iterative-retrieval
迭代检索模式（Iterative Retrieval Pattern），用于在多智能体工作流中逐步细化上下文检索，解决子智能体在开始工作前不知道需要哪些上下文的问题。
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
25,712 个结果
brainstorming-gatekeeper
brainstorming-gatekeeper 是一个预检型技能，用于判断创意或生成类请求在执行前是否需要先进行头脑风暴。它依据关键词、领域上下文和缺失细节三类触发条件做出判定，并给出“需要头脑风暴”或“直接执行”的结论。
dispatching-parallel-agents
一个面向 AI 编程助手的工作流技能：当面对 2 个以上互不依赖、无共享状态的独立任务（如多个不同测试文件失败）时，按问题域分派并行子代理，各自在隔离上下文中调查与修复，最后统一审查整合。
exploration
面向 AI 智能体的油气勘探工作流技能，覆盖地震资料审阅、地震解释、测井对比、圈闭识别与风险评估，支持 SEG-Y、LAS 等数据格式，并给出体积估算与风险量化步骤。
midstream
面向管道运输与储存作业的 AI 智能体技能，帮助管道工程师完成调度、实时监控、完整性管理与泄漏检测等中游业务。
refining
一个面向炼油厂运营与工艺优化的 AI 智能体技能，涵盖原油选配、蒸馏优化、产品调合、能量与收率优化等任务，服务工艺工程师、化工工程师、操作员与化验人员。
using-petropowers
PetroPowers 的技能使用入口技能，用于在任何对话开始前建立如何查找与调用技能：要求先调用 Skill 工具再进行回应，并在创作类或油气领域请求时先经过 brainstorming-gatekeeper。
kweaver-core
KWeaver 平台命令行工具，覆盖认证、业务域配置、知识网络（BKN）管理与查询、Agent CRUD 与对话、数据源与数据视图、Skill 管理及 Vega 可观测平台查询，需 Node.js 22+。
bkn-ontology-builder
bkn-ontology-builder 是 KWeaver BKN 项目中的可选建模辅助技能，把 PRD、会议纪要、流程说明、系统与数据材料或粗略业务描述整理为业务可评审的《本体建模方案》，供 BKN_Creator 参考。
kweaver
KWeaver 平台命令行工具（kweaver-sdk），用于认证、知识网络（BKN）管理与查询、Agent CRUD 与对话、数据源管理及 Vega 可观测平台巡检，替代旧版 kweaver-core。
agent-desktop-windows
agent-desktop CLI 的 Windows 平台指南，说明各命令组在 Windows 上的可用性与拒绝情形，以及首次使用时的注意事项（如 PowerShell 中需引用 ref、最小化窗口无法操作、无权限弹窗、默认无头模式等）。该指南指出，observe-act 循环、ref 系统、JSON 信封、会话（session）与跟踪（tracing）在各平台一致，本文只覆盖 Windows 差异。运行环境要求 Windows 10 1809+ 或 Windows Server 2019+（x64/ARM64），且需在已登录用户的交互式桌面会话中运行；Session 0、Server Core、安全桌面（UAC 提示、登录屏）、锁屏及他人会话均不受支持。内容以能力表形式列出观测、界面枚举、Shell 界面、ref 交互、多击与焦点、键鼠、按住输入、应用与窗口、显示器、剪贴板、等待、通知、光标叠加和系统等命令组的状态，并附参考文档入口。
langchain agent starter kit
LangChain Agent Starter Kit 是 LangChain 官方技能库中的入门技能，用于任何 LangChain、Deep Agents 或 LangGraph 开源智能体项目的起点。它帮助开发者先回答两个前置问题：应选用哪个框架（LangChain、LangGraph 还是 Deep Agents），以及需要安装哪些包、版本与环境变量。该技能先加载，确定框架后再调用对应框架的专项技能。资料给出了三者的分层关系、选型判断表、能力对比表、Python 与 TypeScript 的依赖清单、环境变量示例，以及 Deep Agents 内置中间件的说明。
langfuse-onboarding
Langfuse 仓库内的智能体入职配置技能，用于识别使用者是外部贡献者还是维护者、记录其工作重点并检查 Linear 等连接器是否可用，从而让智能体按角色差异化服务。
autoloop-controller
Autoloop Controller 是一个用于持续、自动化改进 Skill 的循环控制器。它把 improvement-orchestrator 包装为持久循环，每轮运行完整五阶段流水线，并通过收敛检测与成本控制决定是否继续，状态逐轮落盘，支持崩溃恢复与跨会话续跑。
improvement-discriminator
改进候选评分工具：通过启发式规则、评估器证据、LLM 语义评判与多审阅者盲审对候选打分排序，输出含认知标签与决策建议的 scored.json，供执行器与门禁消费。
improvement-evaluator
用于验证 Skill 改进是否真正提升 AI 执行效果的工具：按 YAML 任务集运行 AI 任务并判定 pass/fail，输出 execution_pass_rate，可与基线对比。不用于文档结构评分或候选打分。
improvement-executor
用于将已批准的改进候选应用到目标文件的技能，支持 append、replace、insert_before、update_yaml 四种操作，每次变更前自动备份，可通过 receipt 一键回滚，并支持 --dry-run 预览。
improvement-generator
为目标 skill 生成结构化改进候选的工具，支持通过 --trace 注入上次失败上下文，避免重复失败。不用于打分、评估、执行变更或门禁验证。
improvement-orchestrator
用于一键编排 skill 改进全流程的工具：串联生成、评分、评估、执行、门禁五个阶段，失败后自动注入追踪信息重试，支持批量改进多个 skill。
prompt-hardening
Prompt Hardening 是一套系统化硬化 agent prompt、system prompt、SOUL.md、AGENTS.md、cron prompt 的方法，让 LLM 更可靠地遵循指令。核心观点是 prompt 不是策略文档而是错误纠正系统，最可靠的约束是结构化不可能。提供 16 个硬化模式与审计脚本。
session-feedback-analyzer
解析 Claude Code 会话 JSONL，提取用户对技能调用的隐式反馈信号（纠正、重做、回退、部分接受），输出带维度归因的 feedback.jsonl，用于计算各技能的纠正率与趋势。
skill-distill
Skill Distill 用于把多个功能重叠的 skill 合并为一个蒸馏版 skill，输入和输出都是 skill。它通过收集、交叉分析、用户确认和生成验证四个阶段，去重、消歧并控制体积，减少 token 开销与路由冲突。
skills-cli-sync
skills-desktop 的维护技能：把应用内的 AGENT_DEFINITIONS、UNIVERSAL_AGENT_IDS 与 SKILLS_CLI_VERSION 同步到上游 vercel-labs/skills CLI 的新版本，并更新文档、跑校验门禁。
legal-risk-analysis-goodlegal
该技能用于借助 GoodLegal MCP 进行法律风险分析，按严重程度与发生可能性框架对合同、交易等法律风险进行分级，并给出升级标准与文档模板。