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
25,648 个结果
Template Skill 是一个用于创建新 Claude Skill 的起步模板，提供最佳实践与示例结构。它展示了 Claude Skill 的标准格式，包括 YAML frontmatter 元数据、清晰的指令与指南、示例用法、辅助脚本与资源，以及技能开发的最佳实践。该模板采用推荐的目录布局（SKILL.md、scripts/、references/、assets/），支持渐进式披露，便于按需加载辅助脚本和文档。适合在创建自定义技能、学习技能结构与组织方式、打包资源与文档、以及构建团队协作技能时作为参考。
这是关于 n8n 中 AI 功能的资料，涵盖 AI 智能体、LangChain 集成、向量存储、LLM 提供商、RAG 检索增强生成以及 AI 工作流构建方式。内容包括多种 Agent 类型（Tools、Conversational、ReAct、SQL、Plan and Execute）、LangChain 链节点（基础 LLM 链、问答链、摘要链、信息抽取器、文本分类器、情感分析）、主流 LLM 提供商（OpenAI、Anthropic Claude、Google Gemini、Ollama、Groq、Mistral）、向量存储（Supabase Vector、Pinecone、Qdrant、PGVector、内存向量存储）、嵌入模型、记忆节点（Buffer、Buffer Window、Motorhead、Zep）、文本分割器、检索配置以及常见 AI 工作流模式，还涉及 MCP 集成与提示词、温度、Token、错误处理、成本优化等实践建议。
claude-code-dispatch 是一个用于把开发任务派发给 Claude Code 并自动回传完成结果的中文技能。它的核心目标是免轮询、少消耗 token：任务完成后通过 Stop、TaskCompleted、SessionEnd 等钩子自动触发 notify-agi.sh，读取任务元数据与输出，写入 latest.json，并通过 Telegram 群或回调发送通知，同时写入 pending-wake.json 作为心跳兜底。它支持 Agent Teams 多智能体并行开发（可自动定义 Testing Agent，也可用 --agents-json 自定义子智能体）、git worktree 隔离、成本控制（--max-budget-usd、--max-turns、--fallback-model）、权限模式、工具白/黑名单、模型选择、MCP 配置等。使用时通过 dispatch.sh 脚本以 nohup 后台方式派发任务，需配置相应钩子。该技能依赖 Claude Code 环境、PTY 包装器和 Telegram 通知通道，官方未提供具体收费与价格信息，多智能体模式建议使用预算上限控制开销。
Load Context 是 OrchestKit 中的记忆初始化技能，用于在会话开始时自动从知识图谱加载相关记忆，并在配置了 Mem0 时叠加语义记忆增强。它支持自动触发（session-start）和手动运行 /load-context，可根据上下文窗口使用率动态调整加载量，在上下文压力过高时跳过加载。适用于需要恢复或预加载会话上下文的场景。
mem0-sync 是一个用于将会话上下文、决策和模式自动同步到 Mem0 的技能，以实现跨会话的连续性。它通过执行 Python SDK 脚本，持久化保存决策、模式和会话摘要。该技能可在会话结束时由 mem0-pre-compaction-sync.sh 钩子自动调用，也可手动运行 /mem0-sync 在会话中途强制同步，或在做出重大决策后立即同步。同步内容包括会话摘要、待处理决策、智能体模式以及可跨项目通用的最佳实践。同步协议包括检查 MEM0_API_KEY 环境变量、读取同步状态文件、执行 add-memory.py 脚本、更新同步状态以防止重复，并输出同步摘要。该技能支持幂等同步、图记忆（自动提取实体与关系）以及按用途划分的用户 ID 作用域。
