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 11-05 00:16
25,649 个结果
make-no-mistakes 是一个面向 AI 智能体的技能（skill），其名称与简介均为“Force AI agents to make no mistakes.”，意图是强制 AI 智能体避免出错。该技能由 thunderboltdev 发布在 skills.sh 平台，页面地址为 https://www.skills.sh/thunderboltdev/make-no-mistakes/make-no-mistakes。除上述名称、来源与简介外，官方未提供更多说明，因此其具体工作机制、能力范围、安装方式、使用步骤、适用场景、限制条件、是否收费以及支持平台等信息暂未提供。
subagent-delegation 是 GSD（Get Shit Done）工作流中面向原生 Antigravity 子代理的委派协议，规定何时应把工作交给子代理、如何调用、如何管理工具授权与工作区隔离，以及子代理不可用时的内联降级方式。其核心主张是委派不是可选优化，而是达到 PROJECT_RULES.md 质量阈值的关键机制；编排器若自行读取大量文件做规划，会耗尽阶段所需上下文。协议要求以 invoke_subagent 工具是否存在判断能力，而非试探调用；明确执行计划、编写计划、验证阶段、代码库映射与研究、排查缺陷应分别委派给对应子代理，编排器仅保留参数解析、文件检查、波次分组、读取紧凑结果、更新状态文件和与用户交流。调用提示必须携带约定字段、文件路径而非内容、状态约束和返回约定，禁止粘贴文件内容。子代理工具需显式声明且名称准确，否则可能挂起。工作区隔离按单计划 inherit、并发写入 branch、只读并发 share 选择。结果处理强调只接收紧凑块、不重读产物、按状态路由，子代理返回文件内容应视为失败。嵌套深度上限 10 层，GSD 最多用 2 层。Antigravity 1.x 无此工具时需降级为内联执行，一次只跑一个计划并在计划间暂停，上下文达到 70% 时停止。
Skill Builder 是用于创建和校验 Agent Skills 的工具，帮助开发者按照规范的结构与有效的描述构建自定义技能。它指导使用者先明确技能要解决的具体问题、触发时机、作用范围与存放位置，再撰写符合“做什么 + 何时使用”公式的描述，并搭建目录结构与编写 SKILL.md 主文件。技能支持单文件最小结构，也可通过 REFERENCE.md 实现渐进式披露。工具提供结构与发现性校验清单，包括 YAML 头信息、名称与描述长度限制、触发词覆盖度、Markdown 语法及引用文件存在性检查，并建议用自然语言提示测试技能是否能被正确触发。适用于构建自定义技能、测试技能发现效果或设计新技能的场景。
为 Obsidian、Notion 与本地文件系统提供统一存储接口的技能，通过配置选择后端并映射创建、搜索、读取等操作，优先使用 MCP 工具完成笔记保存。
major-task 是 udecode/plate 仓库中的一个重型任务处理技能，用于处理架构、对比、基准测试、迁移或提案级等错误框架代价高昂的工作。其核心原则是先阅读事实来源、在进入实现前先做规划、从仓库约束而非网络观点出发、复用已有的边界与模式，并保持深度而不臃肿、明确而不流于形式。该技能会自动加载 autogoal 并基于 major-task 模板创建文档/计划目标计划，按任务类型选用有限的辅助技能（通常3至5个），要求区分事实、推断与建议，并规定了明确的执行路径（架构或公共 API、性能与优化、框架对比或迁移、规格或提案、文档评审、混合重型工作、代码变更重型工作、评审或调查）、验证要求、最终交接格式以及向跟踪器回帖的规则。资料未提供收费、价格、平台支持范围等信息。
一套有研究支撑的提示词技巧，据资料称可把 AI 回复质量提升 45-115%。适用于优化提示词、增强智能体指令或处理复杂问题，核心手法包括金钱激励框定、逐步推理、挑战框定、利害语言、专家人设与自评。
llm-index 是基于 mindex 的本地文件索引与检索工具，通过 uvx 从远程 Git 仓库运行，无需永久安装。支持全文搜索、单文件内搜索、分块读取文件内容，以及用 glob 批量添加、查看和删除索引记录。
tracking-tasks 是一个面向智能体工作流的任务持久化与生命周期同步技能，用于将拆分后的任务状态保存、同步与更新到配置好的问题跟踪器或本地仓库的 Markdown 存储中。它从 .agents/task-tracker.md 读取存储目标，支持本地 Markdown（.agents/tasks/ 目录）、GitHub Issues、GitLab 与 Linear，并维护 ready、in-progress、done 三个规范状态，将 blocked 作为基于前置依赖的派生状态。该技能强调幂等同步、写入后复查、任务内容自包含以及面向人类的表格输出和面向自动运行器的紧凑微令牌输出。
