SuperAPI AI 工具集
合作ENAI 行业资讯收藏

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 11-01 00:15

智能体与模型

25,377 个结果

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。

智能体与模型20 次安装

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。

智能体与模型20 次安装

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。

智能体与模型20 次安装

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。

智能体与模型20 次安装

multi-ai-skill-builder

Multi-AI Skill Builder 是一个用于构建 Claude Code 技能的元技能（meta-skill），通过协调 Claude、Gemini、Codex 等多个 AI 模型，将技能开发过程系统化为研究、综合、构建、验证与精炼五个阶段。它的目标是用多 AI 协作的方式产出高质量、可投入生产的 Claude Code 技能。该技能基于工作流模式（5 步顺序流程），核心原则包括多源研究、先综合再构建、渐进式披露、遵循既有技能模式、验证循环和迭代改进。质量目标包括研究覆盖 3 个以上来源、技能包含全部必需章节、每个技能提供 5 个以上代码示例、验证得分不低于 85/100。适用场景为从零创建新技能、构建技能族、用新研究增强现有技能、研究技术领域最佳实践、将研究转化为可执行技能以及建立技能开发工作流。

智能体与模型20 次安装

generate-ors-env

generate-ors-env 是一个用于构建强化学习（RL）环境 ORS（Open Reward Standard）变体的技能。它基于官方 openreward Python 包（版本需 >= 0.1.33），帮助开发者将已有的领域逻辑包装成符合 ORS 协议的环境。ORS 是一种面向智能体环境的 HTTP REST + Server-Sent Events 协议，其核心特点是奖励随每个 ToolOutput 内联返回。该技能适用于需要搭建 ORS 环境脚手架、编写 Environment 子类、定义任务与工具、生成 rollout 脚本以及部署到 Hugging Face Spaces 的场景。它提供了明确的实现顺序、代码契约、验证步骤和常见陷阱说明，但不涉及具体收费或效果承诺。

智能体与模型20 次安装

audit-agent-context

Audit Agent Context 是一个只读审计技能，用于检查当前仓库中的 AGENTS.md 和/或 CLAUDE.md 是否仍然反映项目真实情况（目录结构、命令、技术栈、命名约定、声明范围及多智能体协作规则），并输出分类报告。它不会自动修改文件，只报告差异，由用户决定后续是否应用修改。触发方式为用户执行 /audit-agent-context，或提出“检查 AGENTS.md 是否仍然属实”“更新智能体上下文”“CLAUDE.md 是否已过时”等请求。输入无必填项，可选传入不同于当前工作目录的项目路径。工作流包括：解析项目根目录（git rev-parse --show-toplevel，失败则用 cwd）、定位所有相关的 AGENTS.md 与 CLAUDE.md、提取可验证声明、对照真实仓库逐条核实，并将每条声明分类为：✅ 仍然有效、⚠️ 已过时、❓ 无法自动验证、🆕 未记录。报告按被审计文件分组，包含原文引用、证据与分类，最后给出建议修改清单（仅作为提案，不应用）。该技能对仓库只读，不写文件、不提交，也不会为“测试”而执行有副作用的命令。

智能体与模型20 次安装

create-harness

这是一个交互式引导技能，帮助用户为自己的项目设计一个「harness」——即针对某个重复性任务的小型、单一用途工作流。它通过逐步提问的方式，引导用户明确任务目的、所需上下文、工作流步骤、输出格式和护栏，然后从技能（SKILL.md）、规则（CLAUDE.md 片段）、钩子（hook）或子智能体等组件中挑选最小组合，组装成一个 harness 包，并尽可能自动激活。

智能体与模型20 次安装

remember

remember 是一个用于保存智能体记忆的技能，通过 /remember 命令调用。它支持两种记忆类型：分支记忆（Branch）将当前分支的上下文保存到 .context/ 目录，包括分支意图、可复用模式和持久性缺口；项目记忆（Project）从当前对话中提取决策、纠正、模式、偏好和澄清，写入 .rulesync/ 下的规则或命令文件。该技能强调简洁、面向未来会话、只保留可复用信息，并遵循不直接修改 .claude/ 和根文件的约束。

智能体与模型20 次安装

analyzing agentscope library

该技能用于检索 AgentScope 库的相关信息，以便进行分析和决策。它面向需要回答有关 AgentScope 问题、查找特定信息、函数或类、官方示例或使用指导的场景，提供三个核心脚本：在 AgentScope 教程中搜索指导、搜索官方示例与推荐实现、以及按模块名快速查看 AgentScope 的 Python 库结构（返回子模块、类和函数）。使用时根据问题类型选择脚本：“如何使用”类问题查教程；“如何实现/构建”类问题先查示例，未找到再查教程；“如何初始化”类问题先查教程，未找到再查对应模块、类或函数。搜索示例和指导前需先克隆 agentscope 仓库（git clone -b main https://github.com/agentscope-ai/agentscope），示例位于 examples 文件夹并按功能树状组织，教程位于 docs/tutorials 文件夹。查看模块前需确认环境已安装 agentscope（pip list | grep agentscope），未安装则需经用户同意后执行 pip install agentscope，再运行 view_agentscope_module.py 脚本。

智能体与模型20 次安装