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 11-07 00:13
25,837 个结果
该技能用于在 DisCo 的 Researcher 模式下以 shell 命令方式执行研究任务。日常主用法是给出一个具体、可验证的研究目标，由路由器自动选择合适的技能，智能体自行运行并自我验证。产出包括会话文件、工作目录中的真实产物（脚本、配置、测量数据）以及按 --mode 输出到 stdout 的内容。支持交互式运行、单次执行后退出（-p/--print）、直接调用指定技能、运行 Creator 构建的图任务，以及 json/rpc 输出、只读工具集、会话续接与命名、thinking 级别等常用参数。
该技能名为 dym-arex-skill-creator-paper-to-skills，属于 AREX-Skill 的 Creator 组件，用途是把一篇论文（paper）转化为可复现、模块化并经过验证的 skill，而不是只生成一份摘要。它通过 Distiller 流程完成：解析论文来源、规划模块、生成并校验模块级 skill、准备受限的运行时证据、执行可行的复现实验、分析差距并决定接受/精炼/阻塞，最后输出 skill 与最终报告。使用前需准备 TOML 配置文件，至少填写 workspace_root、paper_slug、paper_source 三个字段，然后通过 disco --creator 命令运行。生成的 skill 位于 workspace_root/<paper_slug>/skills/，在审核导入前处于 staging 状态；最终报告位于 distillation/reports/final/。
该技能属于 Creator 模式，用于创建、验证、刷新和扩展仓库技能（repo skill）。当所需仓库尚未收录在 1000 个技能库中，或已有技能与上游代码出现偏差时使用。它会产出一个自包含的技能图（SKILL.md + sub-skills/ + references/ + scripts/），经过验证后附带位于运行时目录之外的审查产物。支持通过命令行以交互或单次执行方式调用，涵盖创建、验证、刷新、扩展、导入等流程，并区分 refresh（内容偏离上游）与 extend（内容正确但覆盖不足）两种场景。
该技能用于把 DisCo 中的 repo skill 导出到 Claude Code、Codex 或其他 agent，适合不想整体切换到 DisCo、只想借用个别 repo skill（如 vllm、sglang）的场景。它会在目标 agent 的 skills root 下生成 repositories/repo-skills 与 repositories/repo-skills-router，并重新生成 repository-index.jsonl 和 router。支持通过 Creator 一句话调用，也可直接运行 export_repo_skills_to_agent.mjs 脚本，按 --include-skill 选择性导出或全量导出，支持 Codex 专用策略文件、冲突覆盖审批、router 可见性控制以及断点续跑。写入过程带事务，失败会回滚，只改动目标下的 repositories/ 子目录。
dym-browser-use 是 doyourmagic 提供的浏览器操作技能集，用于驱动 github.com/browser-use/browser-use（资料记录为 v0.13.10，测量于 2026 年 9 月）及其同源库 github.com/browser-use/browser-harness（v0.1.13）。它通过参数中的 slug 选择子技能文件，包括 repl（有状态的 REPL 式浏览器驱动，每轮执行一个动作，并保持标签页不变）、qa（为站点或应用按 1–5 分评分并附证据，包含截图看不到的 console/network 错误）和 cloud（云端浏览器，并把 localhost 通过隧道暴露到外部，适用于需要干净环境或并行运行的场景，会消耗 credit）。资料强调：不要仅为驱动浏览器而安装 browser-use 这个 agent 包（含 50 多个依赖，包括 openai/anthropic/google-genai）；真正需要的是 browser-harness，它仅有 4 个依赖（cdp-use、fetch-use、pillow、websockets），且不包含任何 LLM SDK。browser-use v0.13 不使用 Playwright，源码中的“playwright”只出现在注释和文档链接中。
dym-harness-sdk 是 Strands harness（strands-agents/harness-sdk）的工作流技能：它根据 /dym-harness-sdk <slug> 中的 slug 路由到对应的子技能，由子技能给出已验证的流程，例如用 create_harness() 构建 agent，以及如何编写测试、评测和贡献代码。该技能不带参数时只打印 slug 索引，不读取任何子技能文件。
