yzr-llm-workspace-management
面向本地多 LLM wiki 工作区的跨 wiki 管理技能：从 workspace 全局视角执行跨 wiki 扫描与索引、路由问答、综合与对比、跨 wiki 交叉引用、workspace 级 lint 及骨架升级，单 wiki 的 ingest/query/lint 仍委托 yzr-llm-wiki-management。
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
25,663 个结果
agent-skills-authoring
用于指导智能体创建、校验和优化 Agent Skills（SKILL.md 文件）的权威参考，覆盖六个标准 frontmatter 字段、目录结构、正文写法、质量模式、反模式、安全与测试，以及多平台使用方式，帮助产出可被消费型智能体发现、激活并有效应用的技能。
wallet-trading
基于 zerion CLI 的加密代币交易技能，支持在 14 条链上兑换、跨链桥接、转账及钱包与代理策略管理，可搜索代币、查看余额、分析钱包活动。代理可自动执行交易命令，创建钱包和代理令牌等需交互输入的操作须由用户手动完成。
auto-evolution
Auto-Evolution 是面向 Agent Skills 的记忆驱动自进化层，用于把静态的 Agent 助手转变为随每次交互不断学习的系统。它通过 Hooks 在后台静默捕获使用模式：记录了哪些技能被使用、哪些命令成功或失败、哪些模式反复出现，并在此基础上学习与生成可复用知识。其核心是三层记忆系统（情节记忆保留原始事件约7天、语义记忆保留模式约30天、程序性记忆永久保存可用的技能草稿）以及「捕获—分析—进化」的进化循环。提供 /retrospective 会话复盘、/evolve 知识提升为技能、/dashboard 可视化报告等命令，并带有从「检测—草稿—验证—晋升」的技能质量门禁。配置项可调节记忆保留时长、模式阈值、忽略与强制捕获规则、自动草稿等。集成方式为将 evolution 目录复制到 .claude/skills/ 并在 settings.json 中启用 PreToolUse、PostToolUse、Stop 等 Hooks。
pragmatic-code-review
Pragmatic Code Review 是一个按用户指定严格级别（L1–L5）审查所选代码并报告已确认违规的技能。它会给出代码证据、后果与严重度，并在完成审计式复核后才输出最终报告；缺少范围时先询问用户。
goal-compile
Goal Compile 是 agent-completion-gate 的目标优先入口：用户用自然语言提出多步或长期目标后，由代理将其编译为可验收标准，先经用户确认，再执行并通过外部 gate 判定完成。
facial-expression-prompting
一个用于指导角色面部表演并生成完整AI视频提示词的中文技能，适用于文生视频模型。可按完整视频、表演块、分析优化三种模式，依据“触发→目标→阻碍→保护策略→识别→抵抗→泄露→顶点→余韵”因果链展开，输出含时长、角色、场景、镜头、灯光、时间线与音频的可复制提示词。
dispatching-parallel-agents
一个面向多代理调试与修复的技能：当存在两个以上彼此独立、无需共享状态或顺序依赖的任务时，按问题域为每个任务调度一名代理并行处理，并统一审查与整合结果。
subagent-driven-development
一个在执行实现计划时使用的技能：为每个任务派遣新的子代理，任务后经规格合规与代码质量两阶段审查，适用于任务较为独立并在当前会话内执行计划的场景。
build-zoom-meeting-sdk-app
Zoom Meeting SDK 参考技能，用于在 Web、移动端、桌面端及 Linux 无头环境中嵌入真实 Zoom 会议。需先完成路由，再按平台查阅实现细节，涉及 SDK 签名与加入调用。
consult
consult 是一个用于在关键实现决策上咨询独立高能力模型的技能。它把外部模型当作独立顾问，但最终方案、实现与验证仍由调用方自己负责。其核心价值在于“独立性”而非“能力”：顾问模型不携带你此前的推理记忆，因此当你自身运行时能力较弱，或已锚定某个答案而难以跳出时最有价值。工作流程要求先自行检查任务、相关代码、仓库指引与运行时证据，再隔离出一个关键决策，构建决策包（question、context、desired_output 为必填，constraints、options、decision_criteria、uncertainties 可选），选择最小必要文件或目录，通过绝对路径运行 scripts/consult.py，并设置 --workspace 与 --context。结果以 JSON 输出，status 可为 ok、dry_run、bad_output、self_test_ok、self_test_failed、infra_failure。付费咨询需显式授权 --allow-paid，调用次数上限为一次决策调用加至多一次扩展调用。顾问以只读方式运行，无 shell、写入、MCP、网络等工具。
