SuperAPI AI 工具集

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 11-02 00:09

智能体与模型

25,466 个结果

langfuse-observability

Langfuse 是一个开源 LLM 可观测性平台,用于追踪、监控、评估和提示词管理。该技能介绍如何在 OrchestKit 项目中集成和使用 Langfuse,涵盖分布式追踪、成本追踪、提示词管理、LLM 评估、会话追踪、Experiments API 与多评委评估等核心能力。资料显示 Langfuse 为自托管、开源、免费,并内置提示词管理,区别于仅云端、专有且付费的 LangSmith。适用场景包括从头搭建 LLM 可观测性、调试缓慢或错误的 LLM 响应、跟踪 token 用量与成本、在生产中管理提示词、评估 LLM 输出质量,以及从 LangSmith 迁移到 Langfuse。OrchestKit 集成状态为已于 2025 年 12 月从 LangSmith 迁移,代码位置为 backend/app/shared/services/langfuse/,并提供可选 MCP Server orchestkit-langfuse。使用方式包括通过 Langfuse 客户端初始化、使用 @observe 装饰器自动追踪、设置 user_id 与 session_id、添加 metadata 与 tags 等。

智能体与模型17 次安装

langgraph-human-in-loop

LangGraph human-in-the-loop 是一个用于在 LangGraph 工作流中实现人工介入与审批模式的技能(Skill)。它适用于需要人工审批、手动审核关卡、用户反馈集成或交互式智能体监督的场景。该技能提供了通过 interrupt_before 编译参数在关键节点前暂停工作流、使用 interrupt() 函数进行动态中断、通过 Command(resume=) 或 update_state 恢复工作流等模式,并包含审批关卡、反馈循环、输入验证循环、API 集成、多审批点等示例代码。内容还涵盖了关键决策建议与常见错误,如设置超时与通知、避免将 interrupt 包裹在 try/except 中、保持中断调用顺序确定性、将副作用放在中断之后并保证幂等性等。

智能体与模型17 次安装

mcp-advanced-patterns

本技能介绍生产级 MCP(模型上下文协议)高级模式,聚焦工具编排、资源生命周期管理与服务横向扩展。内容涵盖 FastMCP 2.14.x 的企业认证、OpenAPI/FastAPI 生成、服务器组合与代理,要求 Python 3.10-3.13。主要能力包括:将多个工具组合为顺序执行的流水线、通过 lifespan 管理服务器启动与关闭阶段的共享资源、用 TTL 缓存清理陈旧资源、带健康检查的轮询负载均衡,以及按上下文窗口使用率配置 MCP 服务器的 auto:N 自动启用阈值。适用于构建自定义 MCP 服务器、组合工具、管理资源与扩展 MCP 部署。

智能体与模型17 次安装

multi-agent-orchestration

Multi-Agent Orchestration 是 OrchestKit 技能集中的多智能体协调与综合模式技能,用于编排多个专用智能体、实现 fan-out/fan-in 工作流或综合多个智能体的产出。它提供 Fan-Out/Fan-In 并行调用与汇聚、Supervisor 中心调度路由、冲突解决(置信度优先或 LLM 仲裁)、结果综合(Synthesis)、智能体消息总线(AgentBus),以及基于 CC 2.1.33+ 原生 Agent Teams 的团队协作(共享任务列表、点对点消息、mesh 拓扑)等模式。技能还给出星型与 mesh 拓扑对比、双模式决策树、团队组建流程、消息发送模式、成本对比与常见错误清单。适用于需要多个专业智能体协作完成复杂任务、并行分析并统一汇总的场景。

