setup-zoom-mcp
面向 Claude 的 Zoom MCP 配置规划技能，用于判断何时使用 Zoom MCP、何时采用 REST API 与 MCP 的混合架构，并生成安全的接入方案，涵盖认证方式、作用域与传输假设等要点。
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
setup-zoom-websockets
Zoom WebSockets 设置参考技能：在需要低延迟、持久连接或更强安全性时，用 WebSocket 订阅替代 Webhook 接收 Zoom 事件。涵盖 S2S OAuth 配置、连接示例、心跳与重连、单连接限制及常见问题排查。
roles
面向子代理委派的职责型契约技能，把可委派工作拆成 inspector、executor、verifier 三类角色，规定 brief 字段、并行与串行边界，以及 verifier 的 security / performance / architecture 专项审查视角。
cache-guard
Cache Guard 是一个用于防止提示词缓存抖动（prompt-cache thrash）和 token 过度消耗的技能，尤其针对长时间或图片密集的智能体会话。其核心机制是：提示词缓存按 tools → system → messages 三层做前缀匹配，缓存读取价格为基准输入价的 0.1 倍，写入为 1.25 倍，两者相差 12.5 倍。请求中只要出现任何图片，就会使整个 messages 层缓存失效，下一次调用需按 1.25 倍写入价重写全部对话历史，重写成本等于当前上下文大小。据其说明，在一次 80 万 token 的会话中，看一眼截图约等于 80 万缓存写入 token，而图片本身仅约 1–2k token；生产环境测量显示某会话 91% 的成本来自图片触发的重写，图片本身仅占 token 的 0.13%。其他触发全量重写的情况包括缓存 TTL 过期（空闲超过 5 分钟）、切换模型、会话中途变更工具集或 MCP、编辑较早的历史记录。该技能提供六条规则：批量读取图片为单条消息、看图后立即记录结论不再重读、将视觉任务委托给子代理、必须内联读取时尽早读取、避免把批量数据放入上下文、长时运行代理的会话卫生习惯，并附带决策表和用于审计历史会话的脚本命令。
multi-bot
multi-bot 是 GolemBot 多实例协作技能，用于在同一 fleet 中的多个 GolemBot 实例之间协调群聊回复。网关会向群聊上下文注入 [Peers: ...] 信息，让每个机器人知道同群还有哪些同伴及其专长。该技能定义了何时应答、何时 [PASS]、如何避免重复内容，并支持通过 HTTP API 直接调用同伴机器人（/chat 提问、/health 检查状态、/api/fleet 发现实例），同时给出同伴不可用时的错误处理与回退方式。
user-onboarding
OpenAnalyst 的用户引导（User Onboarding）流程：首次使用的用户必须先完成该引导才能进入主界面。引导以对话形式进行，模拟与真实问责教练（accountability coach）交流，分四个阶段收集用户身份、日程与可用时间、动机与问责风格偏好、当前最大目标等信息，并将结构化数据保存为 Markdown 文件，完成后解锁完整 UI。
yanchufasui
言出法随（yanchufasui）是一个个人 Skill，定位为「王冕驱动的产品分身」。它通过口令唤醒，激活后先只读瘦启动卡 boot.md 以提速，再按题型升档读取习惯、法眼等资料。主要能力包括：按本尊习惯产出需求与 UI/UX、原型落地、自我介绍、内嵌「法眼如炬」裁决、冲突驳回、闭环五件套（闭环/缺口/优化/可行性/更好办法）、租赁主链定版、文案词典（审批→审核）、听众角色门禁、表格统一导出 Excel .xlsx、Codex MD、拉式反问与五维沉淀协议、G1+G2 协议、业务总控调度口径、发版受控自动化评估，以及项目经理角色下的版本裁决、云效只读进展与延期归因。使用方式为通过中文口令「言出法随」、$言出法随、/言出法随 或 $yanchufasui、/yanchufasui 唤醒，旧口令 $wangmian-twin 已退役。激活后打招呼、对非本尊询问听众角色，再按角色分流办事。需求与原型可直接落地，云效建单等写操作须先确认。限制包括：未喊口令不启用、不偷换人格；不做 always-on Rule；不偷偷建云效单；不为需求/原型反复征求假门禁；不编造姓名或角色；不改写本尊全局 User Rule。
simmer-generator
Simmer Generator 是 simmer 项目下的生成器子技能，用于根据上一轮评审（judge）给出的 ASI 反馈，产出改进版工件（artifact）。它支持单文件与工作区（workspace）两种目标模式：单文件模式下针对 ASI 指出的最高杠杆改进点做定向修改并输出完整工件；工作区模式下按 ASI 描述的战略方向，跨多个文件协同执行改动。该技能不接收历史评分或旧候选，而是依据 ASI 文本工作，强调保留有效部分、避免无关改动，并在昂贵运行前做验证。
simmer-judge
