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
25,653 个结果
Gauntlet Loop 是一套与领域无关的高质量产出方法，核心流程为“拆分 → 构建 → 盲审 → 重复”，并围绕一个智能体无法狡辩的硬性“标尺”进行迭代。它把工作拆成首席（LEAD）、构建者（BUILDER）与评审者（CRITIC）三种角色，且三者不共享上下文：构建者只负责产出真实工件，评审者在独立干净上下文中直接检查真实产物（运行代码、渲染像素、测试输出），而非构建者的自述，因此可有效避免确认偏误。该方法覆盖编程、写作、设计、数据分析、研究、提示词与智能体评测、安全检测规则等多种场景，不同领域仅在如何选标尺、评审者检查什么、检查清单上有差异。使用前提是具备真实的智能体运行框架（如 Claude Code、Cowork、Codex 或等价工具），需要能打开文件、运行代码、渲染输出、截图、调用工具并生成拥有独立干净上下文的子智能体；单轮对话无法提供独立的盲审者。停止条件包括：所有单元达标、连续两轮无改进、或预算（轮次、时间、token）耗尽。该方法比一次性产出消耗多数倍的 token 与时间，因此不适合小型、低风险、一次性任务。
用于跨会话保持上下文：整合 episodic-memory 搜索历史对话，并用 mcp__memory 知识图谱持久保存事实与关系，帮助会话开始时恢复项目、议题、决策与经验。
autoresearch-agent 是一个包装脚本，用于把 autoresearch 任务委托给无头 Claude Code 子进程运行。它把 CLI 子命令转换为 claude --dangerously-skip-permissions -p 调用，支持前台、agent-exec 后台和 dry-run 三种执行方式。
根据仓库实际证据，为编码智能体创建或整理作用域化的 AGENTS.md、CLAUDE.md 和 Cursor 规则文件。适用于编码智能体指引缺失、过时、重复或冲突的场景。
用于创建、改进、合并和验证可移植 Agent Skill 包的工具，基于自适应工作流与行为评测，适用于编写或重建 SKILL.md。
Velt Chat SDK Adapter 最佳实践指南，介绍如何用 @veltdev/chat-sdk-adapter 构建接入 Velt 评论线程的机器人，覆盖 webhook、事件、用户解析、表情回应与部署等实现模式。
用于在多模型（GPT-5.6 Sol、Terra、Luna）间分配 OpenAI 智能体任务的技能：先按风险与验证条件选模型和推理强度，再用本地评测数据向下路由以省成本或降延迟，强调显式记录、独立评审与回退升级规则。
Factory Setup 是一个一次性配置技能，用于把第三方编码智能体（Claude Code、Codex、Cursor 或其他支持 MCP 的客户端）接入 Warp Factory。它负责检测目标客户端、安装并认证 oz CLI、签发 API Key、为该客户端注册 Factory MCP 服务器，并验证连接是否可用（工具列表、list_factories、读取运营技能）。验证通过后，后续的日常 Factory 操作交由服务器在 MCP 连接上提供的权威运营技能（skill://warp/factory-mcp/SKILL.md）处理，本技能不再重复其规则。资料中说明安装命令尚未最终确定，未给出具体安装指令；认证仅支持 API Key + Authorization: Bearer，不支持第三方客户端的 OAuth。资料未提供收费、价格等信息。
research-hub Multi-AI Router 是一个研究领域的多智能体协调路由器。当单轮工作需要两个或以上有边界的委派任务、且至少一个任务操作 research-hub 产物时，它会生成协调计划文件 .coord/multi_ai_plan.md 及各叶子任务的简要说明，由受支持的叶子执行。当前支持的叶子为 codex-delegate（实现密集或重复性工作，产出结构化 result.json）和 antigravity-delegate（范围狭窄、非诚实性关键的机械工作，产出 agy_result_*.md）。已归档的 Gemini delegate 不再受支持。长上下文阅读、中日韩文起草、科学判断、治理与最终审查仍由主模型负责。
agent-right-brain 是通过命令行工具 rawgenai 为智能体赋予创作能力的技能，可进行语音合成与识别、图像/视频/音乐/音效生成、多说话人对话及声音管理，支持多种服务商。
用于在真实 DeepSeek Harness（预览软件）加载与部署路径下创建、修订、校验或调试外部 Cordis/DSH 插件的技能，提供简易 Tool 快速脚手架与按能力分层的实现、测试和发布流程。
用于构建和维护统一的 README.md 与 AGENTS.md 文档：以 README.md 为唯一权威来源，AGENTS.md 作为其符号链接，面向人类与编码智能体提供可执行的操作指引。
mcp-builder 是一个用于创建高质量 MCP（Model Context Protocol）服务器的开发指南，帮助 LLM 通过设计良好的工具与外部服务交互。适合在构建、审查或测试 MCP 服务器时使用。
xberg-chunking 是 Xberg 的分块技能，用于把抽取文本切成适合 LLM 上下文窗口或 RAG 入库的片段，支持字符或按模型令牌计大小，并提供 text、markdown、yaml、semantic 四种切分策略。
