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 11-01 00:15
25,384 个结果
Swarm 是一个并行任务编排技能：它一次性派生 N 个并行 worker，等待它们全部结束，然后汇总为一份统一报告。适用于并行覆盖、竞速（race）、gauntlet 以及探索性分区等场景。它支持三种形态：partition（分区，各 worker 覆盖不同切片）、race（竞速，多个 worker 跑同一任务简报）或 mix（混合）。每个 worker 的简报独立自洽，包含目标、范围、切片或竞速分支、验证方式和报告内容，报告使用 PASS、ISSUES 或 BLOCKED 并附证据。父任务负责读取终态结果、按预先声明的选择规则（first pass、rank all 或 best-of）聚合，并输出一份包含结果表、问题单行摘要以及缺口或掉队情况的报告。该技能与 arena（选择基线并嫁接）和 multi-agent-patterns（设计架构）互为补充，本身只执行一次操作性的扇出。它不授予任何新权限，仅在用户请求和既有批准范围内行动，并遵守调用方的目标、主机、提供方和成本限制。
accint-commitments 是一个用于处理 acc 未兑现承诺（open promises）的技能。它通过 acc_act(runtime="outcome") 对 acc 的开放承诺进行分诊，并以真实世界的诚实结论将其关闭。该技能本身不包含逻辑，只是对两个 MCP 动词的路由封装：先用 acc commitments 命令（CLI，只读观察）列出开放承诺，再对每个可关闭项调用 acc_act(runtime="outcome", input={"ref": "<id>", "good": true|false, "note": "..."})。它强调来源纪律：默认的 self_graded 是弱先验（按 0.25 倍计分），只有在所有者验证时才标记 owner，只有在现实结果（真实回复、通过的测试、世界结果）出现时才标记 external/runtime，绝不能把自己的评分当作现实。真正处于等待状态的承诺应保持开放，等待是一种一等公民的干净状态。
Global Chat 是一个跨协议的智能体发现目录，用于查找和比较 MCP 服务器与 AI 智能体。它同时提供可通过 MCP 客户端调用的 MCP 服务器（@global-chat/mcp-server），让智能体能够以编程方式检索目录内容。用户可以按协议（MCP、A2A、agents.txt）和注册表来源进行筛选，并通过网页目录手动浏览，或用 agents.txt 验证器检查文件格式合规性与可发现性。该工具适用于为特定能力寻找 MCP 服务器、评估不同注册表的工具覆盖、跨协议搜索以及配置智能体间通信时发现可用端点等场景。需要注意：所述公开源码仓库在 2026-10-14 返回 HTTP 404，目录总量与列表未经独立验证，安装或配置前应先核实发布者、来源、版本和当前服务状态；示例输出仅为格式说明，不代表真实结果或推荐。
关于闪电网络通道工厂、多方通道、LSP 架构与无需软分叉的比特币二层扩容的技术参考技能，涵盖 Decker-Wattenhofer、超时树、MuSig2、HTLC/PTLC 与瞭望塔等主题。
RecallMax 是一款面向 AI 智能体的长上下文记忆增强技能，主打免费使用。它能够向智能体工作记忆注入 50 万至 100 万干净 token 的外部上下文，并通过去重、保留来源归属来减少幻觉漂移；同时可自动摘要对话，保留语气（如讽刺、正式、紧迫）、意图、关键事实与情绪基调，并将多轮历史压缩为高密度 token 序列（例如把 14 轮对话压缩到约 800 token），还内置事实核查以标记矛盾与无依据断言。
Transformers.js 技能：在 JavaScript/TypeScript 中直接运行前沿机器学习模型，支持浏览器与 Node.js、Bun、Deno 等服务端运行时，无需 Python 服务端，可完成文本、图像、语音与多模态任务。
Yann LeCun 技术子技能（v3.0），面向需要该领域专业知识的技术任务，覆盖 CNN、LeNet、反向传播、JEPA（I-JEPA、V-JEPA、MC-JEPA）、AMI 与自监督学习等主题。
Reward 是 moollm 技能库中的奖励协议技能，核心格言为“奖励应当让人感到实至名归且恰如其分”。它用于在游戏或互动叙事中根据成就动态生成主题匹配的奖励，涵盖物品、金币、增益、头衔、能力、权限、知识与传家宝等类型。提供 GRANT（发放奖励）与 GENERATE（生成主题奖励）两种方法，并支持奖励缩放、诅咒解除奖励、延迟奖励与关系奖励等机制，可与 scoring、buff、economy、character、adventure 等技能集成。
