decision-mapping
该技能用于把尚未成形的想法转化为按顺序排列的调查工单，并逐个推进解决。它创建一份有状态的 Markdown 决策地图，通过研究、原型或对话工单来消除决策迷雾，适用于需要多次智能体会话才能形成方案的情形。
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 11-06 00:14
智能体与模型
25,711 个结果
ui-ux-polish
ui-ux-polish 是一套面向 Web 应用的迭代式 UI/UX 打磨工作流，通过反复运行同一段提示词，让 AI 代理在已能正常运行的站点上做增量视觉与交互优化，逐步逼近 Stripe 级别的精致观感。
when-gathering-requirements-use-interactive-planner
一个面向 Claude Code 的需求收集技能，借助 AskUserQuestion 工具，通过结构化多选问题引导团队完成需求澄清，适合项目启动阶段使用，预计耗时 15-30 分钟。
aiz-infographic
面向 AI 智能体的信息图生成技能，可在 Claude Code、Codex、Cursor 等支持 skill 的宿主中使用，按画布、片段、样式、元素、模板五层参考体系生成自包含 HTML 信息图，并可导出 HTML 或 PNG。
agent-browser
agent-browser 是面向 AI 智能体的浏览器自动化命令行工具，用于打开网页、抓取页面快照、填写表单、点击按钮、截图与下载等操作，支持会话持久化、并行会话、iOS 模拟器与安全策略配置。
megaplan
Megaplan 是一套高严谨度的规划工作流，通过对抗式评审、显式门控决策和可恢复执行来管理高风险、多系统或模糊任务。它使用 build 与 deep 子代理分别承担规划、批评与复核角色，并以 runbook.md 作为连续性事实来源。
opencode-memory
opencode-memory 是一个只读浏览 OpenCode 本地记忆的技能，可查询本机存储的会话、计划、对话、提示历史和项目上下文。数据位于本地 SQLite 数据库与纯文本文件，通过 bash 中的 sqlite3 直接查询，无需额外脚本或依赖。
plannotator-compound
Plannotator 计划档案分析技能：读取被拒绝的计划文件，提取拒绝原因、反馈分类与随时间演变的模式，并生成可执行的提示改进建议和 HTML 仪表盘报告。
autogpt-agents
AutoGPT 是一个用于构建、部署和管理持续运行 AI 智能体的自主智能体平台，提供可视化界面与开发工具包两种使用方式。它适合构建持续运行的自主智能体、创建可视化工作流智能体、部署带外部触发（Webhook、定时任务）的智能体，以及搭建复杂的多步骤自动化流水线，也支持无代码/低代码的智能体构建。平台主要能力包括：可视化智能体构建器（拖拽式节点工作流编辑器）、持续执行（智能体通过触发器持久运行）、市场（可共享和复用预构建智能体与区块）、区块系统（面向 LLM、工具、集成的模块化组件）、Forge 开发工具包（用于创建自定义智能体）以及基准测试系统（标准化智能体性能测试）。安装采用 Docker 方式，克隆仓库后进入 autogpt_platform 目录，复制环境文件并启动后端服务，前端需单独安装依赖并运行开发命令。
awq-quantization
AWQ（激活感知权重量化）是一种面向大语言模型的 4-bit 权重量化方法，依据激活模式保护约 1% 的显著权重，在精度损失较小的情况下实现约 2.5-3 倍推理加速，适合在有限显存下部署 7B-70B 模型。
axolotl
Axolotl Skill 是一个用于辅助 Axolotl 开发的中文技能资料，根据官方文档自动生成。Axolotl 用于大语言模型的微调，本技能提供 YAML 配置、100 多个模型支持、LoRA/QLoRA、DPO/KTO/ORPO/GRPO 及多模态支持等专家指导。技能内容涵盖何时使用、常见模式（如 NCCL 测试、FSDP 配置、context_parallel_size、save_compressed）、示例代码模式（如 ModalCloud、AxolotlTrainer、RawInputOutputPrompter），以及 references 目录下的 api、dataset-formats 等文档。适用于处理 Axolotl、询问其功能或 API、实现方案、调试代码和学习最佳实践的开发者。
clip