Agent Orchestrator 是一个短循环智能体，用于编排基于问题跟踪器的实现工作。它负责选择可启动的问题、将实现工作委派给本地或远程智能体、调用代码审查与集成步骤，并维护工作流状态。其核心原则是只做协调，不亲自实现、审查或合并代码。它通过读取配置、跟踪器和 PR 状态来决定下一步动作，并维护一个非权威的本地调度账本以检测卡住的 worker、抑制重复委派。适用于已配置问题跟踪器、代码托管和 CI 的团队，用于自动化管理从问题到合并的完整工作流。
这是一个 Zapier MCP 的个性化配置技能，用于扫描用户已启用的 Zapier MCP 工具，并生成一份持久化的指令文件，让 AI 助手了解有哪些工具可用以及何时使用它们。它支持 Cursor、Claude Code、Claude Desktop、Windsurf 等客户端，属于工具配置完成后的“后置引导”步骤。技能会先验证是否已配置工具，再盘点已启用的动作，按应用分组分析读写能力，询问用户角色或使用场景，最后在对应客户端路径生成配置文件，并支持后续更新。
nmt-chat 是一个基于 Ivan Zamesin 的 Next Move Theory（下一代任务理论，区别于 Christensen 的通用 JTBD）方法论构建的对话式高级产品顾问技能。它不是一次性的产物生成器，而是一个多轮对话伙伴，能够用该方法论回答问题、诊断产品处境、挑战假设并帮助用户推演决策。资料显示其运行时会读取公开的 Next Move Theory 方法论准则（canon），以保证方法论断言有据可依，并会根据问题类型在解释、诊断、压力测试、应用、教学等模式间灵活切换。当用户确实需要完整交付物时，该技能会转交给相应的生产者技能（如市场研究、价值主张、产品需求、上市文案等）。需要说明的是，该技能默认不生成报告文件，交付物即为对话本身。其公开语料仅涵盖方法的“是什么”和“为什么”，更深入的专有操作细节（完整机制目录、分任务算法、访谈手册等）暂未提供，仅保留在完整准则中。
基于 Ivan Zamesin 的 Next Move Theory / AJTBD 方法，把已选定的细分人群与核心任务转成可开发的 PRD，包含完整功能与约九成边界情况。产物为单份 PRD：默认一页摘要，下方分层给出推理与完整构建规格，并在写需求前先设“是否该建”的挑战关卡。不做市场调研与细分推导，也不产出落地页/广告/GTM 文案。
Parallel Ops 是一个用于并行或循环型智能体工作的路由型技能，本身不执行具体任务，而是帮助选择六个相关技能中最合适的一个。它面向跨技能族的发现与决策：当你不确定“并行代理、分发工作、委派给 worker、过夜运行、定时循环、落地分支”等需求应由哪个技能负责时，先读取其决策表，再跳转到对应技能。资料明确列出六个关联技能：native Workflow 工具 / Agent 子代理（进程内、使用会话自身提供方与模型层级）、fleet-worker（用更便宜的“大脑”执行一个子任务或整体扇出）、fleetflow（一次运行中按工作类别使用不同“大脑”，或跨提供方验证分歧）、loop-ops（跨会话的定时/循环调度）、iterate（单一持续会话中驱动一个机械指标达到目标）、fleet-ops（落地/合并并行工作产生的分支）。该技能还提示两个易混淆维度：spawn 与 land，以及内层循环与外层循环。它给出组合链：iterate（内层循环）→ loop-ops（外层循环/调度器）→ fleet-worker / fleetflow（派生 worker）→ fleet-ops（落地分支），但强调大多数任务只用其中一环。
OneOS 任务指路（oneos-wave-router）是一个编排薄层 Skill，只负责指路、不办事。它按「谁要做什么」帮助用户判断下一步该调用哪个 Skill，适用于用户不确定该喊哪个 Skill、需要了解 Skill 版图或下一步该找谁时。它覆盖需求、业务口径、系统架构、开发落地、测试验收、体验规范、数据口径、知识库、汇报、上线守闸等角色 Skill 的用途名与边界，并给出主链路顺序与卡点分级。它自身不改 PRD、不改码、不写云效，指完路后提示下一口令。
