses_20250919 与 clear_thinking_20251015）和客户端压缩（由 SDK 管理，按阈值自动摘要），并可结合 memory 工具实现自动上下文保全。适用于长时间运行的对话（累计超过 50K token）、跨会话工作流、token 成本优化、工具密集型应用（如 50+ 次网页搜索、100+ 次文件操作）、记忆增强应用以及扩展推理场景。使用流程包括评估上下文需求、选择策略、配置上下文编辑、集成 memory 工具、监控与优化、验证调整六个步骤，并提供 Python 快速开始代码示例与功能对比表。支持 Claude 3.5+ 全系模型。
claude-opus-4-5-guide
Claude Opus 4.5 指南技能，用于了解和实施 Anthropic 于 2025 年 11 月 24 日发布的最强模型 Claude Opus 4.5。该技能梳理了模型的混合推理能力、effort 参数（high/medium/low，用于控制推理深度与 token 消耗）、编码与推理基准成绩（如 SWE-bench 80.9%、MMLU 92.3%、GPQA Diamond 83.1%）、200K 上下文窗口、Computer Use 自动化能力以及定价信息（输入 $5/百万 token、输出 $25/百万 token）。内容涵盖模型选型建议（Opus 4.5 / Sonnet 4.5 / Haiku 4.5 对比）、从 Opus 4.1 迁移、成本优化、API 调用示例（Python）及 effort 参数用法。适用于需要选择 Claude 模型、控制推理开销、规划升级路径或开展智能体与复杂编程任务的开发者。