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 11-03 00:11
25,516 个结果
memory.remember 是一个面向编码智能体（Codex CLI、Copilot CLI）的全局技能，用于把当前会话中值得保留的经验、新功能行为和操作规则持久化到仓库的记忆体系中。它先对候选内容分类，再写入合适层次：AGENTS.md 存放稳定的仓库操作规则与命令约定，README.md 面向操作者，memory/ 页与 MEMORY.md 索引存放活跃记忆，MEMORY_ARCHIVE.md 存放归档历史，docs/solutions/ 存放详细复盘，.github/skills/ 存放可复用原则。它为记忆页定义了统一结构（适用场景、根因、修复、证据、出现次数、状态、强制方式、晋升去向），强调重复出现时先合并证据而非新建页面，并在达到一定次数后升级为自动化检查或技能，同时通过软性页数与索引体积上限保持启动记忆精简。
Joyco App 是一项面向 JOYCO 内部产品应用的技能，按“锁定计划→统一启动→按计划构建”三阶段把新应用从方案推进到可用构建：先确认计划，再用固定技术栈（Next.js + JOYCO UI kit + lint + agent）启动，最后按计划实现路由与组件，而不是只生成骨架。
用于在 Claude Code 或 Cursor 中安装、配置或修复 ALM 工具（Azure DevOps 或 Jira）本地 MCP 的技能，采用令牌认证，支持多账号与安全存储。
Peer Review 是一种使用第二个 AI 智能体或模型来审查并挑战主构建智能体工作的模式。其核心原则是：审查者的职责是找出构建者遗漏的问题，而不是表示赞同。该模式覆盖六种审查模式：Diff Critique（差异评审）、Design Challenge（设计挑战）、Threaded Debate（线程化辩论）、Delegated Scrutiny（委托审查）、Deciding Vote（决定性投票）和 Coverage Audit（覆盖率审计）。它通过 MCP 服务器接入任意支持 MCP 协议的模型，提供启动会话与回复会话两个核心工具，支持多轮对话。该模式可捕获自动化测试遗漏的架构过度设计、缺失错误处理、安全漏洞、死代码、性能陷阱和边界情况等问题，并可与 Cavekit 生命周期集成，在 Draft、Architect、Build、Inspect、Monitor 各阶段发挥作用。
Cavekit 的 revision 技能：把生产缺陷沿 cavekit 链路上溯到 kits 与 prompts，在源头修复，使迭代循环能自主复现该修复。含 6 步修订流程、修订分析自动化，以及单失败反向传播协议。
这是一个用于智能体之间协调的工具，基于 ATProtocol 发送和接收协调信号，底层使用 network.comind.signal 记录。它适用于发布公告、发起协作请求、进行任务移交以及确认接收等场景。信号类型包括 broadcast（全网广播）、capability_announcement（声明新能力）、collaboration_request（请求帮助）、handoff（传递上下文给其他智能体）和 ack（确认接收）。工具以 Python 模块形式提供，通过 uv run python -m tools.coordination 命令使用，支持发送信号、列出信号、按句柄或 DID 查询智能体信号、确认信号以及实时监听信号。
用于读取并可视化 ATProtocol 上其他 AI 智能体认知记录（"公开心智"）的技能，通过 tools/telepathy.py 查询智能体的思考、记忆与概念，并在统一面板中快照或实时查看。
将 Codex 技能创建或重构为简洁的准则风格：短祈使句要点、清晰的触发 frontmatter、极简正文散文、保留精确命令与常量。
write-a-skill 是一个用于创建新智能体技能（agent skill）的技能，帮助用户按照规范结构、渐进式披露和捆绑资源来编写技能。当用户想要创建、编写或构建新技能时使用。它提供了一套完整的流程：收集需求、起草技能、与用户评审，并给出 SKILL.md 模板、目录结构、描述撰写要求和评审清单。
面向 AI 编程会话的“护栏即代码”技能：在提交前与 CI 阶段安装密钥扫描、SAST、依赖审计、类型检查与测试等确定性门禁，防止 AI 重新引入泄露密钥、注入漏洞或未测试代码。
将智能体运行失败（提前停止、虚假完成、绕过检查、遗漏文件等）转化为规则、钩子或 CI 守卫，并配套回归测试的技能。核心原则：先让守卫在未修复状态下失败，再做最小持久修复使其通过。
MLflow 入门引导技能：先判断用户属于 GenAI 应用/智能体还是传统机器学习/深度学习，再推荐对应 quickstart 教程并协助将 MLflow 集成进项目（自动追踪、实验跟踪、验证）。