这是一份面向多 AI 智能体协作系统的架构设计技能，语言无关，适用于 TypeScript、Python、Go、Rust 等环境。它提供从架构分层、协作模式到生产加固的完整参考，核心是把智能体系统拆成四层架构（推理层、编排层、工具总线层、确定性适配层），并强调推理层以下必须保持确定性，不得在工具中调用大模型。技能涵盖七种协调模式选择（如 Fan-Out/Fan-In 并行、顺序流水线、递归委派、工作窃取队列、Map-Reduce、对等协作、MAKER 零错误模式）、工具协调机制（权限继承、资源锁、限流、结果缓存、子智能体即工具）、关键生命周期（级联停止，先停子再停自身）以及生产加固要点（孤儿检测、成本追踪、会话持久化、检查点、自我修改安全）。它还要求先回答六个必答发现性问题以确定起点、主要用例、规模、状态、工具协调和现有约束，并附有代码审查系统的实际示例与执行清单、常见陷阱。
这是一个基于 MCP（Model Context Protocol）的“顺序思考”技能，使用 @modelcontextprotocol/server-sequential-thinking 服务器，将复杂问题拆解为有序、可验证的步骤。它适用于跨模块重构、可能影响 DDD 边界或“先追加后发布”契约的改动，以及调试信号/流、事件顺序等非确定性行为。使用前需确保 .vscode/mcp.json 中存在名为 sequentialthinking 的服务器条目。输出为带编号的动作序列，每步包含目标文件、预期结果和验证方式。
ml-research-router 是 ML 研究技能集合中的根路由器，用于在已初始化的 ML 研究项目内做技能选择与任务分流。它的职责不是直接解决任务，而是把用户任务归类到实验、论文写作、文献发现、项目运维、方法设计、反馈处理、导师汇报、审稿回复、幻灯片、模型发布、代码发布、工件评测等桶，再交接给对应的域路由器或叶子技能。使用时需满足范围边界：仅在装有完整项目本地技能包的研究项目内，或维护 ml-research-skills 仓库时启用；通用非 ML 软件项目不应激活。路由前须检测 git 范围、读取 memory/BRIEFING.md、references/route-table.md，必要时读取 references/skill-index.md，且每次任务只路由一次、不串联多个路由器。若本轮资料未提供具体价格、平台支持或安装命令等信息，则暂未提供。
Personalization Memory 是一个用于 AI 智能体的个性化记忆写入层技能，旨在将重复出现的交互轨迹转化为持久化的偏好设置。它的核心理念是让系统随时间变得越来越个性化，同时避免主智能体频繁停下来询问用户是否需要记住某项偏好。该技能通过低成本侧车（sidecar）扫描，从日志、轨迹、diff、侧车产物、评审包和项目记忆中综合提取候选偏好，并遵循严格的隐私安全规则，禁止将原始私密对话、原始日志、凭据、本地路径或协作者消息复制到公共仓库记忆中。该技能将个性化视为一个渐进提升的阶梯：观察→候选→偏好→项目契约→可复用技能规则候选。它适用于用户要求工作流个性化、自动化或从轨迹中学习时，也适用于智能体注意到重复偏好（如"不要问我"、"先提交再推送"、"使用 Overleaf 编译"等）时。公共技能变更需要遵循与其他技能变更相同的仓库验证、提交、推送和重装流程。使用时需参考写入策略、轨迹扫描器和偏好账本模板。
agent-sdk-builder 是一个面向 Claude Agent SDK（原 Claude Code SDK）的开发指导技能，用于在自己编写的程序中运行完整的智能体循环，而不是仅调用 anthropic 客户端 SDK 的聊天补全接口。它覆盖 TypeScript 与 Python 两种实现，帮助开发者构建能够读写文件、编写代码、执行命令、搜索网络并委派子智能体的自主工具型智能体。技能强调以项目已安装的 SDK 类型定义为最高权威，其次参考官方文档，最后才是技能自带示例；要求先检测语言与已安装版本，再根据任务形态选择 query()、ClaudeSDKClient、会话恢复与分叉、子智能体、进程内 MCP 服务器、插件加载、结构化输出等方案。安全模型区分 allowedTools/disallowedTools/permissionMode 的粗粒度策略、PreToolUse 钩子的强制校验与 canUseTool 的交互式兜底，并建议对自主任务设置 maxTurns 与 maxBudgetUsd、隔离不可信工作负载。适合需要在应用中嵌入自主编码或工具调用能力的开发者。
