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
25,878 个结果
llm-models 是一个通过 inference.sh CLI（belt）并借助 OpenRouter 访问 100 多个语言模型的技能。它可调用 Claude、Gemini、Kimi、GLM 等模型，示例模型包括 Claude Opus 4.5、Claude Sonnet 4.5、Claude Haiku 4.5、Gemini 3 Pro、Kimi K2 Thinking、GLM-4.6、Intellect 3，并提供 any-model 自动选择。该技能通过命令行输入提示词并返回结果，支持自定义系统提示，可用于编程、写作、分析、智能体与对话等场景。
这是一个面向 AI 模型的提示词工程（Prompt Engineering）技能/指南，主要教用户如何为 LLM、图像生成模型和视频模型编写结构化提示词。资料以 inference.sh 的 CLI 工具 belt 为执行入口，先要求运行 npx skills add belt-sh/cli 安装技能，再通过 belt login 登录，并用 belt app run 调用具体模型（如 openrouter/claude-sonnet-45、falai/flux-dev、google/veo-3-1-fast）来测试提示词。内容覆盖 LLM 的角色提示、任务清晰化、思维链、少样本示例、输出格式指定、约束设置；图像生成的主体、风格、构图、光线与技术关键词、负面提示；视频提示的镜头类型、主体、动作、场景与风格。还介绍了系统提示、结构化输出、迭代优化、多轮推理、模型特性差异、常见错误与提示词模板。
inference.sh 的 Python 官方 SDK，包名为 inferencesh，可通过 pip install inferencesh 安装（异步特性需 pip install inferencesh[async]，要求 Python 3.8+）。它让开发者用 Python 调用平台上的 AI 应用、构建和运行智能体，并整合各种模型。主要能力包括：运行 AI 应用（同步执行、fire-and-forget 异步提交、流式进度）、文件上传与自动上传、会话（Session）保持 worker 预热实现有状态执行、模板智能体与临时智能体、工具构建器（客户端工具、应用工具、智能体工具、Webhook 工具、内置工具）、流式消息与工具调用回调、文件附件、可复用 Skills、异步/await 支持、错误处理与人工审批流程。使用前需通过 API Key 认证（可在 Settings → API Keys 创建）。
related-skill 是一个用于发现和安装相关技能的工具，帮助用户为 AI 工作流查找和补充互补技能。它通过 npx skills 系列命令行操作，从 inference.sh 技能注册表中搜索、列出、安装、更新和移除技能，从而扩展 AI 智能体的能力。该技能本身侧重于技能发现与工作流扩展，安装时使用 npx skills add belt-sh/cli。借助它，用户可以按类别安装 AI 模型、图像、视频、音频、搜索和社交等各类技能，也可组合安装以构建研究型智能体、内容创作或媒体处理等工作流。
tools-ui 是来自 ui.inference.sh、面向 React / Next.js 的工具生命周期 UI 组件集，用于在界面上展示 AI 工具调用从发起到结束的各个状态。它提供 ToolCall、ToolResult、ToolApproval 等组件，可分别呈现工具调用请求、运行中状态、执行结果，以及需要人工批准后才能执行的审批流程。支持 pending、running、approval、success、error 等状态，并会根据工具名称自动匹配图标（如搜索、读取、写入、删除、发送等，默认使用扳手图标）。组件可通过 shadcn 命令安装，也能与 Agent 组件配合，由 Agent 自动处理工具生命周期，并可通过 requiresApproval 开启审批流。适合为智能体应用构建透明的工具调用展示与人机协同审批界面。
该技能用于为 Shopify 店铺中的商品分配 Shopify Standard Product Taxonomy（标准商品分类法）类别。其目的是让 AI 购物智能体能够把消费者的购买意图映射到正确的分类节点，进而检索到对应商品；未分类的商品则难以被这种映射命中，只能依赖精确关键词命中。该技能会查找未分类或分类错误的商品，依据标题、类型、标签推断，并在实时分类树中确认，最终分配正确的标准分类。技能修复 category-taxonomy-api，提升 catalog-intent-alignment。运行前需已认证的 Shopify CLI 会话及 read_products、write_products 权限。工作流包含查询商品、查询分类树、本地评分计算、以及通过 productUpdate 写回分类四个步骤，并强制输出各阶段会话追踪信息。安全方面提示第 4 步会修改线上商品，影响店铺筛选面、市场与税务，建议先用 dry_run 预览并人工复核。
