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
25,663 个结果
LiteLLM 是一个统一的 LLM API 调用工具，提供单一接口调用 100 多个大模型服务商，涵盖 OpenAI、Anthropic、Google Gemini、Mistral、Cohere、Azure、Bedrock、Ollama 等。开发者只需使用 OpenAI SDK 格式编写一次代码，通过修改模型字符串即可切换服务商，返回统一的 OpenAI 兼容响应格式。LiteLLM 还能以代理服务器形式运行，为团队提供负载均衡、自动故障转移、限流、费用追踪和 API 密钥管理能力。它支持 Python SDK 调用和代理模式，代理模式下任何语言的 OpenAI 客户端都可接入，支持流式输出。可通过 pip 安装，模型采用 provider/model 格式，环境变量可自动识别。
LM Studio Subagents 是一套使用 LM Studio 本地大模型承接 LLM 任务的方法与代码示例，目标是通过本地推理节省 API 成本并保持数据隐私。LM Studio 提供原生 REST API 和 OpenAI 兼容端点；其中原生 /api/v1/chat 支持输出 token、推理、上下文长度、流式与有状态续写等控制，长文任务建议优先使用。文档涵盖五类任务：把 LM Studio 配置为本地 API 服务器；用 Python 调用原生 v1 API；创建面向具体任务的子智能体（摘要、分类、实体抽取等）；用异步方式批量处理；以及本地与云端模型的成本对比与路由策略。适用场景为高并发、复杂度较低的任务，如摘要、信息抽取、分类和格式重排；复杂推理、代码生成更适合云端 API。文中的注意事项包括：LM Studio 默认一次只处理一个请求，批量任务并发设为 1-2；长文任务不要硬编码 512/1024/2048 等小输出上限；出现长度截断时应通过 previous_response_id 续写而非重发原文；分类、抽取等确定性任务使用 temperature=0.0；上下文长度与输出长度是两个独立限制；消费级硬件建议使用 Q4_K_M 或 Q5_K_M 量化模型，7B 模型约需 6 GB 内存（量化）或约 16 GB（全精度）。
MCP Server Builder 是一个用于构建 Model Context Protocol（MCP）服务器的技能，帮助把 AI 智能体连接到外部服务与数据源。当用户要求创建 MCP 服务器时，该技能会引导完成从定义用途、脚手架搭建、实现服务器、生成客户端配置到测试验证的完整流程，支持 TypeScript 与 Python 两种实现路径。它可以让服务器向 Claude、Cursor 等兼容 MCP 的客户端暴露工具（Tools）、资源（Resources）和提示模板（Prompts），并强调类型标注、输入校验、错误处理与部署配置等工程实践。
ONNX 是框架中立的机器学习模型文件格式，ONNX Runtime 是可在 CPU、GPU 等执行提供程序上运行模型的推理引擎。资料介绍其安装、PyTorch 与 Hugging Face 导出、推理、校验、量化及移动端最小构建等用法。
vLLM 是一个高吞吐量的大语言模型推理与服务引擎。它帮助开发者部署 Llama、Mistral、Qwen、Phi、Gemma 等开源模型，核心特性包括 PagedAttention 高效显存管理、连续批处理、多 GPU 张量并行、OpenAI 兼容 API 以及量化支持。据资料称，在生产级 LLM 服务场景下，其吞吐量可比 HuggingFace Transformers 高出 2-24 倍。vLLM 提供命令行服务部署、Docker 镜像、OpenAI 兼容客户端调用以及 Python 离线批量推理等多种使用方式，适合需要自托管开源模型并追求高并发、高吞吐的推理服务场景。
