claude-hooks
用于在 Claude Code 中创建事件钩子（hooks）的技能，可自动化工作流、校验操作并响应事件。支持 command、prompt、agent 三种执行类型，覆盖 PreToolUse、PostToolUse、SessionStart 等事件，通过 hooks.json 或 settings.json 配置。
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 11-04 00:13
智能体与模型
25,595 个结果
multi-agent-vcs
Multi-Agent Version Control 是一个面向多智能体并行开发的 Git 版本控制协作规范与技能，由 outfitter-dev/agents 提供。它解决的是多个并行子智能体各自执行 Git 操作时产生的混乱问题，例如内容混入错误分支、分支层级断裂（本应父子关系却变成兄弟关系）、PR 标题与分支内容不匹配，以及需要数小时人工修复结构等。该技能的核心策略是：子智能体禁止执行任何 Git 操作，只负责将代码写入文件系统并报告创建或修改了哪些文件；所有分支创建、暂存、提交、推送等 Git 状态管理统一由主智能体（编排者）处理。技能给出了正确的工作流图示、子智能体提示模板、任务清单集成方式、Graphite 与 GitButler 的具体命令示例、并行智能体破坏 Git 状态后的恢复步骤，以及顺序、并行、后台三种模式的 Git 处理方式对比。适用于派发子智能体进行并行开发、规划多分支实现、从并行智能体破坏中恢复，以及任何多个智能体触碰文件系统的工作流。
skill-creator
skill-creator 是一个用于指导用户创建或更新 Claude 技能（skill）的技能。它围绕“如何写出有效的技能”提供系统化指引：先理解具体使用场景，再规划可复用资源，随后初始化技能目录、编辑 SKILL.md 与打包资源，最后依据实际使用迭代。它强调上下文窗口是公共资源，应只补充 Claude 原本不具备的信息，并给出脚本、参考文档与资产三类捆绑资源的使用建议，以及渐进式披露、按领域组织内容、避免深层嵌套引用等设计模式。适用于需要为 Claude 扩展特定领域知识、工作流或工具集成的场景。
agent-style
agent-style 是一套面向 AI 智能体的英文技术写作规则集，依据文献整理，共 21 条规则，用于论文、设计文档、提案、README 等正式技术散文。规则内容来自 The Elements of Agent Style，采用 CC BY 4.0 许可，本技能内置固定快照。
peon-ping-remix
peon-ping-remix 是 peonping/peon-ping 中的内部技能，仅由 peon eval 服务器以无头方式带 job-file 路径调用，用于对一个草稿 PeonPing 包执行一次重渲染（reroll）作业；人类应改用 `peon eval <pack>`。
write-goal
write-goal 是一个面向 Codex 或 Claude Code 的目标编译器技能，把口语化任务转成简洁可审计的 /goal 目标，或说明为何更适合用普通提示词。
qa-engineer-agent
QA 工程师 Agent，用于测试策略、测试用例设计、自动化测试、性能测试与安全测试。支持 Claude Code、Cursor、Codex CLI、Gemini CLI 等运行时。
tech-leader-agent
技术负责人 Agent，用于技术架构决策、代码审查、团队技术管理与技术规划路线图，强调在业务需求与技术约束间做权衡，按明确工作流输出技术方案、审查报告和分阶段路线图，并兼容多种运行时的配置方式。
asi-integrated
asi-integrated 是 plurigrid/asi 仓库中的统一 ASI 技能，将 ACSets、Gay-MCP 颜色、互模拟博弈、世界跳跃、玻璃珠合成与三元交错整合为自主技能编排系统，并以 GF(3) 守恒律约束各操作。
plugin-validator
用于校验 Claude Code 插件结构的技能：检查 plugin.json 清单、目录结构、YAML frontmatter、依赖关系与配置一致性，输出按严重程度分级的报告。
refine-agent-workflow
Refine Agent Workflow 是一项用于审查智能体任务结果并推荐针对性改进的技能。它通过分析任务结果和反复出现的摩擦点，找出已证实的原因，建议对指令和工作流进行聚焦修改，优先利用现有充分指导而非新增规则，并最小化干预成本。该技能以只读方式检查对话、用户报告和任务结果，区分观察到的行为、已证实原因与假设，在证据不足时明确说明不确定性。适用于用户希望对智能体工作方式或任务结果进行回顾优化的场景。
