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 11-08 00:04
25,876 个结果
run-teamwork 是一个用于一次性组建并运行 AI 智能体团队来构建项目的技能。用户给出项目描述后，它会设计最小有效团队、生成项目经理提示词、启动 hub 与各智能体，等待任务完成后交付结果。该技能强调“一次成型”，不做分析或优化循环。它按独立工作域划分智能体（1 个智能体 = 1 个独立工作域 = 1 个目录），团队规模从 PM+1 到 PM+4 不等，最多 5 个成员。项目经理负责研究阶段与实现阶段的任务编排，使用 MCP 协调工具，不写代码。运行依赖 tmux（macOS/Linux）或 Windows Terminal（Windows），并通过 hub 端口（默认 3013）协调。
fleetflow 是一个面向 Claude Code 的异构跨供应商编排工具，把原生 Workflow 工具的编排模式移植到操作系统进程级 worker 上。它让同一个会话可以同时调度 GLM（z.ai）、Codex（OpenAI）以及 Anthropic 的 Sonnet/Opus/Haiku 等不同模型与工具链，每个 worker 拥有独立的环境变量块，因此可以使用不同的“大脑”。编排器由当前会话担任，负责判断与决策，脚本负责确定性的机制（生成、日志、门禁）。适用于需要按工作类别分配不同模型、或在验证阶段引入跨供应商异议的大型独立文件修改型扇出任务。
Mission Control 是一个用于协调多个 AI 智能体协作的看板式任务管理系统。它通过 HTTP API 和本地 JSON 文件存储，让一个 Team Lead 智能体创建并分配任务，Worker 智能体通过心跳轮询领取任务、执行工作并记录进度。系统提供可视化看板（默认 http://localhost:8080）、REST 接口、任务生命周期管理（backlog → todo → in_progress → review → done）、评论与 @提及、交付物路径记录等功能。所有数据保存在本地 data/ 目录下的 JSON 文件中，无需外部数据库。
Context Modes 是 LACP 中的一组结构化工作模式，用于为智能体会话预设行为准则。用户通过设置 LACP_CONTEXT_MODE 环境变量激活某个模式，每个模式对应一个 markdown 文件，并在会话开始时作为系统上下文注入。现有模式包括 tdd（严格的红-绿-重构，无失败测试不写代码）、debugging（4 阶段系统性根因调查）、sprint（在停止时评估预先约定的完成标准）、verification（先证据后声明）、brainstorm（设计探索，设计获批前不写代码）、think（每条行动链前暂停反思）、orchestrate（执行前分解为子任务）、implementation（专注实现伙伴）、review（代码审查模式）、thinking-partner（挑战假设、揭示盲点）、handoff-resume（延续上一会话交接继续工作）。该工具适用于需要为智能体会话引入明确流程纪律的场景，例如测试驱动开发、系统化调试、设计评审、代码审查等。使用方式为设置 LACP_CONTEXT_MODE 环境变量激活对应模式。具体安装命令、依赖、收费与价格等信息暂未提供。
Quality Gate 是一个面向智能体会话的生产质量闸门插件，在会话停止时自动激活，通过四维加权评分评估工作质量。评分维度包括：完整性（35%，是否完成承诺的工作）、诚实性（30%，关于测试与状态的声明是否经过验证）、延迟比率（20%，有多少被推到“以后”）、工作证据（15%，文件变更是否与声称的范围相符）。插件支持 Sprint 契约机制，要求在实现前声明将修改哪些文件、哪些测试将通过、验收标准是什么，会话结束时据此评估。每次非平凡停止都会生成交接产物，包含任务摘要、修改文件、测试状态、Git 分支与 diff 摘要以及下一次会话的后续步骤，下一会话会自动接收该交接。可通过环境变量配置：LACP_QUALITY_GATE_THRESHOLD 设置最低加权分数（默认 2.5，范围 1-5）、LACP_QUALITY_GATE_MODEL 指定用于评分的 Ollama 模型（默认 llama3.1:8b）、LACP_BLIND_SPOT_ENABLED 控制是否启用盲点反思（默认 0）。具体功能与限制以实际资料为准，部分细节暂未提供。