simmer-judge 是 simmer 项目下的评审子技能（subskill），用于对候选产物（candidate artifact）按用户自定义的评分标准进行 1-10 分打分，并给出 ASI（最高杠杆方向，即下一轮最值得推进的改进方向）。它支持三种评估模式：纯评审（judge-only）、可运行评估（runnable）和混合模式（hybrid），可结合评估器输出（测试结果、指标、日志等）进行判断。评分采用整数制，并计算综合分（保留一位小数）。其输出格式固定，供编排器与 reflect 子技能解析。
simmer-reflect
simmer-reflect 是 simmer 工具的反思子技能（Reflect subskill），其核心职责是记录迭代结果、追踪最佳候选、处理回归回滚，并将 ASI（判定反馈）传递给下一轮生成。它接收完整的评分历史、当前迭代编号与上限、最新判定输出（评分与 ASI）、生成器报告以及产物类型（单文件或工作区）等信息。该子技能通过维护 trajectory.md 评分表格记录每次迭代的评分与关键改动，比较本轮与历史最佳来确定当前最优候选（若有主准则则以主准则优先、复合分数为次级比较依据），在检测到回归时提示编排器将最佳候选而非最新候选作为下一轮生成输入，并在工作区模式下追踪探索状态和稳定有效项。其输出包含迭代记录、最佳候选、回归标记、剩余迭代、下一轮 ASI、探索状态以及稳定有效/无效项清单。该技能主要用于需要多轮迭代优化的场景，通过清晰的评分轨迹和反馈传递帮助生成器持续改进。
simmer-setup
simmer-setup 是 simmer 的安装配置子技能，用于在精炼循环开始前完成评估契约与搜索空间的推断。它遵循“先检查、再推断、后提议、最后确认”的原则：先识别并读取用户提供的文件、粘贴内容或工作区，判断产物类型（单文件或工作区）与模式（from-file、from-paste、from-workspace、seedless），再推断问题类别（文本/创意、代码/可测试、流水线/工程），据此提出评估标准、评估器、输出契约、验证命令、搜索空间、背景约束、评审模式与迭代次数等。若用户初始提示与检查结果已覆盖全部字段，则跳过提议直接输出 setup brief；否则以单条消息给出完整评估供用户确认、调整或覆盖。最终产出固定格式的 setup brief，交由编排器驱动后续生成与评审，本技能本身不执行生成或评审。
zero-human-dev-team
这是一套用于运行 AI 编码代理团队的详细规则集，涵盖任务管理、代码编写、测试、审查、发布、备份及人机协作等方面。规则源自实际运行经验，强调每个代理仅通过共享任务板沟通，代码变更必须经过拉取请求与测试，并规定了严格的审查、发布与安全流程，旨在实现无需人工干预的自动化开发团队。
agent-browser
agent-browser 是一个面向 AI 智能体的浏览器自动化命令行工具（CLI），用于让智能体与网站进行交互。它采用「导航—快照—交互—重新快照」的核心工作流：先用 open 打开页面，再用 snapshot -i 获取带引用编号（如 @e1、@e2）的可交互元素，随后通过引用执行点击、填写、选择等操作，页面变化后重新快照获取新引用。工具支持表单提交、登录状态持久化、数据提取、并行会话、可视化调试、本地文件（PDF/HTML）访问以及 iOS 模拟器上的移动 Safari 自动化。命令涵盖导航、快照、交互、信息获取、等待、截图与 PDF 导出等，并提供语义定位器作为引用的替代方案。
mnemonics
Mnemonics 是一套通过 @historian 子智能体实现的持久记忆管理方案，用于在多次对话之间存储、检索和管理记忆。它提供 memory_remember、memory_recall、memory_forget、memory_list_types、memory_sync 等工具，但这些工具只能通过 @historian 子智能体调用，不能直接使用。记忆以 Markdown 文件形式保存在 .mnemonics/{type}/{title}.md 中，带有 YAML frontmatter，并通过 qmd（BM25 与向量混合搜索）自动建立索引。支持多种记忆类型，包括架构决策、设计决策、经验教训、用户偏好、项目偏好、已知问题、通用上下文、可复用模式和编码规范等，项目还可通过配置自定义记忆类型。适用于需要跨会话保留决策、偏好、问题和模式的开发协作场景。
skill-creator
Skill Creator 是一个用于创建新技能、迭代改进现有技能并衡量技能表现的工具型技能。它可以引导用户从零开始定义技能目标、撰写 SKILL.md 草稿、设计测试用例，并通过运行对比实验与量化评估来验证和改进技能效果。适用于用户想要创建技能、编辑或优化技能，或需要评估技能触发与输出表现的场景。
revid
Revid 是一个用于执行和自动化 Revid API V2 的技能，内置 token 安全的参考文档加载机制。它适用于在 Codex 中通过 Bash/curl 调用 revid.ai 接口的场景，提供预构建的 API markdown 参考文档和封装脚本，帮助快速运行 Revid API 流程。使用时先阅读 references/revid-api-reference.md 了解端点行为与请求结构，再通过 scripts/revid_api.sh 执行调用，避免手写一次性 curl 命令。支持项目查询、状态查询、渲染等命令，需通过 REVID_API_KEY 环境变量提供密钥。