langchainx 的 RAG 模块，提供检索增强生成所需的 Rust 抽象与组件。核心包括 Embedder trait（文档与查询向量化）和 VectorStore trait（文档写入与相似度检索），并配有 add_documents! 与 similarity_search! 宏简化默认选项调用。内置多种嵌入后端：OpenAI（默认）、Ollama、FastEmbed（本地）、MistralAI，均通过 feature flag 启用。Retriever 将向量库包装为链式调用组件，可指定检索文档数量。文档加载器统一实现 Loader，返回 Document 流，支持 Text、Csv、Html，以及按 feature 启用的 Pdf、GitCommit、HtmlToMarkdown、SourceCode 加载器。示例展示结合 PgVector、OpenAI 嵌入与 LLM、SimpleMemory 构建 ConversationalRetrieverChain，实现带记忆的对话式检索问答。
Agent Development Repo Bootstrap 是一个用于初始化智能体开发仓库（agent-development repo）的技能。它的核心思路是保持全局技能轻量，仅负责创建项目脚手架，并把长期适用的智能体开发理念写入目标仓库的 .agent/ 目录，使后续 Codex、Claude Code 或其他代码智能体会话能够直接从项目本身读取本地指导。该技能通过确定性的引导脚本搭建 lab/deliverables/memory 结构、写入 .agent/ 指导原则、生成起始台账与校验脚本。适合需要为多轮智能体开发建立统一目录规范与记忆管理机制的团队或个人。
create-skill-autoresearch 是一个用于“锻造”生产级智能体技能（agent skills）的工厂型技能。它通过金标准驱动的自动研究、多智能体验证和结构化共识，编排 4 种智能体角色走完 5 个阶段：访谈、研究、起草、自动研究、验证。其核心约束是构建者（BUILDER）与评审团（PANEL）从不共享上下文，评审团只接收技能输出、金标准和评分标准，避免构建过程带来的偏见。该工厂扩展了官方单次生成的技能创建器，增加了研究档案、金标准基准测试、自主改进循环和独立多智能体验证。它依赖 autoresearch、premortem、handoff 等配套技能，并借鉴 llm-council 的评审团/共识设计。适用于需要高质量、可基准测试、可自主改进并经过验证的智能体技能开发场景。
agent-generator 是一个用于生成 Claude Code 智能体文件（AGENT.md）的技能，遵循 Babysitter SDK 约定。它可生成包含 YAML frontmatter、角色定义、专业领域和提示词模板的完整智能体文件，输出结构包括 agentPath、frontmatter、promptTemplate 和 artifacts 等字段，并能与 agent-creation.js、phase6-create-skills-agents.js、specialization-creation.js 等流程集成。
用于机器人决策、任务排序与反应式行为的专家技能，可设计并实现行为树，配置 BehaviorTree.CPP 节点与树，编写自定义动作、条件、装饰器节点，并通过 Groot 调试执行。
面向机器人视觉的专用技能，覆盖相机标定、特征检测与跟踪、立体视觉及视觉伺服，可生成标定文件、检测配置与图像处理流水线。
Few-shot-example-gen 是一个用于生成和优化少样本示例（few-shot examples）的技能，旨在提升大语言模型（LLM）的表现。它支持生成多样化的少样本示例，实现多种示例选择策略，优化示例排序以提升性能，创建动态示例检索，为特定任务设计示例格式，并实现示例质量验证。该技能面向提示工程工作流和意图分类系统等流程，提供语义相似度、MMR 选择、N-Gram 重叠、随机采样、基于长度等多种示例选择策略，并可配置示例数量、选择算法、示例格式、最大 token 限制和示例存储后端。依赖 langchain 以及用于语义选择的 sentence-transformers。
Memory Summarization 是一个用于对话记忆压缩与上下文管理的技能，来源于 a5c-ai/babysitter。它围绕对话摘要提供多种实现策略，包括滚动摘要、分层摘要、Token 预算摘要、抽取式摘要和生成式摘要，并支持配置摘要所用 LLM、摘要 Token 预算、更新频率、摘要模板和质量阈值。该技能面向 conversational-memory-system 与 long-term-memory-management 两类目标流程，依赖 langchain-core 和 LLM 提供方。其最佳实践强调在细节与压缩之间取得平衡、保留关键信息、监控摘要质量、用长对话进行测试，并处理上下文窗口限制。
model-profile-resolution 是一个用于多智能体编排的模型配置解析技能。它在编排启动时读取当前激活的模型档位（quality/balanced/budget），并将各个智能体角色映射到具体模型，从而在成本与质量之间进行权衡。档位保存在 .planning/config.json 的 profile 字段中，也可通过 --profile 参数覆盖。该技能支持读取档位、按档位定义映射、为单个智能体解析模型、运行时切换档位、校验模型能力、估算工作流成本，并输出结构化结果。
