moltbook
Moltbook 是面向 AI 智能体的社交网络技能，支持发帖、评论、投票、关注与创建社区（submolt），并提供语义搜索与个性化信息流。需先注册获取 API 密钥并由人类认领，所有请求须发往 https://www.moltbook.com。
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 11-05 00:16
智能体与模型
25,662 个结果
openai-docs-skill
通过 OpenAI Docs MCP 服务器用 CLI（curl/jq）查询 OpenAI 开发者文档。适用于涉及 OpenAI API（Responses、Chat 等）的任务，强调使用官方文档而非记忆或非官方来源。
opencode-acp-control
通过 Agent Client Protocol（ACP）直接控制 OpenCode 的技能，可启动会话、发送提示词、恢复历史对话，并管理 OpenCode 版本更新。
para-second-brain
para-second-brain 是一个用于为 AI 智能体构建本地"第二大脑"的技能，基于 PARA（Projects、Areas、Resources、Archive）方法组织知识，并通过符号链接技巧让整个笔记库可被语义搜索。
polymarket-signal-sniper
这是一个用于从自选信号源（默认 RSS 订阅）监控新闻并交易 Polymarket 预测市场的技能模板。具备仓位感知、反复交易检测、滑点估算等交易级保护，可自动匹配市场并执行交易，支持干跑与实盘。
game-changing-features
一个产品战略技能，用于寻找能使产品价值提升10倍的高杠杆机会和改进方向，输出会话文件而非聊天回复。
ov-github-actions-ci
面向 OpenVINO 仓库常规 GitHub Actions CI 的技能，用于编写、修改、调试和审阅 .github/workflows 下的验证与可复用工作流、自定义 action、CI 脚本、Dockerfile 及 Smart CI 配置，并给出固定的仓库约定与常见陷阱清单。
agent-blueprint
Agent Blueprint 是一个用于从零构建生产级 AI 智能体的技能。它基于生产级智能体系统（如 Claude Code）中提炼的模式，提供 5 阶段构建流程、多语言模板、核心组件实现参考和校验脚本，适合开发编码助手、研究智能体、任务自动化等。
apex-learn
APEX Learn 是一个用于智能体自我改进的技能，在完成任务后触发。它分析任务过程中的摩擦点，提取可复用的知识，并将新规则和偏好写入 AGENTS.md，使整个智能体团队随时间不断改进。核心机制是“两振规则”：同一类问题被纠正两次后，必须运行该技能添加永久规则，防止错误跨会话重复。工作流包括识别摩擦点、分类学习内容、起草规则、追加到 AGENTS.md、验证更新五步。学习内容分为代码风格、架构、工作流、边界、偏好、工具使用六类，分别写入 AGENTS.md 对应章节。规则需以祈使句形式书写，具体且可执行。
apex-tier2
APEX Tier 2 是 APEX 技能体系中的“引导式执行”层级：智能体自主完成复杂任务，但在预设检查点暂停，交由人工判断与确认后再继续，适合多文件、多阶段且需要人工决策的工作。
claude-agent-development
用于创建、配置和校验 Claude Code 专用子代理（subagent）的技能，涵盖 frontmatter 编写、工具与模型配置、触发描述撰写及质量检查清单。
claude-command-authoring
用于在 Claude Code 中创建自定义斜杠命令的技能，指导编写命令文件、使用 $ARGUMENTS 与参数、Bash 执行、文件引用和工具权限限制，并给出校验与排错方法。
claude-hook-authoring
用于编写 Claude Code 事件钩子的技能，覆盖 PreToolUse、PostToolUse 等事件，支持 prompt 与 command 两类钩子，实现自动化工作流、操作校验与事件响应。
skills-development
Skills Development 是一个用于创建、编写和校验 Agent Skills 的技能，遵循 Agent Skills 开放规范，该规范被 Claude Code、Cursor、VS Code、GitHub 等智能体产品支持。当用户提到“create skill”“new skill”“validate skill”或“SKILL.md”时触发。它提供从需求发现、原型选择、初始化、定制到校验的完整工作流，帮助生成结构规范、描述清晰、可被智能体正确激活的 SKILL.md 文件。
mishu
mishu（高冷秘书）是一个本地、低打扰的项目连续性助手，面向在多个兼容 Agent Skills 的主机间工作的用户。它维护老板画像、项目连续性与想法成长记录，默认只回复当前状态和一条下一步建议。
ai-governance-council
用于设计人类AI治理委员会的组织治理技能：搭建混合管理模式（管理委员会、董事会安全委员会、外部评审组）与升级路径，提供章程、决策权矩阵、利益冲突政策、事件升级流程和证据工件模板，并给出按风险分层的审批与上报规则。
llm-council-aggregation
LLM Council Aggregation 是面向多模型系统的聚合技能，用于把多个模型输出或评审判决合并为最终答案、分数或排名，同时处理投票、可靠性加权、配对位置偏差与分歧保留等问题。
llm-council-architecture
设计多模型 LLM 议会（council）的控制流骨架：阶段划分、并行扇出与顺序/辩论的取舍、停止规则，以及成员或主席失败时的降级处理。属于 paldom/llm-council-skills 技能集，专注流水线形状而非选模型、评分、提示词或成本。
llm-council-cost
用于降低已有多模型流水线（议会、集成、辩论或“每次请求调用 N 个模型”）的成本与延迟的技能，核心思路是“先路由、后议会”，让昂贵路径只在难题上触发。
llm-council-failure-modes
针对多模型评审会（辩论、评审团、裁判团等代理互见输出的流程）的失效模式防御技能，覆盖相关误差、迎合与群体思维、提示注入放大、治理表演四类问题，并指出常见但无效的修复方案。
llm-council-harness
llm-council-harness 是一个用纯 Python 实现的 LLM 议会编排技能，让 Claude Code、Codex CLI、Antigravity、Grok CLI 等无头编程代理以子进程方式作为议会成员独立作答，再由 boss 模型综合。只用标准库，含路由、子进程卫生、JSON 抽取与失败隔离。
llm-council-members
用于为 LLM 评审团挑选成员并设计角色：强调按供应商与训练谱系实现模型多样性，而非堆叠同一模型的多个角色；提供 3-5 人面板、认知透镜、角色到模型路由与匿名化建议。
llm-council-prompts
用于为 LLM 议会各阶段撰写提示词文本：顾问、同行评审与主席综合，另含可选反驳轮。核心目标是避免虚假多样性、非决策式回答和无法解析的评审，让各角色提示成为真正的认知约束。
llm-council-when
用于判断某个任务是否值得采用多模型审议（LLM 委员会），而非直接使用单一强模型。按任务难度、可分解性、错误代价与成员异构性四项条件做分诊，强调默认单模型与按需升级。