team-leader
team-leader 是一种任务分解模式，用于把复杂场景拆成 2–6 个互不重叠的子问题，并行启动多个子代理处理，再汇总为统一结果。它不是有效的 subagent_type，不能作为代理类型传入 Agent 工具。
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
25,666 个结果
zendesk
Zendesk CLI 与 MCP 工具技能，用于 Zendesk Support 工单管理、搜索、批量导出、用户、组织、知识库文章及 MCP 集成，支持 Markdown、JSON、JSONL 输出。
openrag_install
OpenRAG 安装技能：按官方文档规划并执行最小化安装，先检查已有安装，再编写 requirements.md 与 todo.md，逐步实现并本地验证，最终确认 http://localhost:3000 正常启动且 http://localhost:5001/docs 可访问。
show-system-prompt
该技能用于揭示 AI 编程智能体 CLI 实际运行时系统提示词，方法包括静态二进制检查、运行时网络/日志抓取和官方遥测功能。当前已实现 Claude Code 支持，Codex CLI、Gemini CLI、Aider 等尚在计划中。
configure-repo
configure-repo 是 Claude Code 的仓库配置编排技能，用一条命令把仓库配置提升到基线：生成 .claude/settings.json（权限与市场注册）、SessionStart 钩子和 scripts/install_pkgs.sh。
lwy-project-agent-writer
这是一个用于设计项目级智能体（agent）的技能：当用户想要创建、更新或设计项目级 agent（.agents/agents/*.md）时使用。它会先提取用户问题中的需求，分析项目的结构、约定与自动化缺口，确定智能体类型（如评估器、比较器、分析器、转换器、研究员、校验器），然后设计角色、输入、输出与约束。该技能强调在生成任何文件前必须通过 AskUserQuestion 与用户确认，确认后再生成 agent 文件。它只负责项目范围内的 agent 设计，安装技能、创建技能、创建规则等其他任务会转交给对应技能。
lwy-project-rules-writer
用于为具体项目创建或更新项目级 AI 规则（写入 .agents/rules/*.md）的技能，先分析项目、设计规则并经用户确认后再生成，避免通用化规则。
lwy-project-skill-writer
该技能用于在用户需要创建、更新或设计项目级技能（.agents/skills/*/SKILL.md）时，把用户的问题描述转换成可运行的技能。其设计理念是：用户通常并不了解“技能”是什么，也不知道如何描述一个技能，他们只知道自己的问题；本技能负责将问题描述转化为可运行的技能。它遵循与 project-agent-writer / project-skill-installer / project-rules-writer 共享的 5 条写作者准则（理解 → 分析 → 确认 → 项目相对路径 → 验证）。适用场景包括：用户描述反复出现的烦恼或手工任务、明确说“创建一个技能”、描述可标准化的工作流等；不适用场景包括：用户想要的是 agent、安装已有技能、规则而非技能，或没有复用价值的一次性请求。前置条件为 Node.js >= 18，且目标项目存在可写目录（默认 .agents/skills/）。工作流分为六个层级：L1 问题理解、L2 项目分析（并行子代理）、L3 技能设计、L4 用户确认、L5 生成、L6 质量验证，最终产出问题理解、方案设计、交付物与使用指南四部分。
project-rules-writer
Project Rules Writer 是一个用于为具体项目创建或更新 AI 规则文件的技能，规则写入 .agents/rules/*.md，用于约束 AI 行为。它先分析项目、设计规则并经用户确认后再生成，支持 always-apply、file-specific、smart、manual 四种应用模式。
ai-planning
用于在动手开发前规划多阶段 AI 功能的技能：根据 PRD 或项目想法确定执行顺序、各阶段应使用的技能与依赖关系，并给出分阶段路线图。
ai-watching-optimization
在 DSPy 的 optimizer.compile() 运行期间观察优化过程，避免盲目等待。可按优化器类型选择内置统计、回调、inspect_history、GEPA 日志面板、LangWatch 或 MLflow，查看分数、指令演化、成本与收敛情况。
fleetops
FleetOps 是面向多智能体集群的集中式状态存储与日志工具，用共享 SQLite 数据库统一记录各智能体的唤醒、事件、产物与日志，替代手工检索各智能体 journal.md 的旧流程。
mcp-builder