该技能为 Strands harness 的工具调用提供拦截与审批机制，通过 interventions 参数配置。支持四种预设："ask" 每次调用前询问人工；"smart" 由 LLM 分类风险，仅对高风险调用询问；以 .cedar 结尾的字符串加载 Cedar 策略文件（需安装 strands-agents[cedar]）；其他字符串作为风险分类器的文字提示。也可直接传入 InterventionHandler 实例。多个不同类别的处理器可叠加，例如同时使用 Cedar 策略与 smart。处理器返回带类型的决策：Proceed、Deny、Guide、Interrupt、Transform，并按 Deny > Interrupt > Transform > Guide > Proceed 的优先级合并；Deny 会截断后续链，Guide 会累积反馈，并共享审计日志。限制：同类型处理器重复会抛出 ValueError；内联 Cedar 策略无法自动识别，需直接传 CedarAuthorization；子代理继承父级 interventions，programmatic_tool_caller 内的工具调用同样经过拦截；"ask" 在 ask=None 时使用 stdio，headless/CI 环境会阻塞等待输入。
该技能用于在隔离虚拟环境中安装 strands-harness，并通过 create_harness() 快速搭建一个已装配 shell、文件读写、网页抓取、子智能体、待办、记忆、会话与上下文卸载等能力的 Strands 智能体，适合在调用模型前先查看 harness 默认装配了哪些工具与插件。安装需 Python ≥ 3.10，默认模型为 Bedrock Opus 5，也可通过 provider/name 字符串切换其它模型。
这是用于把 Impeccable 设计技能安装到具体项目中的技能安装说明技能。它通过 npx 命令行安装器、Git submodule 或插件三种方式，将 /impeccable 技能、Claude Code agent 文件及设计 hook 写入指定提供商目录（如 .claude/skills/impeccable/、.cursor/skills/impeccable/），默认强调 project 而不是 global 作用域。文档特别提示两个陷阱：install --help 会真的执行安装；无 TTY 场景默认回落到 global 并写入 Home 目录的 13 个 provider 目录。因此非交互环境必须显式使用 -y --scope=project --providers=claude。安装后需在 AI agent 聊天中执行 /impeccable init，而非终端。文档还覆盖 hook 管理、.gitignore 配置与手动卸载步骤。
nüwa 人物视角 Skill 的工作流入口，按需定位安装、人物蒸馏、诊断选择、人格更新、辅助脚本、保真评分与发布等指南。
该技能用于将指定人物蒸馏为可运行的视角技能，采用纯聊天指令（chat-only）操作，无需终端命令。用户需先确认目标人物、是否已有本地语料以及蒸馏档位（快速/标准/深度），随后代理按六阶段流水线执行：0.5 建立作品/对话/表达/他者/决策/时间线等维度的研究目录；1 并行开展六维度调研；1.5 审核调研质量；2 提炼思维模型与表达 DNA；2.5 确认提炼结果；3 按模板生成 SKILL.md；4 进行三项独立测试；5 双代理并行精炼。最终生成自包含的技能文件夹 .claude/skills/<名称>-perspective/，内含 SKILL.md、references/research/01-06.md 及 sources/ 等文件，便于复制到其他机器使用。需注意：研究质量决定技能上限；中国人物需切换至 Bilibili、小宇宙等源，且知乎、微信公众号、百度百科始终被排除；frontmatter 描述需控制在约 300 字内；深度档成本可能达数十美元。
dym-nuwa-skill-install 是一个安装说明型技能页面，用于把 nüwa（女娲）Agent Skill 安装到 AI 编程运行环境中。女娲本身并非命令行工具，而是一个由 SKILL.md、references/ 与 scripts/ 组成的 Agent Skill，须放入正确的 skills 目录后才能被 agent 加载。该技能接收人名、主题或模糊需求，经深度调研、思维框架提炼，生成可运行的人物 Skill；仓库内含提炼方法、评分表、模板、4 个辅助脚本及 15 个示例技能。安装提供三种方式：使用 npx skills add 的多运行时安装器；按 Claude Code、Codex、Cursor、OpenClaw 克隆到对应 skills 目录；或直接粘贴 SKILL.md 内容。使用前需注意 frontmatter 名称与实际目录名不一致、无斜杠命令、触发词以中文为主等事项。