CLIP（Contrastive Language-Image Pre-Training）是 OpenAI 推出的连接视觉与语言的模型，通过自然语言理解图像。它支持零样本图像分类（无需训练数据）、图文相似度匹配、语义图像搜索、内容审核（如检测 NSFW、暴力内容）、视觉问答以及跨模态检索（图→文、文→图）。模型在 4 亿对图文数据上训练，零样本性能在 ImageNet 上可媲美 ResNet-50，采用 MIT 许可证，GitHub 星标超过 25,300。提供 RN50、RN101、ViT-B/32、ViT-B/16、ViT-L/14 等多种模型，可通过 pip 安装并配合 PyTorch 使用。
constitutional-ai
Constitutional AI（CAI）是 Anthropic 提出的通过自我改进训练无害 AI 的方法，采用两阶段流程：先以自我批判与修订进行监督学习，再用 RLAIF（基于 AI 反馈的强化学习）训练，无需人工标注有害输出。
crewai-multi-agent
CrewAI 是一个多智能体编排框架，用于让多个自主 AI 智能体协作完成复杂任务。它以角色为核心定义智能体，支持研究、写作、分析等专业化分工，并提供顺序（sequential）与层级（hierarchical）两种流程执行方式。CrewAI 不依赖 LangChain，体积轻量，内置 50 多种工具（如网页搜索、网页抓取、文件读取、PDF 搜索等），并具备短期、长期和实体记忆能力，支持追踪与生产级特性。它同时提供 Crews（自主协作）与 Flows（事件驱动）两种范式，可用纯代码或 YAML 配置方式搭建。适合构建需要多角色协作、任务委派和多步推理的自动化工作流。
deepspeed
本 Skill 是针对 DeepSpeed 分布式训练的专家指导型工具，内容根据官方文档生成，覆盖 ZeRO 优化阶段、流水线并行、FP16/BF16/FP8 混合精度、1-bit Adam、稀疏注意力等主题。当用户在处理 DeepSpeed、询问其功能或 API、实现 DeepSpeed 方案、调试 DeepSpeed 代码或学习其最佳实践时，该 Skill 会被触发。资料中给出的具体能力示例包括 DeepNVMe 数据搬运实践，以及面向 NLG 模型的 Mixture of Experts 训练流程，后者可降低训练成本并缩小 MoE 模型体积。资料提供的内容包含环境要求、句柄创建、阻塞与非阻塞文件读写、并行文件写入、pinned 张量、性能调优工具 ds_nvme_tune 以及 API 列表等细节。对于价格、收费模式、支持的平台范围或效果承诺，资料未提供相关信息。
distributed-llm-pretraining-torchtitan
TorchTitan 是 PyTorch 官方的大规模 LLM 预训练平台，支持可组合的 4D 并行（FSDP2、TP、PP、CP），在 H100 GPU 上相比基线可实现 65% 以上的加速。它适用于从零开始预训练 Llama 3.1、DeepSeek V3 等模型，提供 PyTorch 原生方案，无需第三方依赖，并支持 Float8 训练、多节点 SLURM 调度以及与 torchtune/HuggingFace 互操作的检查点。
dspy
DSPy 是斯坦福 NLP 团队开发的声明式语言模型编程框架，GitHub 星标 22,000+，用于构建复杂 AI 系统、自动优化提示词，以及创建模块化的 RAG 系统和智能体。它让开发者以声明式方式编程语言模型，而不必依赖手工提示工程，并通过数据驱动的优化器系统化地提升模型输出质量。核心概念包括 Signatures（定义输入输出结构）、Modules（可复用组件，如 Predict、ChainOfThought、ReAct、ProgramOfThought）、Optimizers（如 BootstrapFewShot、MIPRO、BootstrapFinetune）以及评估与自定义指标。安装方式为 pip install dspy，也支持指定提供商的扩展安装。
fine-tuning-with-trl
TRL（Transformer Reinforcement Learning）是用于大语言模型后训练与偏好对齐的库，提供监督微调（SFT）、偏好对齐（DPO）、奖励模型训练以及 PPO、GRPO 等强化学习方法的训练接口。它基于 Transformers、Datasets、PEFT、Accelerate 生态，可用 SFTTrainer、DPOTrainer、RewardTrainer、GRPOTrainer 等类或 CLI 命令，把基座模型调成指令遵循、符合人类偏好的模型。
gptq