智能体与模型17 次安装

vision-language-models

本技能汇总了多家领先多模态模型的视觉能力集成方法,涵盖 GPT-5/4o、Claude 4.5、Gemini 2.5/3 与 Grok 4 的图像分析、文档理解与视觉问答模式。可用于实现图像描述与替代文本生成、视觉问答(VQA)、文档/图表/流程图识别与 OCR、多图对比推理、边界框检测与区域分析,以及视频帧分析。资料提供了各模型的上下文长度、视觉输入能力与图像数量限制对比,并给出 Base64 编码、OpenAI、Anthropic、Google Gemini 与 xAI Grok 的调用示例代码,以及多图分析、Gemini 目标检测、Token 成本优化与图像尺寸限制的参考。适用场景包括无障碍描述、文档信息抽取、图像分类与批量视觉处理。注意:该技能存在隐私限制,无法识别特定人物;低质量或旋转图像可能产生幻觉;除 Gemini 外不支持实时视频,需帧提取;GPT-5 在边缘情况下的精确空间推理可能较弱。资料未说明收费、价格与具体获取方式,暂未提供。

智能体与模型17 次安装

zeno-brainstorming

zeno-brainstorming 是一个面向 Nexus 贡献者的构思与提案打磨技能,用于在提交想法参与社区投票前,先把粗略念头整理成结构清晰的正式提案。它要求先通过命令行工具查询当前 directive 与社区讨论,再用自省问题梳理问题、方案、范围、影响与工作量,并按活跃评估维度自行打分,避免出现低分项或重复提案。适合需要在组织内部提出新想法并经过投票评审的场景,属于流程性、社区协作类的思考辅助工具。

智能体与模型17 次安装

zoe-creating-tasks

ZŌE 维护者工作流中的任务创建技能,用于将已规划好的 Nexus 项目拆解为自包含、限时的任务,供外部智能体在无需了解代码库的情况下直接执行。该技能在项目已创建并准备好进行工作拆解时触发,会先检查项目是否已规划(docs/PLAN.md 是否存在),读取其中的任务拆解作为指导,然后通过 create_task() reducer 为每个任务创建包含标题、描述、参考资料、验证步骤、组件标签和优先级的 Nexus 任务。任务强调自包含、单一提示可完成、引用完整,并支持通过 add_task_dependency() 标记依赖关系。创建完成后会将 PLAN.md 归档,并可视情况更新项目指令。

智能体与模型17 次安装

fleet-worker

fleet-worker 是一个用于派发廉价无头 Claude Code 工作进程(worker)的启动层工具。它让昂贵模型(如 Opus)担任编排者,同时把独立、边界清晰的子任务分发给运行在更便宜模型上的工作进程——默认示例是 z.ai 上的 GLM-5.3,也可指向 Sonnet/Haiku 或任何兼容 Anthropic 接口的端点。工作进程完整保留 Claude Code 的工具集(Read/Write/Edit/Bash/Glob/Grep/Task/MCP/hooks),只通过环境变量替换模型,并运行在隔离的 git worktree 与独立配置目录中。其关键机制是进程隔离:由于 ANTHROPIC_BASE_URL 与模型映射变量是进程级全局的,无法在单个 Opus 会话内让子代理悄悄改用其他模型,必须使用独立操作系统进程。为避免主机订阅 OAuth 令牌覆盖导致 401,它强制使用专用空白配置目录。

智能体与模型16 次安装

agent-swarm-orchestrator

Agent Swarm Orchestrator 是一个用于设计多智能体(multi-agent)系统的技能,面向需要多个 AI 智能体协作完成复杂任务的场景。它的核心能力包括:设计智能体蜂群(swarm)的拓扑结构、任务分配与负载均衡、智能体之间的通信模式、协调协议(如共识、投票、委派),以及通过简单规则产生集体涌现行为。该技能提供智能体角色划分(协调者、工作者、监督者、专家、侦察者)、蜂群拓扑(层级式、点对点、黑板式)、基础智能体抽象、专用智能体(研究、代码、审查)以及任务编排与工作流编排的实现参考,还包含消息总线、发布订阅、广播与共识投票等通信机制。适合需要在架构层面规划多智能体协作、任务分发、质量审查与容错恢复的研究与工程场景。