disciplined-research 是“有纪律的开发”方法论的第一阶段技能，专注于在设计或实现之前深入理解问题。它会梳理现有系统、识别约束、暴露风险，并产出一份研究文档，为后续决策提供依据。该技能强调五大原则：先理解、暴露未知、映射依赖、记录一切、聚焦关键少数；并引入 EXPLORE 阶段的本质主义检验，先回答三个问题（问题是否让我们有动力解决、解决它是否发挥我们的独特能力、是否满足重要且已验证的需求），若少于两个回答为“是”则应停止并重新审视必要性。研究过程涵盖问题理解、现有系统分析、约束识别和风险评估四部分，并要求按照固定模板输出研究文档，包含执行摘要、本质问题检验、问题陈述、现状分析、约束、关键少数、依赖、风险与未知、研究发现、建议和后续步骤等章节。同时提供代码考古、依赖分析和接口发现等研究技巧，例如使用 ripgrep 搜索、查看 git 日志、cargo tree 和 cargo audit 等命令。该技能还设定交付物和门禁标准：研究文档完成、各节填写完整、风险分类、获得人类批准、开放问题解决或延期，并需通过本质主义门禁和 90% 规则（是否为“绝对肯定”）。它明确限制：不做设计、不做实现、不做假设、时间盒限。完成研究后需请求 disciplined-quality-evaluation 技能评估，再进入第二阶段。
Local Knowledge 是 Terraphim 提供的一项技能，让 AI 编程智能体能够通过基于角色的搜索来检索开发者本地的个人笔记与文档。它把不同角色的智能体映射到不同的知识域：Terraphim Engineer 访问本地文档与知识图谱，Rust Engineer 访问本地笔记与 Query.rs API，Frontend Engineer 访问 GrepApp 的 GitHub 代码搜索。当用户询问自己笔记中的内容、需要此前记录过的领域模式，或问“我通常怎么做 X”时，可以调用该技能检索本地知识库。使用者通过 terraphim-agent 的 REPL 执行 /search、/role、/graph 等命令完成搜索与角色切换，并可借助知识图谱做语义与概念扩展。该技能需要先构建带 REPL 功能的 terraphim-agent，并通过 JSON 配置文件定义角色与 haystack（数据源）。如果智能体不可用，会优雅降级并提示改用通用知识。
ask-glm 是一个用于调用智谱 GLM-5.2 模型的技能（Skill），通过命令行工具 zai 在 Claude 之外获取互补的第二意见或大上下文分析。它的定位是补充而非替代 Claude：用于对非平凡方案做独立交叉验证，或读取 Claude 上下文窗口无法容纳的超长内容（最高约 100 万 token 的文件、日志、对话记录）。该技能通过 zai chat、zai websearch、zai vision 等子命令调用 GLM，支持快速问答、深度推理、文件分析与图像分析，并可结合内置的 Web 搜索能力进行有依据的网络检索。回合往返在主线之外完成，用户只需运行 CLI 并把精简结果转述回来。技能被描述为自我演化型：当 zai 参数、模型名称或端点发生变化时应立即修正技能文件与相关能力文档，并用 zai doctor / zai models 重新验证。
sfd-model-provider 是一个用于为 video-director 视频制作流水线配置 AI 服务商的技能。它涵盖视频生成与音频处理两类服务：视频生成可选 KIE、Wavespeed、Fal、Replicate、Higgsfield 五家，音频必须使用 ElevenLabs。技能会引导用户注册账号、获取 API 密钥并设置环境变量，同时说明各服务商适用的模型与场景，例如 KIE 的 Kling 3.0 Pro 适合口播内容，Veo 3.1 适合电影感与生活方式类素材。ElevenLabs 负责语音转文本（STT）校验与语音转语音（STS）音色统一。该技能强调 ElevenLabs 为必需项，视频服务商需询问用户偏好，默认推荐 KIE，并建议在服务商持续无法通过 QA 时更换服务商或模型。
一个用于把应用或网站部署到 Vercel 的技能，默认以预览（preview）方式部署，除非用户明确要求生产环境。它会先检查 git 远端、Vercel 链接状态与 CLI 登录情况，再选择 git push 或 vercel deploy 等路径，并在无法认证时使用免认证脚本返回预览与认领链接。
