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 10-18 00:12

智能体与模型

24,061 个结果

agent-md-refactor

Agent MD Refactor 是一个用于重构臃肿的智能体指令文件（如 AGENTS.md、CLAUDE.md、COPILOT.md 等）的技能，遵循渐进式披露（progressive disclosure）原则：将核心要点保留在根文件中，其余内容整理为分类明确、相互链接的独立文件。它适用于指令文件过长、需要拆分、整理或清理智能体配置的场景。整个流程分为五个阶段：分析并找出相互矛盾的指令、提取必须保留在根文件中的核心内容、将剩余指令按逻辑分类、创建根文件加链接文件的层级结构、标记应删除的冗余或含糊指令。

智能体与模型300 次安装

openrlhf-training

OpenRLHF 是一个基于 Ray 的高性能 RLHF（基于人类反馈的强化学习）训练框架，通过 vLLM 推理加速针对分布式训练进行优化，构建在 Ray、vLLM 和 ZeRO-3 之上。它支持在 7B 至 70B+ 的大模型上进行 PPO、GRPO、RLOO、DPO 等强化学习训练，适用于拥有多节点 GPU 集群的场景。框架集成了参考模型、奖励模型、评论者模型和 Actor 模型的分布式部署能力，并提供 Hybrid Engine 机制以最小化 GPU 空闲时间，据资料描述其性能可达 DeepSpeedChat 的 2 倍。安装方式为 pip install openrlhf[vllm]，并提供了从 SFT、奖励模型训练到 PPO/GRPO/DPO 训练的完整工作流示例。

智能体与模型298 次安装

sparse-autoencoder-training

SAELens 是用于训练与分析稀疏自编码器（Sparse Autoencoders, SAEs）的主要 Python 库，面向机械可解释性研究。其核心思路来自 Anthropic 的 monosemanticity 研究：神经网络中单个神经元往往具有多义性（polysemantic），因为模型使用叠加（superposition）来表示比神经元数量更多的特征。SAE 通过稀疏瓶颈将稠密激活分解为稀疏、可解释的特征，从而缓解这一问题。该技能提供加载与分析预训练 SAE、训练自定义 SAE，以及特征分析与特征引导（steering）的完整工作流，包含基于 TransformerLens 与 SAELens 的代码示例、关键超参数、评估指标，以及常见问题（如死特征过多、重建质量差、显存不足）的排查建议。安装方式为 pip install sae-lens，依赖 Python 3.10+ 和 transformer-lens>=2.0.0。适用于发现模型激活中的可解释特征、理解模型学到的概念、研究叠加与特征几何、执行基于特征的引导或消融，以及分析安全相关特征。

智能体与模型298 次安装

verification-before-completion

Verification Before Completion 是一个用于约束 AI 编码助手行为的方法论技能，核心原则是「先有证据，再下结论」。它要求在声称工作已完成、已修复或测试通过之前，必须实际运行验证命令并检查完整输出。该技能为「完成声明」设立了一道不可绕过的检查门：识别能证明结论的命令、完整执行该命令、读取完整输出并检查退出码与失败数量、确认输出是否真正支持结论，最后才做出声明。它同时列出了常见的错误声明方式（如用「应该通过」「看起来没问题」代替真实测试结果），并给出了测试、回归测试、构建、需求核对、智能体委派等场景下的正确与错误模式，以及针对各类借口的反驳说明。适用于提交代码、创建 PR、报告任务完成或进入下一任务之前。

智能体与模型297 次安装