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

24,090 个结果

dispatching-parallel-agents

Dispatching Parallel Agents 是一项用于并行分派子智能体处理彼此独立任务的技能方法。当面对两个或以上的独立任务，且这些任务之间不存在共享状态或顺序依赖时，可以按照“每个独立问题域对应一个智能体”的原则，同时派出多个专注的智能体并发工作。它的核心思路是：不要让所有子智能体继承当前会话的上下文或历史，而是精确地为每一个智能体构建所需的指令与背景信息，从而让它们各自聚焦、提高成功率，同时也保留协调者自身的上下文。该方法常适用于多个测试文件以不同根因失败、多个子系统各自独立损坏等场景，通过并行调查来节省串行处理的时间。

智能体与模型280 次安装

gptq

GPTQ（Generative Pre-trained Transformer Quantization）是一种针对大语言模型的训练后量化方法，可将模型权重压缩至 4 位，同时尽量保持精度。它采用分组量化（group-wise quantization），借助 Hessian 信息最小化量化误差，通常能实现约 4 倍显存降低、低于 2% 的精度损失，并带来 3-4 倍于 FP16 的推理加速。适用于在消费级 GPU（如 RTX 4090、3090）上部署 70B、405B 等大模型，或需要显著降低显存占用、提升推理速度的场景。可通过 AutoGPTQ 库安装使用，支持加载 HuggingFace 上预量化模型，也可自行量化模型，并可与 transformers、PEFT（QLoRA 微调）等集成。

智能体与模型279 次安装

rwkv-architecture

RWKV（Receptance Weighted Key Value）是一种结合 Transformer 与 RNN 特点的模型架构：训练时像 GPT 一样并行，推理时像 RNN 一样按序处理，实现 O(n) 线性时间推理与 O(1) 常数显存占用，无需 KV cache，支持无限上下文。该技能提供 RWKV 的安装、基础使用（GPT 模式与 RNN 模式）、流式文本生成、长上下文处理、微调、与 Transformer 对比等实用工作流，并给出显存需求、性能对比、常见问题排查和进阶主题指引。

智能体与模型277 次安装

sentencepiece

SentencePiece 是一个与语言无关的分词器，将文本视为原始 Unicode 处理，无需针对特定语言做预处理。它支持 BPE 和 Unigram 两种分词算法，可用于构建多语言模型、处理中日韩（CJK）文本，并支持在原始文本上直接训练。其特点是速度快（约 50,000 句/秒）、内存占用低（加载模型约 6MB），且分词结果可复现。它被 T5、ALBERT、XLNet、mBART 等模型采用。可通过 pip 安装 Python 包，或从 GitHub 源码编译 C++ 版本，并提供命令行与 Python API 两种训练、编码、解码方式。

智能体与模型277 次安装