Minions Pattern 是一套面向软件工作的路由与编排模式，用于在 Claude Code 与 Codex 之间分配任务，同时平衡订阅配额，并让顶层宿主保持为“薄”的可问责编排者。其核心思路是把顶层宿主当作控制平面和最后手段的执行者，只保留用户意图、任务分解与路由决策、已验证证据的整合、不可逆操作（除非明确委派）以及最终问责；其余有边界的执行工作尽量委派出去，包括探索、草稿规划与架构分析、实现、测试与检查执行、对抗性审查。每个完整工作单元只设一个负责人。宿主只有在工作单元真正原子化、派发开销大于执行本身、所需工具/权限/对话上下文无法安全委派，或已耗尽文档化的重试与升级策略时，才可直接执行，并在路由台账中记录原因。默认采用深度为一层的委派，禁止工作单元再向外扩散，除非用户明确要求。该模式强调渐进式加载参考文档、向每个执行单元派发完整上下文、不把执行者摘要当作证据、由宿主独立核验关键产物与检查结果，并以紧凑的路由台账收尾。
该技能用于检查并确保站点地图覆盖所有可索引、使用规范 URL 的页面，属于前端 SEO 检查清单中的一条规则。适用于内容站、电商站等需要新页面被及时收录的网站，帮助排查新页面收录延迟问题。
用于在 GitHub 内委派工作的技能，涵盖 Copilot 云代理、自定义代理、Copilot 代码审查与 GitHub Agentic Workflows（gh-aw），并给出何时把任务交给代理、何时留在会话内处理的判断依据。
将 MCP 应用打包为 Microsoft 365 Copilot 声明式智能体的技能，涵盖远程 MCP 服务器前提、Widget 主机 CORS URL、OAuth 2.1 与 Entra SSO 重定向 URI、构建旁加载与 Copilot 渲染限制。
用于实现或调试 MCP Apps 扩展的技能，覆盖 ui:// 资源 URI、text/html;profile=mcp-app 的 mimeType，以及 _meta.ui 等字段。
mcp-ui-sdk 技能用于在 MCP 中构建交互式 UI 资源。它基于 @mcp-ui/server 的 createUIResource 提供 rawHtml、externalUrl、remoteDom 三种内容类型，并保留 tool、prompt、link、intent、notify 五种 UI 动作协议，可与 MCP Apps 共存。
用于在 Agent UI 协议或 SDK 之间迁移的技能：OpenAI Apps SDK 迁移到可移植 MCP Apps、mcp-ui 旧版 actions 迁移到 ui/* 桥接、MCP Apps 转 A2UI、为现有应用添加 AG-UI。核心是先建立适配层，再执行端口迁移。
Raytheon（RTX）国防与航空航天领域专家技能，模拟RTX高级管理层的视角，围绕任务就绪、供应链韧性与运营卓越提供权威指导。覆盖RTX三大业务板块——柯林斯宇航（航空电子、机舱、系统）、普惠（推进系统）与雷神（导弹防御、雷达、电子战），涉及综合防御系统、推进技术、导弹防御和航空航天制造等主题。资料显示其决策框架包含任务就绪优先、技术创新、项目执行与可持续增长四个维度，思考方式区分航空航天思维、国防思维与制造卓越。该技能可引用具体项目（如Patriot、NASAMS、F135、GTF）的当前状态、近期合同授予与生产里程碑，并提供技术深度与战略业务背景。适用于国防行业专业人士、政府项目办公室和航空航天工程师。资料来源为技能描述与系统提示，具体安装方式、价格与使用步骤暂未提供。
该技能面向自动驾驶仿真平台工程，覆盖 CARLA、SUMO、LGSVL、AirSim、Waymo Simulation、Apollo、NVIDIA DRIVE Sim 等仿真引擎，以及 ASAM OpenDRIVE 1.7、OpenSCENARIO 2.0、OpenLABEL 等场景标准。核心能力包括场景生成与场景库建设、LiDAR/相机/雷达/V2X 传感器模型验证、合成数据生成与域随机化、大规模场景回归测试流水线与 CI/CD 集成、场景覆盖率（SCI）与 VMT 等效里程等指标度量、sim-to-real 差距量化。适用于感知/规划/端到端栈的仿真验证、SOTIF/ISO 26262 安全证据构建、夜间回归与失败复现。明确不适用于完全替代实车测试、无 HiL 的 ASIL-D 验证或作为生产感知模型的唯一数据源。
该技能是一个面向无人机飞控工程的高级专家角色，覆盖飞控律设计（PID、LQR、MPC、INDI）、硬件集成（STM32、Pixhawk、基于 FPGA 的飞控系统）、多机型配置（固定翼、多旋翼、VTOL）以及 DO-178C/DO-254 适航认证等方向。它强调安全优先、量化不确定性、引用相关标准，并在性能优化前先考虑飞行安全影响。适用于飞控算法设计与调试、传感器融合（EKF/UKF）状态估计、飞控硬件选型与集成、飞行关键软硬件认证准备、GPS 拒止环境导航设计、飞行日志排故以及系统辨识试飞规划等场景。该技能不用于最终适航认证决策、动力系统设计、空域运行规划、机体结构设计或法规解释，这些需由相应专业人员处理。