智能体与模型16 次安装

local-llm-fine-tuning

本技能面向希望在消费级硬件上微调开源大语言模型的用户,提供从目标评估、数据集准备到训练配置与评估的全流程指导。核心覆盖 LoRA、QLoRA、PEFT 等高效微调技术,支持 Llama、Mistral、Gemma 等开放权重模型。技能会帮助判断微调目标(如改变语气、注入新知识、强制输出格式),推荐合适的基础模型,讲解 JSONL 数据格式与指令微调模板(Alpaca、ShareGPT),并给出将原始文本转换为指令格式的逻辑。训练环节推荐 Unsloth、Axolotl、Transformers/PEFT 等工具,并依据数据规模建议学习率、rank、alpha、批大小等超参数,同时关注显存约束。技能还涵盖评估方法、数据隐私与模型许可提醒,以及过拟合、灾难性遗忘、格式不匹配等常见陷阱。

智能体与模型16 次安装

mcp-builder

mcp-builder 是一份用于创建高质量 MCP(Model Context Protocol)服务器的开发指南。MCP 服务器通过设计良好的工具,让 LLM 能够与外部服务和 API 交互。该技能围绕四个阶段展开:深度调研与规划、实现、审查与优化、创建评估。它强调以智能体为中心的设计原则,包括为工作流而非单纯 API 端点构建工具、优化有限的上下文窗口、设计可操作的错误信息、遵循自然任务划分,以及采用评估驱动开发。实现阶段覆盖 Python(MCP Python SDK、Pydantic)与 Node/TypeScript(MCP TypeScript SDK、Zod)两种技术栈,涉及项目结构、共享工具、输入模式、文档字符串、工具注解等。审查阶段包含代码质量检查、构建与测试注意事项(MCP 服务器为长驻进程,需避免在主进程中直接运行导致挂起),以及质量清单。评估阶段要求创建 10 个独立、只读、复杂、真实、可验证且稳定的评估问题,并以指定 XML 格式输出。

智能体与模型16 次安装

agent

这是一个用于将任务派遣给 opencode agent 执行的技能。通过运行 index.js 脚本,用户可以把任务描述作为参数传入,由 opencode agent 完成处理。每个任务会自动生成独立的日志文件,保存在工作目录的 logs/ 文件夹中,文件名采用 YYYY-MM-DD_HH-mm-ss.md 格式,因此多个任务并行执行时不会产生日志冲突。该技能适合需要让 opencode agent 执行任务、记录 AI 完整处理过程或并行派遣多个 agent 任务的场景。使用前需要具备 Node.js 环境并已安装 opencode CLI,无需安装额外的 npm 包。

智能体与模型16 次安装

find-skills

Find Skills 是一个用于发现和安装开放智能体技能生态中各类技能的工具,通过 Skills CLI 提供搜索、安装、更新和创建技能的能力。用户可以用关键词搜索所需技能,从指定仓库安装技能,检查更新或批量更新已安装技能,也可以初始化脚手架来创建自己的技能。它适用于用户明确要求查找或安装技能、提出“你能做 X 吗”或“有没有针对 X 的技能”等场景,帮助在通用编程问题与专业领域技能之间做出选择。

智能体与模型16 次安装

task-planning

Task Planning 是一个面向 Waypoint 协作模型的技能,用于把某个明确指定或当前唯一确定的已确认 Feature,拆解成由用户确认、彼此独立且可供智能体执行的子 Task 图。它强调先锁定唯一 Feature 与稳定 owner,再依据仓库说明、feature.md、已确认规格、技术设计与代码等事实进行规划,不重新设计已批准的行为与公共契约。规划过程包括:判断是否需要拆分、起草 tracer-bullet 式 Task、双向审计覆盖/所有权/契约/可合并性/验证、在发布前请用户确认粒度与依赖,最后按仓库或跟踪器约定发布 Feature 所属的 Task。它不负责分配 Task 或授权实现,也不创建第二套状态存储。

智能体与模型16 次安装