erc8004-agent-layer
ERC-8004 Agent Layer 是一个用于在 Intuition 网络上构建和校验 ERC-8004 合作伙伴集成的语义规划技能。它被定位为一个狭窄的规划器，而非执行代理，专注于生成确定性的语义计划。该技能在初始阶段只进行语义规划：运行规范规划命令、将未修改的 JSON 保存到规范结果文件，并返回路径和简要说明后立即停止。它不会加载核心 intuition 技能，不调用 pinThing 或任何写入操作，不查询写入成本、不预览写入、不解析或铸造原子、不计算写入 calldata、不准备未签名交易、不检查钱包密钥、不签名、不广播。该技能强调将请求的网络视为计划数据而非写入授权，并设置了严格的审批阶梯和不可协商的不变量，如仅使用精确的共享词汇 ID、运行规范的实时预检、不信任调用方提供的数据等。适用于需要为 ERC-8004 合作伙伴集成生成规范语义计划的场景，要求用户提供完整的合作伙伴清单并通过唯一的支持命令生成计划。
binance-wallet-multi
binance-wallet-multi 是一个用于配置和验证多个币安 Agentic Wallet（baw）会话的技能。它先登记并保留原有的 1 号钱包，再按编号新增其他钱包，逐个完成登录、验证与地址确认，并可为专门的“钱包 Bot”准备持久交接内容。适合需要在同一台机器上分编号管理多个 bw 钱包的本地运行环境。
prompt-mechanics
Prompt Mechanics 是一个用于工程化编写提示词的方法型技能，面向系统提示词、智能体指令集、技能、工具使用策略、CLAUDE.md 及长规则块等会被 LLM 当作指令执行的文本。它主张用「机制」而非「感觉」来改写提示词：每次修改都要说明其生效的机制，并针对该机制进行验证，而不是依赖模型自述或主观感受。技能包含一套固定方法（读取产物在目标运行环境中的实际接收方式、找出机制错配、每次只改一处并命名机制、按机制验证、检查跨文件一致性）以及一组命名技巧目录，如祈使式开头、受控术语表、黄金示例、双向映射、拆分复合规则、过程监督门、可问责例外、删除测试、中段放置、BAD/GOOD 对比、近因强制、探索倾向等，并标注每个机制的成熟度（established 或 bet）。适用于提示词的新写与修订，不适用于面向人类的普通文章、文档或代码。
ollama
Ollama 是一款用于在本地运行大语言模型的工具，提供模型管理、REST API 调用以及多种语言与框架的集成方式。资料介绍了在 macOS、Linux、Windows 上的安装方法，启动本地服务（默认监听 http://localhost:11434），以及模型的拉取、运行、列表、查看详情、复制别名、删除和查看运行状态等管理命令。它支持交互式聊天、一次性生成管道输入，以及 /api/generate、/api/chat、/api/embed 等 REST 接口，并可通过 Modelfile 定义自定义模型，设置系统提示词和温度、上下文窗口、top_p、top_k、重复惩罚、停止序列、GPU 层数等参数。Ollama 可自动检测 NVIDIA、AMD、Apple Silicon GPU，也支持强制 CPU 运行、多 GPU 配置和部分层卸载。资料还列出常用模型及其适用场景、面向 RAG 的嵌入模型、Python 与 JavaScript 的调用方式、LangChain 集成、多模态图像理解，以及上下文大小、批大小、模型驻留时间、服务化运行和环境变量等性能与部署相关说明。
planning-with-files
planning-with-files 是一个面向复杂任务的技能，采用 Manus 风格的“基于文件的规划”方式，把持久化的 markdown 文件当作磁盘上的工作记忆。它会为任务创建 task_plan.md、findings.md 和 progress.md 三个文件，分别用于阶段与决策追踪、研究发现记录以及会话日志与测试结果记录。核心思路是把上下文窗口视为易失且有限的 RAM，把文件系统视为持久且近乎无限的磁盘，凡重要信息都写入磁盘。适用于多步骤任务、研究任务、项目构建等需要组织与追踪的场景，简单问题或单文件修改可跳过。
a2a
a2a 是 openagent.5dive.ai/feed 上的智能体社交协议命令行工具，让 AI 智能体能阅读、回复、关注、发帖和私信。每条帖子都由智能体用自身密钥签名。
skill-creator
Skill Creator 是一个用于创建和更新 Claude 技能（Skill）的指导型技能。它提供创建有效技能的完整方法论，包括技能结构说明、核心设计原则、渐进式披露设计模式以及从理解需求、规划内容、初始化、编辑到打包的完整创建流程。适用于用户希望创建新技能或更新现有技能以扩展 Claude 能力的场景。
cost-aware-llm-pipeline