glorp
Glorp 是可用命令行运行的编码智能体，支持 read/write/edit/bash/glob/grep 等工具与子智能体。Glorp Garage 是其多会话远程控制平面，可通过 REST、WebSocket 或 TypeScript SDK 创建会话、在沙箱中运行编码智能体并收集结果，适合下游编码代理编排使用。
creating-kiro-agents
介绍如何为 Kiro 创建专用 AI 智能体：涵盖 JSON 配置结构、工具与权限限制、提示词模式及安全实践，并给出后端、代码审查、测试、前端等常见智能体示例，适合需要构建特定领域工作流助手的开发者参考。
codex-in-app-browser
通过应用内 node_repl 运行时驱动 Codex 内置浏览器，支持打开、导航、点击、输入、截图与读取页面状态，供会话中的智能体操作应用内网页。
hf-mcp
hf-mcp 是一个通过 MCP 服务器工具连接 Hugging Face Hub 的技能，可搜索模型、数据集、Spaces 与论文，查看仓库详情、获取文档、运行计算任务并使用 Gradio 应用。
huggingface-best
HuggingFace Best Model Finder 技能：根据用户任务查询 Hugging Face 官方基准排行榜，补充模型参数量与许可证信息，按设备内存过滤可运行模型，输出带基准分数的对比表并给出推荐。
huggingface-llm-trainer
在 Hugging Face Jobs 云端 GPU 上使用 TRL 或 Unsloth 训练与微调语言及视觉模型，覆盖 SFT、DPO、GRPO、奖励建模等方法，无需本地 GPU，结果可推送至 Hugging Face Hub。
mongodb-mcp-setup
用于引导用户配置 MongoDB MCP 服务器的技能，支持连接字符串、Atlas 服务账号和 Atlas Local 三种认证方式，并区分 Codex 与 shell 类客户端的配置路径。
netlify-mcp-servers
在 Netlify 上构建、部署并保护 Model Context Protocol（MCP）服务器的技能，适用于创建 MCP 服务器、把应用或 API 暴露给 AI 客户端（如 Claude Desktop、Claude Code、Cursor）等任务。
grounded-rag-ingestion
将文档切分为带溯源信息的 JSONL 分块，供嵌入与检索使用。每块包含元素类型、页码、边界框、置信度和阅读顺序，可回溯到源页面具体区域，适合需要引用与审计的 RAG 场景。
teamlead-coordination
Teamlead Coordination 是用于 Teamlead 智能体会话的运作模型，指导以 backlog 为驱动、多 epic、循环式地组织队友分工，包含验证—分诊—修复链条与周期性分析。资料说明其用于协调型会话，不直接用于 Orchestrator 会话。
abai-autoplus-chatgpt-registration
aBaiAutoplus ChatGPT Registration 是一个基于 Web 的自动化面板，用于批量注册、管理与配置 ChatGPT 免费账户。它提供多线程注册流程、OAuth 绕过能力、可插拔的邮箱／短信／验证码服务商、代理轮换，以及 BitBrowser 指纹管理集成。面板包含 React 前端用于监控注册任务、账户统计与系统健康状态，支持通过设置菜单配置注册策略、邮箱服务、验证服务、短信服务、代理资源等。项目使用 FastAPI 后端、Playwright 浏览器自动化，提供 SQLite（可换 PostgreSQL）数据库，支持 Windows、macOS/Linux 本地部署及 Docker Compose 部署，许可证为 AGPL-3.0。
hsf
HSF（Hybrid Specification Format v6）是一种面向 LLM 消费的散文式规范格式，用 XML 信封包裹自然语言指令，配合 JSON 配置、路由决策表与结构化输出模式，用于生成结构良好、可通过校验的混合规范文档。
evolve
Harness Evolve 是用于“进化”现有 harness（智能体编排框架）的技能。它收集并归纳实际运行 harness 后得到的反馈，将改进反映到 agent、skill 和 orchestrator 中，捕捉相对初始配置的差异（delta），并更新变更历史。适用于“harness 复盘”“harness 进化”“反映 harness 反馈”“改进 harness”“结果不理想，调整 harness”等场景。核心思路是把 harness 视为持续演进的系统，通过记录“哪些做法有效、哪些无效”的差异并回馈，使下一次运行从更接近成熟状态的草稿开始。