GPTQ（Generative Pre-trained Transformer Quantization）是一种针对大语言模型的训练后量化方法，可将模型权重压缩至 4 位，同时尽量保持精度。它采用分组量化（group-wise quantization），借助 Hessian 信息最小化量化误差，通常能实现约 4 倍显存降低、低于 2% 的精度损失，并带来 3-4 倍于 FP16 的推理加速。适用于在消费级 GPU（如 RTX 4090、3090）上部署 70B、405B 等大模型，或需要显著降低显存占用、提升推理速度的场景。可通过 AutoGPTQ 库安装使用，支持加载 HuggingFace 上预量化模型，也可自行量化模型，并可与 transformers、PEFT（QLoRA 微调）等集成。
guidance
Guidance 是微软研究院开源的一个用于约束大语言模型（LLM）输出的 Python 库，GitHub 星标超过 18000。它允许开发者通过正则表达式、上下文无关文法（CFG）和选择约束来控制模型生成的内容，从而保证输出符合预期的 JSON、XML、代码或特定格式（如日期、邮箱、ID 等）。Guidance 采用 Pythonic 的语法，支持上下文管理器进行对话式交互，并内置 Token Healing 机制以修复提示词与生成内容之间的 token 边界问题。它兼容 OpenAI、Anthropic Claude 等 API 模型，也支持 Transformers 和 llama.cpp 等本地模型。相比传统提示方法，Guidance 能减少延迟、避免无效输出和重试循环，适合构建多步骤工作流、分类、数据提取和 ReAct 智能体等场景。
hqq-quantization
HQQ（Half-Quadratic Quantization，半二次量化）是一种面向大语言模型的权重量化方法，最大特点是无需校准数据即可完成量化。它支持 8/4/3/2/1 比特精度，可配置分组大小与量化轴，并提供 PyTorch、ATEN、TorchAO、Marlin、BitBlas、GemLite 等多种推理后端。HQQ 与 HuggingFace Transformers 和 vLLM 原生集成，可直接加载预量化模型或对现有模型量化后保存、推送至 Hub，同时兼容 PEFT/LoRA，支持对量化模型进行微调。相比需要校准的 GPTQ、AWQ，HQQ 量化速度快（分钟级），适合无数据场景和极端低比特实验。
huggingface-accelerate
HuggingFace Accelerate 是一个面向 PyTorch 的分布式训练统一 API，主打用最少的代码改动为任意 PyTorch 脚本添加分布式支持。只需在原有脚本中加入约 4 行代码（导入 Accelerator、实例化、调用 prepare、改用 accelerator.backward），即可在单 GPU、多 GPU、多节点、TPU、Apple MPS 等不同硬件上运行同一份代码。它提供 DDP、DeepSpeed、FSDP、Megatron 的统一接口，并自动处理设备放置、混合精度（fp16/bf16/fp8）与分片。通过 accelerate config 交互式配置和 accelerate launch 单命令启动，无需手动搭建启动器。安装方式为 pip install accelerate，当前版本 1.11.0+，被 HuggingFace Transformers、TRL、PEFT 等库广泛使用。
implementing-llms-litgpt
LitGPT 是 Lightning AI 推出的开源工具，提供 20 多个预训练大语言模型（如 Llama、Gemma、Phi、Qwen、Mistral 等）的清晰可读实现与生产级训练流程。它支持模型下载、文本生成、全量微调、LoRA 微调、从零预训练、模型量化与部署等完整工作流，代码简洁易读，适合学习 LLM 架构、研究实验与原型开发。安装方式为 pip install 'litgpt[extra]'，可通过 Python API 或命令行使用。
knowledge-distillation
知识蒸馏（Knowledge Distillation）是一项用于压缩大语言模型的技术，通过将大型教师模型（teacher）的能力迁移到小型学生模型（student），在保留大部分性能的同时降低推理成本。该技能适用于将 70B 模型压缩至 7B 并保留 90% 以上性能、把专有模型（如 GPT-4）能力迁移到开源模型（LLaMA、Mistral）、部署更小的学生模型以降低推理成本、通过蒸馏领域知识创建专用模型，以及利用大教师模型生成的合成数据改进小模型。核心技术包括温度缩放、软目标、反向 KLD（MiniLLM）、logit 蒸馏和响应蒸馏。