该技能用于在纯聊天环境中调用和增量更新 persona 技能：按人物视角进行咨询式对话，并在资料过时后通过针对性检索修补 SKILL.md，而非重写。
Ruflo 工作流入口 Skill，定位安装、初始化和采用判断指南，并说明它依赖 Claude Code 的 Task 工具执行实际代理工作。
该技能用于判断是否应在使用 overstack 的项目中引入 ruflo（即 claude-flow），并在四种智能体编排层之间做选择：ruflo、herdr、orca-dispatch（自研）以及裸 Task tool。它按“同一会话内的子代理分发”“同一机器上的多个 CLI 会话”“通过 Orca 向任意 CLI 派活并获知完成”“只需并行执行再汇总”四类场景给出路由建议，同时给出不建议在 overstack 项目中整体引入 ruflo 的评估依据（占用 .claude/ 目录、非独立运行时、安装开销大、维护面广），并提出只借鉴 autopilot、hooks route/explain、swarm compress-message 等思路的“融合”做法。
Scientific Agent Skills 配套工作流入口，按需查找安装前评估、代理使用、独立脚本、版本管理、项目 CI 和贡献开发指南。
该技能用于将 Scientific Agent Skills 科学技能子集安装到 AI 编程助手（如 Claude Code、Cursor、Codex、Gemini CLI、Antigravity 等）中，提供生物信息学、化学信息学、数据库查询、科学论文写作等预置工作流。它生成包含 SKILL.md 的技能目录及元数据，支持按需选择子集安装，并提供 npx skills、gh skill 及手动克隆三种安装方式。
该技能说明如何直接从一个 shell 运行仓库中随技能包附带的脚本，而不必启动 agent。仓库中 105/163 个技能带有 scripts/ 目录，其中 90 个技能包含用 argparse 编写的命令行脚本；这些脚本可以确定性地运行，不消耗 token，可用于 Makefile、cron、CI，或仅用于快速检查。产物是输出到 stdout 的 JSON 或 TSV，或由 -o 指定写入文件，并附以必须分支处理的退出码。文档还介绍如何查找可运行脚本、用 --help 校验 CLI 约定、按 tests/skill-requirements.toml 安装依赖、在临时环境中用 uv 运行脚本，以及避免把多个技能的 scripts/ 放进同一 sys.path 等注意事项。
该页面介绍如何在智能体聊天框中通过自然语言提示调用已安装的 skill，而非在终端执行 shell 命令。内容来自 rheinmir/setup 仓库，属于 dym-scientific-agent-skills 系列的说明文档之一。文件解释了 skill 的匹配机制（host 根据 SKILL.md frontmatter 中的 description 与用户请求匹配）、如何明确指定同名或功能相近的 skill 以避免误选、如何让 agent 列出当前加载的 skill，并给出五段式提示框架（指定 skill、设定判定标准、约定输出格式、要求来源与阴性结果、将不可逆操作分离）以及多 skill 协作示例。此外还提供了需要凭据的 25 个 skill 及其环境变量清单、用 shell 命令重新生成该表的脚本，并提醒了 gate 失败导致 skill 隐藏、安装过多影响路由选择、skill 输出需在目标环境验证等注意事项。该文档不定义具体 skill 的功能实现，侧重使用方式与提示写法。
该技能用于科学智能体技能（skill）的版本固定、更新与卸载管理。技能是指引 agent 遵循的指令，一次静默的更新就可能在两次运行之间改变 agent 的行为，而这正是可复现分析所不愿看到的。该技能锁定版本，使升级成为一项有意识的操作。产出结果是按 tag 或 SHA 固定的 skill，以及一套在应用前可预览 diff 的升级流程。
Agentic OS Setup 是一个用于在用户项目中编排 Agentic OS 环境初始化与搭建的专用子代理，按发现、规划、执行、验证与收尾五阶段引导完成环境引导，并持久化记忆。
os-learning-loop 是一个面向 Agentic OS 的子智能体技能，扮演首席运营官角色，对当前或近期会话做回顾分析，定位低效与反复出现的摩擦点，并按流程更新技能、CLAUDE.md 等程序性记忆以持续改进。
os-skill-improvement 是一套用于持续改进既有智能体技能的方法论，将软件测试的 RED-GREEN-REFACTOR 循环迁移到技能编写中，结合 os-eval-runner 评测与 os-improvement-loop 迭代。适用于技能路由准确率低、触发异常或需修复行为漏洞时使用。
Sanctuary 专属集成技能，用于把 Guardian 生态与通用 agent-loops/orchestrator 连接起来，按协议 128 明确职责分离：Orchestrator 只执行认知模式，Guardian 独占状态序列化与外部系统修改。