Polygon Agent Kit 是面向 Polygon 链上操作的完整智能体工具包，以命令行工具 polygon-agent 的形式提供。它帮助智能体完成钱包创建、余额查询、转账、兑换、存款、x402 支付以及 ERC-8004 链上智能体注册与信誉查询等操作。工具基于 Node.js 20+，通过 npm 全局安装，凭证与钱包会话以 AES-256-GCM 加密存储在本地 ~/.polygon-agent/ 目录。所有写操作默认仅做模拟（dry-run），需显式添加 --broadcast 才会真正上链。
lucid-agent-creator 是一个用于创建 Lucid 智能体的技能，通过编写 JavaScript 处理程序代码来构建托管在 Lucid 平台上的智能体。该技能提供三种创建方式：使用带 SIWE（以太坊登录）的 MCP 工具、使用自有钱包的 SDK，或使用 viem 自定义签名。智能体创建后即可立即调用，无需生成 API，无需自行托管。技能详细说明了 JS 处理程序的代码契约，包括执行环境（VM 沙箱）、可用全局变量（input、console、fetch）、返回值规则、超时设置（默认 1000 毫秒）以及网络访问控制。同时介绍了 create_lucid_agent MCP 工具的完整参数规范，涵盖 slug、name、description、entrypoints（含 handlerType、handlerConfig、price 等）、identityConfig（ERC-8004 身份配置）以及付费智能体的 paymentsConfig 机制和设置费用流程。还提供了错误处理场景和多个使用示例。
SolEnrich 是一个面向 Solana 智能体的链上情报 API，把原始链上数据转化为可直接行动的判定结论，例如代币的 SAFE / CAUTION / RISKY、持仓的 EXIT / DERISK / HOLD、StonkFun 币的 GEM / WATCH / NOISE，以及按仓位规模给出的最佳永续合约场所。它提供 47 个付费端点加 1 个免费端点，单次调用价格在 0.001 至 0.25 美元之间，通过 x402 协议以 USDC（Solana 或 Base）按次结算，无需账户和 API 密钥，智能体用自己的钱包逐次付费。所有评分均为确定性计算，管线中不含 LLM，llm 格式只是模板，因此简报与 JSON 同价且不会产生幻觉。
News Rough Cut（新闻智能粗剪）是一个面向 OpenChatCut 工作流的智能粗剪技能，用于把发布会、采访、现场、监控等新闻素材快速整理为一条内容完整、逻辑清晰、节奏紧凑的新闻短视频。它强调忠实于原始素材、不添加任何外部声音，保持客观、正式、紧凑、清晰的信息型新闻风格。剪辑时先完整分析素材，识别新闻事件、核心话题、关键人物、重要结论与有效画面，再确定剪辑主线和成片时长；成片开头直接呈现最重要的新闻结果或关键现场画面，并按“发生了什么、最新进展、最终结果或后续影响”组织内容。该技能同时给出内容保留与删除规则、人物讲话的语义完整切割规则、事实与逻辑要求以及音频要求，并通过读取工程、转录音轨、查看时间线帧、词级编辑、裁剪与分割等工具完成执行和终检。
1Shot Embedded Wallet 是 1Shot 提供的嵌入式钱包方案的 Host 集成技能，用于指导开发者在自有应用（Host Layer）中嵌入钱包 Branding Layer（https://wallet.1shotapi.com/），并通过 @1shotapi/ows-provider 的 OWSProxy 进行对接。它以 Host → Branding → Signing 的层级结构运作，其中 Branding iframe 来自钱包 URL，签名层位于同源的 /signer/ 路径，Host 不直接嵌入签名层。安装依赖为 @1shotapi/ows-provider 与 @1shotapi/ows-types，核心使用方式是通过 OWSProxy.create 创建代理实例，再调用 proxy.showWallet() 展示钱包，并通过 proxy.ethereum.request 使用 EIP-1193 方法（如 eth_requestAccounts）访问账户与签名等能力。品牌定制通过 1Shot 专属 RPC 方法 setStyle 完成，支持主题色、圆角、字体以及大量文案字段的部分合并式覆盖。Passkey 要求安全上下文祖先链，Host 页面需为 HTTPS 或 localhost。