PyTorch 深度学习模式与最佳实践技能，面向构建稳健、高效且可复现的训练流程、模型架构与数据加载。涵盖设备无关代码、可复现性、形状管理、训练与验证循环、数据管道、检查点、混合精度与性能优化等惯用写法。
一个用于检查工单是否“可交由自主构建者独立完成”的技能：让未参与撰写该工单的子代理，仅凭工单本身与当前仓库现状进行阅读，并报告构建者会卡住的那句话，仅供维护者参考，不改动追踪器状态。
这是一套面向 Playwright MCP 的网页浏览策略与选择器指南，用于系统化地进行网页探索。它根据用户意图关键词区分快速、标准、深度三种阅读深度，分别对应不同的抓取范围与页面数量；提供列表—详情、分页遍历、无限滚动三种核心导航模式；收录 Naver、Daum、Tistory、Brunch、Medium、Reddit 等站点的选择器示例及通用选择器模式；并给出选择器优先级回退、等待加载、错误处理与最佳实践建议。该技能提供导航模式与决策树，而非可执行代码，适用于需要让 AI 代理在浏览器中批量浏览和提取内容的场景。
用于从团队定义文件生成并协调预编排智能体团队的技能，先解析团队配置中的智能体与技能，再按团队文件规定的工作流执行协作。
用于验证 LLM 评判器（LLM judge）与人工判断一致性的技能，属于评估工作流第 5 步。通过人工标注样本分别测量通过一致率与失败捕获率，定位误判原因并做最小化修正，必要时用 judgy 库校正生产指标偏差。
用于创建、更新或设计项目级智能体（.trae/agents/*.md 或 agents/*.md）的技能。它分析用户问题与项目上下文，设计评分器、比较器、分析器、转换器、研究者或验证器等智能体方案，经用户确认后生成文件。
scratch-status 是一个只读的状态汇报技能，用于查看 .scratch/ 目录内各项 effort（工作项）还有哪些未完成的内容。它遍历 .scratch/ 下每个 effort 的地图、规格、决策与工单文件，读取状态、阻塞关系、认领人、提交引用与最后变更日期，然后判断该 effort 属于完成、不匹配还是开放（含是否陈旧），并给出下一步应运行的技能命令。它支持通过参数限定到单个 effort，其余情况覆盖全部 effort。整个过程不写入、不删除任何内容；完整清理应使用 scratch-cleanup。
该技能说明如何让 Letta Code 连接 MCP（模型上下文协议）服务器，并把手动连接流程固化为可重复使用的技能。适用于需要通过 MCP 使用外部工具、或为常用 MCP 服务器建立专用技能的场景。
research-subagent 是 social_research_agent 项目中的一个内部技能，属于深度研究流程中的研究子智能体。它由深度研究主智能体（lead agent）自动调用，接收明确的研究任务，通过网页搜索与网页抓取等工具完成聚焦的信息收集，并将发现以精简、信息密集的格式回报给主智能体。该子智能体不负责撰写最终报告，最终综合由主智能体完成。其工作流程包括任务规划、基于 OODA 方法的研究循环、工具使用策略、来源质量评估和结果汇报，并设有最多 20 次工具调用的硬性上限。
用于为新项目初始化智能体工作系统的技能，触发词包括“setup agent system”“initialize claude”“bootstrap project”。通过创建 CLAUDE.md、.memory/ 目录结构和首份传承文档，让经验在智能体之间累积。
这是一个用于在新项目中初始化智能体工作系统的技能（skill）。该技能在用户提到“setup agent system”“initialize claude”或“bootstrap project”时触发，核心目的是为项目搭建一套可让智能体经验积累、知识传承的基础框架。按资料所述，初始化的主要动作包括：创建 CLAUDE.md 文件（基于 lidessen/moniro/CLAUDE.md，保留开头区块、Who You Are、Methodology、Remember 等核心部分，替换 Vision、Structure 等项目专属部分），创建 .memory/ 目录结构（含 notes、decisions、todos 三个子目录），并撰写首份传承文档 to-those-who-come-after.md。此外还可根据项目需求补充技术栈、工作流和团队约定。资料强调，没有这套系统时每个智能体都从零开始、重复前人的错误；有这套系统后经验可以累积、后继者可以站在前人肩膀上。
面向多智能体软件工程组织的技能框架，把交付流程做成闭环：Issue→Worktree→计划→实现→对抗式评审→证据→合并→记忆。含18个智能体角色与10个工作流，强调CI绿灯、证据门禁与人类审批。