Loom 是一个用于设计代码仓库“运营层”的智能体角色。它把项目本地技能、配方（recipe）与编排工作流作为一个整体系统来规划，而不是只处理单个技能。Loom 负责调研仓库、把重复任务映射到合适的机制（技能、配方、工作流、钩子、作用域规则或不处理），设计技能套件、任务手册、工作流拓扑与项目路由图，然后把具体编写与执行交给 Sigil、Nexus、Orbit、Latch、Grove 等专职智能体。它自身不编写技能正文、不运行链、不安装文件，只做设计与委派。
Pigeonscale Mail 为 AI 智能体提供可收发的真实托管邮箱，支持经人工审批的引导式建箱、登录后建箱、发信、列表、监听与回复。通过 pigeonscale 命令行使用，适合需要持久邮箱的智能体。
面向 AI 模型提示词工程的技能指南，覆盖 LLM、图像与视频模型的提示词写法，包括角色设定、思维链、少样本示例、系统提示、负向提示等技巧，并通过 inference.sh 的 belt CLI 运行示例。
OracleNet 是一个用于认领「Oracle」身份、发布帖子、评论、查看信息流与收件箱的技能。它通过命令行子命令（claim、post、comment、feed、inbox、registry、status、setup、onboard）操作，认领流程会生成钱包、打开浏览器签名，并通过 GitHub issue 完成身份验证。帖子与评论使用 bot 私钥签名后发布到 OracleNet。适用于需要以 Oracle 身份在 OracleNet 网络上发帖、互动、查看动态的场景。使用前需安装 bun、gh、cast 等工具。
tmux-agents 是一个用于在 tmux 会话中管理后台编程智能体的工具。它可以启动 Claude Code、OpenAI Codex、Google Gemini 等云端智能体，也可通过 Ollama 运行本地智能体，在后台持续执行任务。用户可通过脚本启动会话、查看进度、获取结果、追加指令或终止会话，适合并行处理编程、重构、研究等任务。
craft-survey 是 CraftKit 中的一项技能，用于对提示词、技能或仓库资产进行先行研究（prior art survey）。当用户想知道“别人是怎么做的”、希望在起草前做文献综述式调研、想借鉴旧资产、或需要判断哪些模式值得采纳、哪些应当避免时使用。它强调从本地或仓库内参考入手，识别同类资产并按用途分组，提取跨多个来源反复出现的有效模式，区分核心模式与可选风格，最终综合出少量可执行的改进建议，而非简单复制粘贴。输出包含调研目标、参考模式（须标注来源）、采纳项、避免项、推荐编辑和风险等部分。
Domain modeling 是一个用于澄清领域语言的技能，帮助发现不确定的领域术语、概念边界与不变量（invariants）。它专注于发现含义，不实施生产变更，也不决定实质性含义。该技能通过检查现有术语表、上下文映射、规格说明与代码，区分观察到的行为、已接受含义、提议含义、实现细节与架构理由，并处理术语冲突、同义词、多义词与隐藏区分。它使用普通、边界与失败场景测试每个重要术语或不变量，交叉核对代码、测试与维护文档，将矛盾作为证据而非静默重定义。最终向 Coordinator 返回提议词汇、场景、矛盾、证据与实质性问题。仅在 Coordinator 明确委托且与当前目标映射身份和人工验收身份绑定时才持久化，且写入内容必须与已接受含义完全一致。
Skill Creator 是一个用于创建和管理 AI 智能体技能（Skills）的指导性技能。它提供了一套模块化、与具体智能体无关的技能编写方法与规范，帮助用户把通用型 AI 智能体转化为具备特定领域知识、工作流和工具集成能力的专用智能体。该技能说明了技能的核心原则（如精简至上、默认智能体已足够聪明、只补充其尚不具备的上下文）、技能的文件结构（必需的 SKILL.md 及可选的 scripts/、references/、assets/ 目录）、渐进式披露的三级加载机制（元数据常驻上下文、SKILL.md 正文在技能触发后加载、捆绑资源按需加载），以及完整的技能创建流程：明确技能用途、规划可复用内容、创建目录、编写 SKILL.md、测试并迭代。它还给出描述字段的撰写规范（需包含技能做什么与何时使用、触发词、第三人称、不超过 1024 字符）和完成前的质量检查清单。适用场景包括为智能体扩展专项能力、把重复编写的代码固化为脚本、把领域文档沉淀为可复用参考资源等。资料未提供具体的收费、价格信息。
Ship 是一个面向 Opus 级协调模型的任务入口与交付编排技能。它把原始任务按三道关卡推进：设计（design-doc）、GitHub issue、派发（dispatch），并在最后完成评审与合并。其核心理念是让最稀缺、最昂贵的协调模型扮演技术负责人而非开发者：负责决策、设计、写规格、委派、评审和合并，把实现工作交给更便宜、吞吐更高的模型。协调者只在改动极其琐碎或属于品味关键型胶水代码时才亲自写代码。该技能包含模型路由与 issue 标准两份参考文档，并依赖 design-doc、gh/gh-cli、implement-issue 等下游技能（缺失时内联等价判断，不硬失败）。
Claude Agent SDK 生产级 AI 智能体构建指南，覆盖 Python（claude-agent-sdk）与 TypeScript（@anthropic-ai/claude-agent-sdk）的安装、query() 核心用法、内置工具、权限模式、会话管理与 MCP 集成。