atelier 是一个分层委派（tiered delegation）工作流技能：用户提供一份已有的规格说明（spec），atelier 通过把每个工作单元委派给能够正确完成它的最弱模型来降低执行成本。架构师（Sonnet）负责真正需要强模型的思考——任务分解、跨单元决策、定义“完成”标准以及策略性修复；其余执行工作下放给更便宜、更快的模型（Haiku）。其核心机制是以验收标准作为信任契约：只要检查者按具体标准验证每个单元，执行者的产出就可信。适用于可分解为多个共享跨单元决策的工作单元的任务，收益随单元数量增加而扩大。
atelier-brief 是 atelier 分离式规划模式（split planning mode）中的简要说明撰写子技能（brief-writer subskill）。atelier 在拆分运行中，由架构师/导演先完成所有跨单元决策并固定在 CONTRACT.md 中，随后该技能负责将一条简短的单元规格（unit spec）扩展为完整的 briefs/UNIT-NNN.md，使 Haiku 执行器能够以约 90% 的准确度无需进一步决策即可执行，同时让检查器（checker）能够客观验证。该技能只在单元内部工作，不触碰单元之间的接缝（seams）。其输入包括工作目录中的 CONTRACT.md 与 UNIT-SPECS.md，输出为遵循 BRIEF.template.md 的简要说明，结构包含目标、输入/上下文、方法、约束、验收标准与依赖。该技能强调最小化指令集而非扩充文档，验收标准是主要价值所在，其中可运行的验收标准（runnable）通常优于断言式（assertional）标准。若发现跨单元层面的规格或合约问题，应在输出中报告为升级项而非本地修补。
atelier-check 是 atelier 工作流中的检查子技能，用于对单个已完成单元进行验收核验。它依据该单元的验收标准判断是否达标，对小型局部缺陷尝试一次外科式修复，并对剩余失败给出诊断分类，供编排器决定后续处理。该技能不自行升级处理、不重做整个单元、也不改写计划，这些决策与循环计数由编排器负责。它仅在需要判断时被派发，可运行的门禁已由编排器执行，因此不重复验证已通过项。
atelier-dispatch 是 atelier 的精简分层构建编排器，采用 JSONL 派发架构。它让 LLM 编写规格说明，再由确定性脚本执行每个冲刺（sprint）的模型调用，从而避免子代理版本中编排器上下文成本过高的问题。适用于“atelier fast / lean / dispatch”场景，或成本敏感的多冲刺构建任务。
atelier-execute 是 atelier 工作流中的执行器子技能（Executor subskill）。它负责按照一份已经包含全部必要决策的工作简报（brief），执行单个工作单元（unit），并对照简报中的验收标准（acceptance criteria）报告结果。执行者不需要重新设计任务，因为架构师（architect）已经完成了跨单元决策。使用时需提供工作目录（docs/atelier/<task-slug>/）和单元编号（如 UNIT-002）。执行流程包括：按顺序读取 CONTRACT.md、对应单元简报及简报指定的输入文件；遵守契约中约定的接口、命名与归属；按分解模式（partition、relay、layered）执行简报中的方法；对照验收标准自检并运行可运行项；最后返回包含单元、输出、标准通过情况、阻塞项和备注的紧凑报告。
atelier 的规划纪律，由架构师（Sonnet）自身执行。将任务拆解为若干单元，编写 CONTRACT.md（跨单元决策 + 依赖图），并为每个单元编写简要说明（BRIEF），使廉价执行者（Haiku）无需再做决策即可完成约 90% 的工作，并由检查者（Sonnet）客观验证。
这是一份面向多 AI 智能体协作系统的架构设计技能，语言无关，适用于 TypeScript、Python、Go、Rust 等环境。它提供从架构分层、协作模式到生产加固的完整参考，核心是把智能体系统拆成四层架构（推理层、编排层、工具总线层、确定性适配层），并强调推理层以下必须保持确定性，不得在工具中调用大模型。技能涵盖七种协调模式选择（如 Fan-Out/Fan-In 并行、顺序流水线、递归委派、工作窃取队列、Map-Reduce、对等协作、MAKER 零错误模式）、工具协调机制（权限继承、资源锁、限流、结果缓存、子智能体即工具）、关键生命周期（级联停止，先停子再停自身）以及生产加固要点（孤儿检测、成本追踪、会话持久化、检查点、自我修改安全）。它还要求先回答六个必答发现性问题以确定起点、主要用例、规模、状态、工具协调和现有约束，并附有代码审查系统的实际示例与执行清单、常见陷阱。