Cost-Aware LLM Pipeline 是一套用于控制 LLM API 成本的模式集合，将模型路由、预算追踪、重试逻辑与提示缓存组合成可复用的流水线。它根据任务复杂度自动选择更便宜的模型，为简单任务保留低成本模型、为复杂任务保留高成本模型；通过不可变数据结构累计花费并设置预算上限；仅对瞬时错误进行重试，对认证或请求错误快速失败；并缓存较长的系统提示以避免每次请求重复发送。适用于调用 Claude、GPT 等 LLM API 的应用、批量处理流水线、多模型架构以及需要预算护栏的生产系统。
model-business-processes
该技能用于对可执行业务流程进行建模与校验，重点是在描述自动化如何执行之前，先明确业务操作的含义，并把每个副作用、身份门禁、终态和失败分支都显式表达出来。它适合梳理工作流地图、状态机、编排、身份校验、dry-run 规则、副作用与失败处理等场景。技能要求先界定流程边界（名称、角色、触发条件、目标、起止状态、包含系统、排除决策、成功指标），再收集需求、代码、配置、测试、日志、数据库状态、UI 行为与操作说明等证据，并以分层方式区分业务决策、编排、平台自动化、持久化、外部投影与人工审批。它强调门禁先于副作用、区分个体失败与批次停止、重试需重新获取状态并保持幂等、只持久化有证据支持的结果、人工审批必须显式等不变量，并交付流程规格、可视化、决策表、原因码、状态影响与验收矩阵。
verification-before-completion
这是一个面向 AI 编码智能体的行为规范技能，核心原则是“先证据，后声明”。它要求在任何宣称任务完成、成功或正确之前，必须先运行完整的验证命令并读取真实输出，否则不得下结论。技能定义了“铁律”：没有新鲜的验证证据，就不允许声称完成；并给出“门控函数”五步流程：确定能证明结论的命令、执行完整命令、读取全部输出并检查退出码与失败数、判断输出是否支持结论、最后才作出声明。它列举了常见失败（如用“应该能通过”替代真实测试、用局部检查代替完整验证、轻信子智能体的成功报告）以及危险信号（使用“应该”“大概”“似乎”、在验证前表达满意、未经验证就提交或创建 PR 等），并提供反合理化对照表。适用于测试、回归测试、构建、需求核对和智能体委派等场景，也可用于提交代码、进入下一任务之前的自检。
workflow-automation
Workflow Automation 是一个面向 AI 智能体工作流自动化的技能，定位为让 AI 智能体可靠运行的基础设施。其核心主张是：没有持久化执行（durable execution），一个十步支付流程中出现的网络抖动就可能导致任务丢失。该技能以“工作流自动化架构师”的视角，帮助使用者在不同平台之间做出取舍——n8n 易用但牺牲性能，Temporal 正确但复杂，Inngest 在开发者体验与可靠性之间取得平衡，强调不存在“最好”，只有“最适合你的场景”。内容涵盖工作流编排、持久化执行、事件驱动工作流、Step Functions、任务队列、后台任务与定时任务等能力，并给出顺序工作流、并行工作流、编排器-工作者等模式，以及反模式与常见陷阱（如支付流程缺少持久化执行、单体工作流、缺少可观测性、缺少幂等键、缺少超时与指数退避等）。
kasetto
Kasetto 是一个声明式的 AI 智能体环境管理器，用于在一个或多个受支持的智能体之间同步技能（skills）与 MCP 配置。它通过 kst 命令行工具和 kasetto.yaml 配置文件工作，支持安装、配置、同步、检查、清理、升级、卸载等操作，并可针对 Codex、Cursor、Claude Code、OpenCode、Copilot、Gemini CLI、Windsurf 等智能体预设进行配置。该技能帮助用户找到正确的 kst 命令、参数或配置写法，创建或调试 kasetto.yaml，处理私有 git 主机的认证，以及理解非交互式输出和版本相关行为。
skill-scout
Skill Scout 是一个用于为 AI 智能体当前所在项目自动发现、研究并配置专业技能的工作流。它面向的是用户正在开发的活动项目根目录，而不是分发该技能的仓库本身。当用户请求“侦察、查找、推荐、安装或更新项目专用技能”时，Skill Scout 是规范的工作流，不应绕道使用其他 scout-skills 命令。其核心原则包括：优先依据证据而非猜测；优先少量高影响力的技能而非庞大的通用技能包；优先选择官方维护、流行且可审计来源的技能；在语言、框架、DevOps、平台和工作流类技能与通用设计或宽泛技能包同时适用时，优先前者；将 star 数和近期活跃度视为软信任信号而非硬性门槛；将市场视为发现渠道而非自动信任来源。它只写入符合 Kasetto 规范的 Git 或本地来源，并且在用户明确要求前从不执行真正的同步或安装。工作流程依次为：确认目标项目根目录、通过清单与框架配置构建设项目技术清单、按 P0 到 P3 对技术排序、对 P0/P1 技术进行在线技能研究、制定最小的 Kasetto 配置补丁并保留现有有效内容、最后仅运行安全校验（如 kst sync --dry-run）。支持子智能体时将分配项目清单、技能研究、规划与校验等角色，否则按顺序串行执行。最终需报告目标项目根目录、检测到的 P0/P1 技术及证据路径、新增技能、被拒绝或推迟的候选及原因、校验结果以及假设或限制。