anti-drift
Anti-Drift 是 a5c-ai/babysitter 项目下的一个技能，用于多智能体协作场景中的层级协调与漂移检测。它通过频繁检查点、共享内存一致性校验、角色专精约束和短任务周期等机制，防止智能体在执行过程中偏离既定目标或出现范围蔓延。该技能适用于范围蔓延风险高、多个智能体协作处理相关子任务、以及偏离代价高昂的关键任务。它引入漂移评分体系：0.0-0.1 表示完全对齐无需干预，0.1-0.3 为轻微漂移自动纠正，0.3-0.5 为显著漂移需检查点纠正并记录日志，0.5 以上为严重漂移需通过断点升级至人工处理。涉及的智能体包括 swarm-coordinator（漂移检测与纠正）、tactical-queen（检查点执行）和 adaptive-queen（实时路线修正）。可通过 babysitter 流程 methodologies/ruflo/ruflo-swarm-coordination 调用。
reinforcement-learning-agents
该技能用于设计与训练强化学习智能体，涵盖环境搭建、奖励塑形、策略梯度方法与评估。资料显示其实现仍为待完成状态，具体功能与用法暂未提供。
agent-contacts
agent-contacts 是面向 AI 智能体的通讯录技能，用于管理 MCP 联系人。它支持通过 /agent-contacts add <url> 添加新联系人、通过 /agent-contacts list 查看全部联系人、通过 /agent-contacts remove <name> 移除联系人。添加时会读取目标的 agent.json 发现地址，解析名称、描述与能力，并自动调用 claude mcp add 将对方注册为 MCP 服务器，使 Claude Code 能与其他智能体通信。联系人数据保存在 ~/.claude/agent-contacts.json 中，包含名称、slug、MCP 地址、发现地址、能力标签、描述与添加日期等字段。适合在他人提供智能体或机器人 URL、需要查看或清理联系人时使用。
agent-model-switcher
Agent Model Switcher 是一个用于批量查看和切换子 agent 模型配置的命令行工具，属于 aaaaqwq/agi-super-team 技能集。它可以帮助用户统一调整多个 agent 的 provider/model 设置，支持列出当前配置、批量设置模型、指定 agent 设置模型，以及从 main agent 同步 models.json 配置。工具提供 --agents、--include-main、--dry-run 等参数，方便精确控制操作范围并预览变更。
agent-network
Agent Network 是一个多智能体群聊协作系统，灵感来自钉钉、飞书等企业聊天平台。它让多个 AI 智能体在结构化环境中互相聊天、@提及、分配任务、发起决策投票，并管理在线状态与通知收件箱。该技能以 Python 模块形式提供，核心组件包括智能体管理、群组管理、消息系统、任务管理、决策投票和中央协调器，数据存储使用 SQLite。系统预置了六个智能体（老邢、小邢、小金、小陈、小影、小视频），可通过命令行动态交互测试，也可与 OpenClaw 的 sessions_spawn 集成实现真正的多智能体工作流。
auto-respawn
Auto-Respawn 是一个用于在 Autonomys Network 上锚定智能体身份与记忆的技能。它通过钱包管理、代币转账、跨域桥接、链上备注和 CID 锚定等操作，让智能体在本地状态完全丢失后仍能通过 EVM 地址找回全部历史。该技能支持 Claude、GPT、Gemini 等兼容 OpenClaw 技能的 LLM，与 auto-memory 技能配合可形成完整的“复活循环”：auto-memory 负责永久存储记忆链，auto-respawn 负责将最新头 CID 写入 Auto-EVM 上的 MemoryChain 合约，新实例只需调用 gethead 即可从链上恢复记忆链。
bio-orchestrator
面向生物信息学分析的元智能体（meta-agent），负责将生物信息学请求路由到各专门子技能。它能够识别输入文件类型（如 VCF、FASTQ、BAM、CSV、PDB、h5ad），规划多步骤分析流程，串联子技能执行，并生成结构化 Markdown 报告与可复现性打包产物。
clawrouter
ClawRouter 是一款智能 LLM 路由工具，目标是通过将每个请求路由到能够处理它的最便宜模型来节省推理成本。它覆盖 5 家提供商的 41 个模型，并通过单一钱包统一调用。安装命令为 openclaw plugins install @blockrun/clawrouter，配置时可将模型设为 blockrun/auto 以启用智能路由（按请求自动选择最便宜模型），也可固定使用某个具体模型（如 openai/gpt-4o）。其路由机制将请求分为 SIMPLE、MEDIUM、COMPLEX、REASONING 四个层级，分别对应不同类型的任务与模型，其中规则处理可在 1 毫秒内覆盖 80% 的请求，仅模糊查询会交给 LLM 分类器处理。资料给出示例输出，展示所选模型、层级、判定方式、置信度以及成本与节省比例。