Simmer Judge Board 是 simmer 的评审团子技能。它并行派出三位持有不同视角的评审，各自独立打分，随后进行一轮相互质疑与修正的审议，最终收敛为共识分数与单一 ASI（最高杠杆改进方向）。评审团的输出格式与单个评审完全一致，编排器无法区分。其价值在于：单个评审存在盲点，容易锚定最先注意到的内容；三位不同视角的评审能发现不同问题并相互挑战，尤其在迭代进入平台期、单一评审反复给出同类修复建议时，审议产生的 ASI 更能触及真正的瓶颈。
agent-ui 是来自 ui.inference.sh 的 React/Next.js 智能体组件，主打“开箱即用”。它将运行时、工具、流式输出、审批流程和挂件（Widgets）内置在一个组件中，开发者无需自行编写后端逻辑即可接入。使用时通过 shadcn CLI 安装组件，并安装 @inferencesh/sdk 以配置代理路由，再设置 INFERENCE_API_KEY 环境变量即可在页面中调用 Agent 组件。
该技能用于构建自动化 AI 工作流，将多个模型与服务组合起来。它基于 inference.sh CLI（belt）运行，先安装 belt CLI 技能（npx skills add belt-sh/cli），并需要安装 inference.sh CLI 后执行 belt login。技能给出多种自动化模式：批处理、顺序流水线、并行处理、条件分支、带重试与回退的失败处理，以及定时任务（cron）、日志记录、错误告警和 Python SDK 自动化示例，还提供内容日历与数据处理等模板与最佳实践。
ai-rag-pipeline 是一个用于构建 RAG（检索增强生成）流水线的技能，通过 inference.sh CLI（belt）把网络搜索工具与大型语言模型串联起来。其核心思路是：先检索外部信息，再把检索到的上下文注入提示词，最后由 LLM 生成更准确、更新且可核验的回答。可用的检索工具包括 Tavily Search、Exa Search、Exa Answer 以及 Tavily Extract、Exa Extract 内容提取工具；可调用的模型包括 Claude Sonnet 4.5、Claude Haiku 4.5、GPT-4o、Gemini 2.5 Pro 等（均通过 openrouter 提供）。资料给出的典型模式有：简单搜索加回答、多来源研究、提取与处理。使用前需安装 belt CLI 并登录，安装命令为 npx skills add belt-sh/cli。典型用法是以 bash 命令方式依次调用搜索与 LLM 应用，并可用 shell 变量在步骤间传递结果。
该技能用于创建多说话人对话音频，基于 Dia TTS（通过 inference.sh CLI）实现。支持 [S1]/[S2] 说话人标签区分两个角色，通过标点符号（句号、感叹号、问号、省略号、逗号、破折号）和非语音提示（如 (laughs)、(sighs)、(whispers)）控制情绪与表达，并提供节奏控制、对话结构模式（访谈、教程、辩论）、后期处理（音量归一化、背景音乐合并、长对话分段）以及脚本写作建议。适用于播客、访谈、教程讲解等双人对话场景。
Google Veo 视频生成技能，通过 inference.sh CLI（belt）调用 Google Veo 系列模型生成视频。支持的模型包括 Veo 3.1、Veo 3.1 Fast、Veo 3、Veo 3 Fast 和 Veo 2，可用于文本生成视频等场景。使用前需安装 belt CLI 并登录，然后通过 belt app run 命令传入提示词生成视频，还可使用 belt app search 查找相关应用、belt app sample 查看输入选项。
这是 inference.sh 的 JavaScript/TypeScript SDK（包名 @inferencesh/sdk），用于在 Node.js 18+ 或现代浏览器中运行 AI 应用、构建智能体并集成各类模型。它提供客户端初始化与鉴权、应用的同步/异步/流式执行、文件上传与自动上传、有状态会话、模板与临时智能体、工具构建器（含客户端工具、应用工具、智能体工具、Webhook 工具、内置工具）、技能上下文、前端代理以及完整 TypeScript 类型与错误处理等能力。安装命令为 npm install @inferencesh/sdk，也支持 yarn、pnpm。文档给出 Next.js、Express、Hono、Remix、SvelteKit 代理支持，以及 CommonJS 用法与相关技能安装命令。