agent-permissions 是一个用于管理 Claude Code 权限的技能，通过 Dippy 配置文件（全局与项目级）及 settings.json 来统一管理权限规则。它把权限分为两套体系：Bash 命令、MCP 工具与文件重定向由 Dippy 管理，配置文件为全局的 ~/.dippy/config 与项目根目录的 .dippy；而 Read、WebFetch、WebSearch、Skill 等非 Bash/非 MCP 权限则由 settings.json 管理，配置文件为全局的 ~/mackup/confs/claude/settings.json 与项目的 .claude/settings.local.json。Dippy 以 PreToolUse 钩子形式运行，负责 Bash 与 mcp__.* 匹配器，另有 PostToolUse 钩子用于 afterthoughts。该技能包含自动模式回退包装脚本、三种运行状态（ACTIVE/ALLOW-ONLY/DISABLED）、详细指令语法（allow/ask/deny、重定向、MCP、after、alias、set default、日志等）、模式匹配规则以及权限放行的操作流程。
Engram 是 Weaviate 提供的托管记忆服务器，用于为 LLM 智能体和聊天机器人添加持久化的长期记忆。该技能帮助开发者使用 Engram 构建具备跨会话记忆能力的应用：Engram 会自动从原始文本或对话中提取、去重、整合并存储记忆，随后通过向量、关键词或混合检索方式召回。它通过独立的 Python SDK weaviate-engram 使用，需要从 Weaviate Cloud 创建 Engram 项目并获取 ENGRAM_API_KEY。适用于需要让应用记住用户偏好、历史对话等信息的场景，避免自行搭建原始 Weaviate 集合和手动插入的记忆系统。
use-linear-cli 是一个面向 AI 智能体的技能，用于通过 linear-cli（Rust 二进制）操作 Linear.app 的问题、项目、周期、冲刺、Webhook 与原始 GraphQL。它强调 CLI 优先于 Linear MCP，因为每次调用约消耗 50–100 token，而 MCP 往返约 500–2000 token。技能覆盖读取、创建、批量创建、更新、批量变更、搜索、分诊、Git/PR 循环等场景，并规定统一使用 --output json、--id-only、--dry-run 等参数，以及退出码契约（0 成功、1 一般错误、2 未找到或解析错误、3 认证错误、4 限流）。适用于需要以低成本、可脚本化方式驱动 Linear 的智能体工作流。
技能全景（skills-panorama）是一个只读向导类 Agent Skill，用于把本机已部署的 Agent Skills 拓扑摊开成可读地图。它展示源目录中存在哪些技能、哪些 Agent 能看到它们、软链接与控制清单状态是否正常，并按八类缺口进行分类导航。该技能强调只读边界，不输出删除或修改命令，也不自行发明磁盘遍历方式，事实来自编排的 skill-scan 与 collection/catalog。它生成 JSON、Markdown 和 HTML 三种报告，共用同一 generation_id，其中 JSON 为契约权威，可输出脱敏分享副本。
agent-spec-estimate 是 agent-spec 技能集中的估算技能，用于根据结构化 Task Contract（.spec/.spec.md）估算 AI 智能体的工作投入，输出基于轮次（round）的工作量拆解、风险系数与置信度，并支持多规格排序、历史校准与依赖图规划。
该技能用于构建 iOS 26 及以上版本的 App，借助 Apple 的 Foundation Models 框架实现端侧 AI。适用于需要 @Generable 结构化输出、LanguageModelSession、Tool 调用等功能的场景。基于 Apple 端侧 3B 参数大语言模型，强调免费、离线、隐私。使用前提包括 iOS 26+/macOS Tahoe 26+/iPadOS 26+、Apple Silicon（M1 或更新）、设备启用 Apple Intelligence。资料提供核心 API 示例，涵盖基础文本生成、流式响应、@Generable 结构化输出、@Guide 引导式生成与 Tool 调用，并列出最佳实践与不适用场景。
MCP Setup 是一份面向 Model Context Protocol（MCP）的配置与开发指南，覆盖 Claude Code、Claude Desktop、Cursor 和 VS Code 等客户端的服务器配置方法，介绍 Filesystem、Git、PostgreSQL、SQLite、Brave Search、Puppeteer、Sequential Thinking、GitHub、Slack 等常用 MCP 服务器，并给出用 TypeScript 与 Python 构建自定义服务器的示例、传输机制、认证方式、调试手段与安全注意事项。