Hivemind 是由 Activeloop 提供的团队与组织级全局记忆工具，为 AI 智能体提供跨会话、跨用户、跨智能体共享的记忆能力。它在主机智能体自带记忆之外，额外维护一份组织内的全局记忆，并要求在回忆、记住或查询任何信息时同时检查两个记忆来源。通过 hivemind_index、hivemind_search、hivemind_read 等工具，可按会话索引、摘要或原始数据检索内容；同时提供登录、组织与工作区切换、采集开关等管理命令，以及 skillify 技能管理能力，可从智能体会话中挖掘可复用的 Claude 技能并在组织内共享、拉取与上传。该工具以插件形式安装，需先通过 /hivemind_login 认证并运行 /hivemind_setup 启用记忆工具；同一 Activeloop 组织内的多个智能体可共享记忆。
Mosaic 是 Escalante Bio 推出的基于 JAX 的多目标蛋白质设计框架，采用连续松弛与梯度下降优化软序列，属于 ColabDesign、RSO、BindCraft 一脉。其核心特点是在单一可微损失中组合来自不同模型的多个学习目标，可组合结构预测器（AF2、Boltz-1/2、Protenix、OpenFold3、ESMFold2）、生成/设计模型（BoltzGen、Proteina-Complexa）、逆折叠模型（ProteinMPNN、SolubleMPNN、AbMPNN）、语言模型（ESM-2、ESM-C、AbLang、trigram）以及稳定性属性头。它没有 CLI，通过 marimo notebook 或 Python API 驱动，需本地 JAX GPU/TPU 环境，最低 24GB 显存。适合需要自定义多模型目标函数的专家用户，而非一键式流程。
Protenix 是字节跳动开源的 AlphaFold3 复现版本，基于 PyTorch 实现（Apache 2.0 许可）。它属于 AF3 级别的复合物结构预测模型，可用于蛋白复合物结构预测，常与 boltz、chai 搭配进行交叉验证。该技能可通过 biomodals 在 Modal 平台上运行，默认使用 L40S GPU。针对抗体-抗原复合物，推荐使用 protenix-v2 模型（4.64 亿参数，2026 年 4 月发布），在 DockQ > 0.23 阈值下相比 v1 提升 9 至 13 个百分点的抗体-抗原准确率，且更节省样本（v2 用 5 个种子即超过 v1 用 1000 个种子的表现），通过 --model-name protenix-v2 选择。通用复合物使用 v1 基础模型即可。
OpenJudge 是一个用于构建 LLM 应用评估流程的 Python 框架，支持选择与配置评分器（LLM、函数、智能体）、批量评估、结果对比与统计分析，可用于评估模型输出质量、比较排名或构建奖励模型。
Reference Hallucination Arena 是 OpenJudge 中的评测技能，用于衡量大模型推荐真实学术文献的能力。它让模型以 BibTeX 格式输出参考文献，再对照 Crossref、PubMed、arXiv、DBLP 核验，统计幻觉率、字段准确率与学科分布，并生成报告和图表。
用于 Proactive Agents 站点的 MDX 随笔写作技能，规定了 Scene 滚动叙事、自定义 SVG 图示、Callout/PullQuote/Sidenote 与嵌入媒体的用法，并给出统一的写作与检查规范。
claude-music 是面向 Claude Code 的 AI 音乐制作套件，通过 Python API 调用 ACE-Step 1.5，提供 /music 系列命令，覆盖生成、翻唱、局部重绘、作曲、分析、导出、增强、随机生成、曲库管理、网页面板与 LoRA 微调等音乐制作流程。
claude-music-analyze 是一个音频分析技能，可读取音频文件的 BPM、调性、响度（LUFS）、时长、格式与质量指标。它借助 ffprobe 提取元数据、FFmpeg 测量响度，并可选用 librosa 检测 BPM 与调性。