xberg 的关键词抽取技能：用 YAKE/RAKE 从文档中提取关键词，并可检测文档语言、生成文本向量嵌入，用于 RAG 与检索场景。关键词抽取通过配置启用，无独立命令行开关。
用于排查 ROCK 沙箱中 Agent Job 的技能，支持 Harbor Job 与 Bash Job 两类。通过 rockcli 查询沙箱状态、定位 Job、读取配置与日志、分析 trial 与 reward，并输出落盘报告。
这是一个以 Ilya Sutskever 视角进行 AI 技术方向、安全策略和研究品味分析的思维顾问类技能。据资料介绍，该技能基于 12 段一手对话、9 篇学术论文、10 小时宣誓证词、27 篇推荐阅读清单和 14 个权威二手来源的调研，提炼出 6 个核心心智模型、8 条决策启发式和一套表达风格，激活后可直接以 Ilya 的身份回应问题。适用于用户希望「用 Ilya 的视角」讨论技术方向、安全策略与研究品味时使用。该技能强调先以搜索等工具核实事实，再基于真实信息给出方向性判断；对不确定的问题保留犹豫，对竞争敏感问题采用拒绝公式。具体功能边界以原始资料为准。
Codex Orchestrator 是一套面向 Claude Code 的编排技能，把 Claude 定位为战略编排者，把 Codex 智能体当作执行部队。它规定：凡涉及写改代码、研究代码库、调查文件、安全审计、测试、多步执行或需要文件访问的任务，默认都应派生 Codex 智能体执行，而非 Claude 自己动手。技能提供 codex-agent 命令行工具，支持 start、await-turn、status、capture、send 等命令，并内置 tmux、Bun、OpenAI Codex CLI 的安装脚本与健康检查。它强调用 --map 注入代码库地图、用 await-turn 实现回合感知、用约束块控制 Codex 的范围漂移，并给出从构思、研究、综合、PRD、实现、审查到测试的工厂式流水线。
run-codex-subagents 是一个用于通过已发布的 codex-worker CLI 编排 Codex 工作的技能。它适用于将编码、研究、验证或后续跟进任务委派给 Codex worker 的场景，覆盖文件驱动的任务派发、线程续跑、进度监控、阻塞请求应答以及失败恢复等流程。该技能只跟踪公开已安装版本暴露的命令面，不涉及未发布的仓库内部命令。使用时需先验证或安装 codex-worker，并通过 doctor 检查运行时健康状态；提示词以 .md 文件形式提供，任务派发后可借助 read、logs、wait 等命令查看状态与日志，线程进入 waiting_request 时通过 request 系列命令应答。
该技能围绕 HuggingFace Transformers 库展开，用于处理自然语言处理、计算机视觉、音频与多模态等机器学习任务。资料显示，它涵盖三条主要使用路径：一是通过 pipeline() API 快速推理，pipeline 封装了分词、模型调用与后处理，可用于文本分类、命名实体识别、问答、文本生成、图像分类等标准任务；二是通过 Trainer API 进行完整训练与微调，支持分布式训练、混合精度、梯度累积、学习率调度、检查点管理、超参数搜索及推送至 Hugging Face Hub；三是文本生成，支持贪心解码、束搜索、采样等多种解码策略与温度、top_k、top_p 等参数。技能还介绍了任务专用模型类、Auto 类自动选择架构、设备放置与量化等模型加载优化方式，并附有 scripts/ 示例脚本与 references/ 参考文档。安装命令为 pip install transformers datasets evaluate accelerate，GPU 支持需搭配带 CUDA 的 PyTorch 或 TensorFlow，框架以 PyTorch 为主，也支持 TensorFlow 与 JAX/Flax。
claude-hud 用于配置 Claude Code 状态栏，实时监控上下文窗口用量、会话成本与时长，并用阈值提示何时压缩上下文。适用于配置 statusline、监控上下文或显示 HUD。
Advanced Evaluation（LLM-as-a-Judge）是一项用于构建生产级 LLM 输出评估系统的技能，涵盖评估分类法、输出对比、评分标准（rúbrica）创建以及系统性偏差缓解。它提供直接评分（Direct Scoring）与成对比较（Pairwise Comparison）两种评估路径，并针对位置偏差、长度偏差和自我增强偏差给出 Swap 测试、显式指令、生成与评估模型分离等缓解手段。该技能适用于搭建自动化评估流水线、多模型输出 A/B 对比、统一团队质量标准以及调试不一致的评估系统，并可与上下文基础、工具设计和调试相关技能集成。
该技能介绍多智能体系统架构、编排模式、群体协作、交接与共识协议，用于突破单一上下文窗口的限制。资料说明其可设计并协调由多个语言模型实例（智能体）组成的系统，每个实例拥有独立上下文窗口，适合复杂度超出单一饱和上下文推理能力的任务。资料强调子智能体本质是上下文隔离单元，核心目的是对知识进行分区，以保持流程各步骤的高信号密度。资料还列出脆弱性与自主性、激活时机、三种架构模式（监督者/编排者、点对点/群体、分层）、在 Gemini Elite Core 中的实现模式（直接透传、并行研究群体）、相关集成（上下文优化、记忆系统、评估）以及内部参考文件。
面向智能体项目的开发方法论技能，覆盖从构思、Task-Model Fit 验证到流水线架构设计，强调以证据而非直觉自动化，适用于启动、评估或救援 LLM/智能体项目。