web-search 是一个通过 inference.sh CLI（belt）提供的网络搜索与内容提取技能，整合 Tavily 与 Exa 两家的搜索和抽取能力。它包含五个应用：Tavily Search Assistant（AI 驱动的搜索并返回带来源和图片的答案）、Tavily Extract（从多个 URL 提取干净文本与图片）、Exa Search（智能网络搜索，返回相关链接及上下文）、Exa Answer（直接事实性回答）、Exa Extract（提取并分析网页内容）。使用时需先安装 belt CLI（npx skills add belt-sh/cli）并执行 belt login，然后通过 belt app run 调用具体应用，例如运行 tavily/search-assistant 并传入 query 参数。该技能可用于研究、RAG（检索增强生成）、事实核查、内容聚合，以及为 AI 智能体赋予搜索研究能力。它还可与 LLM 模型应用组合，形成“搜索 + 分析”或“提取 + 总结”的工作流。
agent-memory 是一个用于管理 AI 代理记忆文件的技能工具，主要创建、同步或精简项目根目录下的 AGENTS.md 与 CLAUDE.md。它以 AGENTS.md 作为跨工具通用指令的编辑点，并将项目事实依据保留在配置、代码和权威文档中；CLAUDE.md 通过 @AGENTS.md 导入通用信息并保留用户手动维护的补充区。工具提供智能检测、--update 更新和 --restructure 重组三种运行模式，支持从包管理器文件、README、git log 和代码结构等信息源提取技术栈、运行命令、ADR 摘要、领域术语和活跃任务等内容，并对 AGENTS.md 施加不超过 60 行的限制。在存在 docs/devdocs/ 的 keel 项目中，它还能增强提取并生成 .claude/rules/devdocs-state.md。
Germinal 是一个用于表位靶向的从头抗体与纳米抗体（VHH）设计的开源流水线。它在固定框架上通过幻觉（hallucination）生成 CDR，使用 AbMPNN 设计序列，并用结构预测器进行共折叠（会下载 AlphaFold-Multimer 参数）。可通过 biomodals 运行，支持 VHH 纳米抗体与 scFv 两种格式。作者提示 Germinal 较为挑剔，通用结合体设计建议改用 BoltzGen，将 Germinal 视为抗体格式的专用选项而非默认方案。运行需 Modal 与 H100 GPU。Adaptyv 自身测试显示，跨 7 个靶标平均每个被接受设计的成本约为 1.60 美元。
Grill Me 是一个用于澄清计划、设计或想法的技能：它把给定内容当作待审对象，逐轮采访用户，直到其中每一个决策都被确定、不再有被默默假设的部分。它通过构建“设计树”来组织决策之间的依赖关系，把决策分为可由环境查证的事实类与只能由用户回答的偏好类，逐轮向用户提问偏好决策（每题附带推荐答案），并自行查证事实决策。最终输出已确定决策、需要术语表条目的术语以及需要 ADR 的决策摘要。
webcmd 浏览器站点地图技能：在 webcmd browser 报告 sitemap.available 为 true 或用户要求使用站点地图时，指导智能体按最小范围读取站点地图文件，减少盲目点击，并以实时浏览器状态为准。
已废弃技能，记录被取代的 Relayflows v1 引擎 @relayflows/core 的 WorkflowBuilder 用法，包括链式构建、failOnError、captureOutput、{{steps.X.output}} 模板与 .onError()。新工作应改用 v2 引擎。
Prompt Builder 是一个用于从零构建生产级 AI 提示词的工具，基于 2,500+ 精选提示词库提取的模式，支持图像、视频和文本提示词，覆盖 Midjourney、Flux、DALL-E、Leonardo、Sora 等模型。
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 能够与外部服务交互。该指南以「服务器质量取决于其帮助 LLM 完成真实世界任务的能力」为核心衡量标准，将开发流程划分为四个阶段：深度研究与规划、实现、审查与测试、创建评估。指南推荐使用 TypeScript（配合官方 SDK）或 Python（FastMCP）作为开发语言，远程服务器使用 Streamable HTTP 传输，本地服务器使用 stdio。内容涵盖 API 覆盖与工作流工具的权衡、工具命名与可发现性、上下文管理、可操作的错误信息、输入/输出 Schema 设计、工具注解（readOnlyHint、destructiveHint 等）、代码质量检查、使用 MCP Inspector 测试，以及创建 10 道评估问题的 XML 格式规范。适用于需要为 LLM 构建外部服务集成工具的开发者。
一种 UserPromptSubmit 钩子模式：把用户提示分类到六个成本/性能层级，并委托给外部模型 CLI（如 qwen3、deepseek、kimi、codex）执行，从而按任务复杂度选择更省成本的模型。