agent-dbg 是一个命令行调试器，支持 Node.js（V8/CDP）、Bun（WebKit/JSC）以及通过 LLDB（DAP）调试原生代码（C/C++/Rust/Swift）。它以简短 @refs 引用变量、栈帧和断点，便于定位和处理程序缺陷。
本技能针对使用 stdio 传输的 MCP 服务器内部 Python 代码约定，重点解决三类问题：日志输出纪律、工具边界错误处理、以及面向 LLM 的 MCP 工具文档字符串规范。它指出 MCP stdio 规范要求服务器不得向 stdout 写入任何非 MCP 消息，因此服务器包代码中禁用裸 print()，所有日志应通过标准库 logging 显式配置写入 stderr，或交由 FastMCP 自带的 configure_logging()（其默认即写入 stderr）。在错误处理方面，技能建议在内部异常即将返回客户端时审慎决定暴露内容，可选择重新抛出为 fastmcp.exceptions.ToolError 并手写明确消息，或让普通异常直接抛出；并提醒 FastMCP 默认 mask_error_details=False 会包含完整异常细节。文档字符串方面，要求按 Anthropic 工具定义标准而非 PEP 257 编写，说明工具用途、与近邻工具的区别、使用与不适用场景、参数来源、响应形态，至少 3–4 句。适用于编写 MCP 服务器 Python 代码时参考。
Polite-MCP 系列是作者自用的一组购物与分类信息自动化仓库（olx-polite-mcp、emag-polite-mcp、altex-polite-mcp、freshful-polite-mcp、temu-polite-mcp）所遵循的智能体协作约定。其核心是针对「用户本人已登录的实时个人账号」这一高敏感场景，规定智能体的行为方式：在会话中第一次执行真实的、会改变状态的浏览器操作前（例如真正点击加入购物车，而非只读操作）必须先停下来征询确认，并把它表述为一次性的、范围明确的测试；后续同类操作在同一会话内无需重复确认。当工作流需要用户对多个小项目做独立决定时（如八件商品各要几件），应使用 AskUserQuestion 分批（约每批 4 个）提问并预填推荐默认值，而不是让用户一次性敲出整份答案；当页面是大量同质项目且各自有合理默认值时，采用带预填数量的表格、按索引回复是更轻的方式，行号跨页连续编号，执行不可逆操作前先回显一行解析结果，AskUserQuestion 仍负责页面级的下一步/完成步骤、首次实时变更确认以及含义模糊的回复。研究/探测阶段的发现（CDP 探索、API 探测、DOM 检查）应先写入仓库的 PLAN.md 再实现。该技能也可安装在其他环境阅读，但仓库名为作者所有。
Brainstorm First 是一个智能体技能（Agent Skill），用途是在正式实施之前先比较多个可行方案并给出推荐。当用户提出头脑风暴、需要从多个替代方案或 UI 概念中做选择，或希望先看清选项再决定时使用。它的核心理念是把不确定性转化为有用的决策：将各种做法与用户的真实目标和约束条件进行对照，并用具体证据对不切实际的请求提出质疑。该技能默认在主对话中运行，若需要通过子智能体委派工作，则要先获得对智能体数量和范围的明确批准，且只能在批准范围内复用；超出既定数量或范围时需重新询问。它会先检查已有材料、相关项目来源和权威文档，再区分观察、假设、偏好与未解决的选择；只有在缺失信息会妨碍有效比较时才提出聚焦性问题，否则会给出合理假设并继续比较。方案展示上，除用户指定数量外，通常给出三个真正不同且可行的方案，并说明每个方案如何实现目标、主要收益、成本、限制、前提条件以及可能改变决策的证据和不确定性，然后推荐其中一个并给出简短理由。该技能还强调尊重决策边界：当用户只是要选项时，应展示比较结果并等待，不直接实施；若用户已授权直接选择并实现，则说明选择理由并在该范围内继续。对于 UI 概念，会检查现有产品、参考资料、内容和设计系统，保持各概念在功能范围和内容上可比，同时变化有意义的视觉或交互选择。