面向机器人运动规划的专家技能，用于实现和配置基于采样（OMPL）与基于优化的轨迹规划算法，覆盖路径规划算法选择、轨迹优化与自定义运动规划方案。
MoveIt Motion Planning Skill 是一个专注于机器人操作与运动规划的专家技能，主要面向 MoveIt/MoveIt2 的配置与优化。它可生成 MoveIt 配置包、配置运动学求解器（KDL、IKFast、TracIK、BioIK）、设置包含规划组和末端执行器的 SRDF 文件、配置 OMPL 规划器（RRT、RRT*、PRM、BiTRRT）、实现抓取规划与拾放流水线、配置碰撞检测（FCL、Bullet）、集成规划场景与 octomap，并支持运动规划适配器、后处理、轨迹执行与监控，以及调试 IK 失败和规划问题。该技能依赖 MoveIt/MoveIt2、OMPL、IK 求解器与 FCL，适用于机械臂运动规划、拾放操作等需要 MoveIt 配置和优化的任务，输出配置包、SRDF、规划器与求解器配置等产物。
MPC Controller Skill 是一个用于模型预测控制（MPC）实现与调优的专家技能，支持线性与非线性 MPC，面向机器人系统，涵盖建模、优化问题构建、求解器配置、约束与代价函数调整及实时执行优化。
这是一个用于设计多轮工具调用智能体的 Claude 技能（Skill），归属于 a5c-ai/babysitter 技能集。它的目标场景是让智能体在多轮交互中连续调用工具，包括顺序调用多个工具、累积并复用前序工具返回的结果、在工具调用失败时进行错误恢复，以及把复杂任务拆解为跨越多轮的若干步骤依次完成。根据现有资料，该技能目前处于占位（Stub）状态，页面标注“implementation pending”，即实现尚未完成，因此没有可用的实现细节、安装方式或使用步骤说明。官方文本为空，暂未提供代码示例、依赖要求、兼容平台、收费情况或效果数据。
process-analyzer 是 Babysitter SDK 框架中的一个专用技能，用于分析流程需求与工作流。它能够识别工作流、定义流程边界与范围、映射输入输出、分析依赖关系，并识别质量准则，从而为专业化创建（specialization creation）提供依据。该技能以只读方式运行，聚焦流程结构，输出结构化 JSON，包含流程名称、描述、类别、优先级、工作流步骤与决策点、边界条件、依赖项以及质量指标、门禁和验证点。它可与 phase2-identify-processes.js、process-creation.js 和 specialization-creation.js 集成。
Prompt Template Design 是一个用于创建结构化提示词模板的技能，支持变量、格式化与版本控制。它可帮助构建带变量的提示模板，实现不同风格的提示格式化，设计 system/user/assistant 消息模板，处理动态上下文注入，并支持提示词的版本管理与复用组件。该技能面向 prompt-engineering-workflow 与 system-prompt-guardrails 等流程，提供 LangChain 的多种模板模式，包括基于变量的 PromptTemplate、基于消息的 ChatPromptTemplate、带示例选择的 FewShotPromptTemplate 以及组合式的 PipelinePromptTemplate。配置方面涵盖变量名与默认值、输入校验规则、输出格式规范、部分变量处理与模板继承。依赖 langchain-core。
pytorch-trainer 是一个 PyTorch 模型训练技能，支持自定义训练循环、梯度管理与 GPU 优化，并可接入实验跟踪系统，适合构建或编排模型训练流程。
Reinforcement Learning Skill 是一个面向机器人控制任务的强化学习专家技能，覆盖环境设计、训练流程与仿真到现实（sim-to-real）迁移。它可配置 Gym/Gymnasium 机器人环境，搭建 Stable Baselines3 训练（PPO、SAC、TD3），实现自定义观测与动作空间、奖励塑形策略、并行环境训练、域随机化、课程学习、基于 CNN 的视觉强化学习、策略蒸馏，并导出 ONNX、TorchScript 策略用于部署。该技能在需要基于强化学习的机器人控制、从仿真中学习或将学习到的策略迁移到真实机器人时被调用，关联 rl-robot-control.js、imitation-learning.js、sim-to-real-validation.js、nn-model-optimization.js 等流程，依赖 Stable Baselines3、Gymnasium、Isaac Gym、rsl_rl，产出环境实现、训练配置、奖励函数设计、域随机化配置、策略检查点与可部署模型。
面向多传感器融合与状态估计的专家技能，基于卡尔曼滤波与因子图优化，支持 EKF/UKF、robot_localization 配置、IMU 预积分、GPS/RTK 与轮式里程计融合及异常值剔除。