该技能模拟一位 NVIDIA 首席工程师的思维与专业能力，聚焦加速计算、GPU 架构与 AI/ML 基础设施。内容涵盖 Hopper（H100/H200）与 Blackwell（B200/B300）架构、CUDA 内核优化、Tensor Core 混合精度、分布式多 GPU 训练、TensorRT 推理优化以及 Omniverse 仿真等方向。技能以系统提示词形式定义角色身份、决策框架、思考模式与沟通风格，并提供 CUDA 优化、训练基础设施设计、推理延迟优化、数字孪生、光线追踪等示例场景，以及 Nsight、CUTLASS、Triton Inference Server 等工具清单和 GPU 规格参考表。适用于 GPU 编程、AI 基础设施设计与部署优化等场景，不适用于 AMD/Intel GPU 编程或游戏引擎开发。
这是一个面向航空航天领域的系统工程师技能，专注于需求管理、系统集成、验证与确认（V&V）以及基于模型的系统工程（MBSE）方法论。该技能以资深系统工程师（Level 5+，具备 INCOSE CSEP/ASEP 认证）的身份设定，围绕 ISO/IEC/IEEE 15288 与 INCOSE SE Handbook v4 标准，提供需求分解、接口控制、V 模型流程、验证追溯矩阵等专业能力。适用于飞机、航天器等复杂系统的开发协调，涉及 30-100 个主要系统、5 万至 20 万条需求、1000-10000 个受控接口的规模。技能内含决策框架、思维模式、反模式清单以及标准操作流程，帮助组织需求、架构、集成、验证与确认各环节的工作。
Event Modeling（事件建模）流程的第一步技能：从需求中头脑风暴领域事件。该技能用于在开始事件建模时，提取系统可能产生的所有改变状态的事件。根据资料，其流程包含可选的访谈阶段（需求完整度、领域专业知识、已知复杂区域、明确业务规则与约束四类关键问题）、研讨会引导指南（理解目标、自由头脑风暴、温和过滤三个环节）、角色目录与事件流识别、业务过程与状态变更提取、业务规则与约束记录等步骤，最终产出可直接供后续设计事件模型技能使用的 Markdown 分析文档。
creating-skills 是一个用于创建、编辑、评估与优化智能体技能（agent skills）的技能，面向 Codex 和 Claude Code 两个运行时。它由 Anthropic 的 skill-creator 与 OpenAI 的 Codex skill-creator 合并而来，目标是同时支持两个平台，运行时的专属补充内容放在 references/ 目录中。该技能围绕一个迭代循环展开：先明确技能要做什么并给出具体示例，再规划可复用内容（脚本、参考文档、资源），然后起草 SKILL.md，随后用带有该技能的子智能体运行测试提示并与基线对比，进行定性加定量的审查后修改并重复，最后做验证并可选地优化描述。它强调上下文窗口是公共资源，只补充模型尚不具备的信息；要求根据任务的脆弱程度设置合适的自由度，用散文说明原因而非堆砌强制模板；并采用渐进式披露（元数据始终在上下文中、SKILL.md 正文在触发时加载、捆绑资源按需加载）来控制技能体积。该技能还提供了初始化脚本、校验脚本、评分与基准聚合脚本、审查页面生成脚本以及描述优化循环等配套工具，覆盖从编写到验证的完整流程。适用场景包括编写新技能、重构已有技能、为技能建立评测集以及优化技能描述的触发效果。具体效果与收费方式暂未提供。
Agenta 是一款 LLM 提示词管理与评估平台，支持提示词版本管理、A/B 测试、自动化指标评估，并可通过自托管方式部署。它提供 Python SDK（pip install agenta），也可用 Docker 在本地启动完整服务，适合需要在生产环境中系统地迭代和比较提示词、对提示词质量做自动化衡量、以及需要跨团队协作与变更留痕的 LLM 应用开发场景。使用时通常会结合模型提供商的 API Key，例如 OpenAI 或 Anthropic。评估过程会引入额外的 API 调用，对成本敏感的项目需注意。简单的单提示词应用、不需要版本管理或测试、或已经使用其他提示词管理系统的项目，则不必引入该工具。
Core Planner 是一个面向战略规划与任务编排的智能体技能，用于将复杂任务拆解为可执行、可度量、带依赖关系的子任务，并生成结构化的执行计划。它属于 workspace-hub 中的核心技能，通常由 planner 智能体承担规划职责。其工作流程包括：初始评估（分析范围、目标与成功标准）、任务分解（拆分为具体子任务）、依赖分析（梳理任务间依赖）、资源分配（指派智能体并估算时间）、风险缓解（识别失败点与应对方案）。规划输出采用结构化格式，包含目标、阶段、任务、依赖、预估时间、优先级、关键路径、风险及成功标准。典型用途涵盖功能拆解、冲刺/迭代规划、依赖映射、资源与智能体分配、风险评估与缓解。使用前需明确项目目标、可访问需求与规格、了解可用智能体能力及技术约束。该技能支持并行编排、任务进度监控，并可通过协调记忆存储与共享计划。