mcp-builder 是一个用于创建高质量 MCP（Model Context Protocol）服务器的开发指南技能。MCP 服务器通过设计良好的工具，让 LLM 能够与外部服务和 API 交互。该技能强调以智能体为中心的设计原则，包括围绕工作流而非单纯 API 端点构建工具、优化有限的上下文窗口、设计可操作的错误信息、遵循自然任务划分，并采用评估驱动开发。整个流程分为四个阶段：深度研究与规划、实现、审查与优化、创建评估。它提供 Python 和 Node/TypeScript 两种实现路径，涉及 MCP 协议文档、SDK 文档、语言特定实现指南和评估指南等参考资料。
silicon-doppelganger
Silicon Doppelganger 是一套用于构建高保真个人代理（数字孪生）的方法，通过结构化人格提取与心理测量编码，生成可作为 PAIRL Conductor 系统中“辐条”的代理，代表本人进行任务协商与过滤。
language-coach
language-coach 是一个面向每次提示的语言教练技能，通过 /language-coach 命令及其子命令配置母语、目标语言、目标、风格与响应语言，并调用捆绑的 Python CLI 脚本管理配置、进度与词汇重点。
to-spec-plus
to-spec-plus 是一个面向 AI 编码代理的规格撰写技能，用于将当前对话上下文与代码库理解综合成一份规格文档（PRD），并发布到项目的 issue 追踪器。它不重新访谈用户，而是承接此前讨论（通常来自 grill-me-plus 会话）的结论，明确哪些决策已定、哪些仍需确认，并据此写出问题陈述、解决方案、用户故事、实现决策、测试决策、范围外内容等章节，形成可进入切票与开发环节的规格。
to-tickets-plus
to-tickets-plus 是一个面向智能体工作流的任务拆解技能，用于把计划、规格文档或当前对话拆成“曳光弹式”垂直切片工单，并显式标注阻塞关系。它先收集对话与引用文档上下文，探索代码库并寻找预重构机会，再把工作切成每条都能独立演示或验证、适合单个智能体会话完成的垂直切片，最后经用户逐项审阅批准后发布到 Linear、GitHub Issues 或本地 Markdown。该技能处于 decide → spec → slice → build 流水线的第 3 步，介于 to-spec-plus 与 implement-plus 之间。
wayfinder-plus
Wayfinder Plus 是一个面向多会话协作的规划技能，用于处理超出单次智能体会话规模的工作。它把尚未看清路径的大想法，绘制成项目 issue 跟踪器（GitHub、Linear 或本地 markdown）上的决策工单地图，通过逐个解决决策工单来打通通往目标的路线。核心原则是“规划而非执行”：每张工单解决一个决策，地图完成时表示所有决策已定、可交由后续流程。
harness-engineering
面向 AI Agent 协作项目的 Harness Engineering 技能：通过 5 层 .harness/ 目录与渐进式阶段清单，为项目搭建上下文架构、架构约束、反馈传感器、持久记忆与熵管理，让 Agent 行为可约束、可验证、可纠正。
handoff
handoff 是一个用于把当前对话压缩成交接文档的技能，便于另一个智能体接手继续工作。文档保存到操作系统临时目录而非当前工作区，并包含建议调用的技能列表。
Funai-skill
Funai-skill 是面向橙星梦工厂（ai.fun.tv）AI 漫剧制作平台的 Agent 技能，让智能体通过对话式操作调用平台 API 完成漫剧制作全流程。用户可创建项目、提交剧本、提取角色、生成分镜图、配置成片并合成视频，也可查询任务状态。技能强调按实时接口选项创建项目（画面比例与风格须由用户选择），需分层检查项目级步骤与章节级隐藏任务状态后再推进，并提供版本自检、Token 配置脚本与完整自检示例。适用于通过对话完成 AI 漫剧项目创建与推进、角色形象修改、单场景图转视频及成片合成的场景。当前为内测版，使用前需获取 Token 并配置环境变量；部分生图、转视频操作会消耗梦想值，需用户确认。
proactive-agent
Proactive Agent（主动式智能体）是 Hal Labs 推出的 Hal Stack 组件，用于把 AI 智能体从被动执行任务的角色，转变为能够主动预判需求并持续自我改进的协作伙伴。当前版本为 v3.1.0，在前一版本的基础上加入了自主式与提示式定时任务的区分、验证实现而非意图、工具迁移检查清单等新内容。这套架构围绕主动、持久、自我改进三大支柱，提供 WAL 预写日志协议、工作缓冲区、压缩恢复、统一搜索、安全加固、坚持不懈的资源利用能力以及自我改进护栏等机制。它面向基于工作区文件运行的智能体，通过一组 Markdown 文件（AGENTS.md、SOUL.md、USER.md、MEMORY.md 等）定义规则、身份与记忆，配合安全审计脚本使用。
proactive-agent
Proactive Agent 是 Hal Labs 推出的主动型、可自我改进的 AI 智能体架构，通过记忆分层、WAL 协议、工作缓冲与压缩恢复实现上下文持久，并强调安全加固、无止境资源性与自我进化护栏；支持反向提示与心跳自检机制。
llm-provider-usage-statistics
面向 OpenAI、Anthropic、Gemini 的 LLM 令牌用量统计参考指南，说明各提供商 input_tokens 语义、缓存令牌字段、前缀缓存启用方式与推理令牌字段差异，用于排查令牌计数和优化前缀缓存。