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 11-09 00:13
25,976 个结果
openspec-explore 是 OpenSpec 工作流中的一个“探索模式”技能，定位为思考伙伴，帮助用户探索想法、调查问题和澄清需求。在该模式下，助手可以阅读文件、搜索代码并调查代码库，但明确不编写代码或实现功能；若用户要求实现，会提醒先退出探索模式（如通过 /opsx:new 或 /opsx:ff 启动变更）。它可以按需协助创建 OpenSpec 制品（提案、设计、规格），那属于记录思考而非实现。该技能没有固定步骤和强制输出，强调提问自然、开放式展开多条线索、多用 ASCII 图可视化、跟随对话灵活转向、耐心让问题轮廓浮现，并在相关时基于真实代码库展开讨论。它可检查 openspec list --json 了解现有变更与上下文，并引导把新需求、设计决策、范围变化等记录到对应制品中。
面向文件式智能体记忆的整理技能：用 WRITE、ROUTE、PRUNE 三个动作管理四类记忆，主张“减法是主导哲学”，默认不应记，删除与写入同等重要。适用于搭建、审计或维护 CLAUDE.md、AGENTS.md、记忆目录与规则/技能文件夹。
advisor 是 darkmatter/skills 中面向 AI 智能体的技能说明，用于定义智能体作为其他智能体“顾问”时的行为规范，核心是防止重复造轮子，并提供事件追踪清单。
agent-browser 是面向 AI 智能体的浏览器自动化 CLI，通过 CDP 直接驱动 Chrome/Chromium，用于网页导航、表单填写、按钮点击、截图与数据提取。适合 Node.js/Rust 为主的流程或直接 CDP 控制。
该技能用于引导智能体与用户为智能体任务共同制定清晰的“完成定义”（Definition of Done），确保结果可被识别与验收。适用于涉及多步骤、多组件或验收标准模糊的任务，提供协作提问指引与模板，无需外部脚本。
用于在 Databricks 中创建和管理 Agent Bricks 的技能：构建面向文档问答的 Knowledge Assistant、面向自然语言转 SQL 的 Genie Space，以及编排多个智能体的 Multi-Agent Supervisor。
用于评估智能体在 Databricks 场景中是否选择了合适的 MCP 工具而非 shell 变通方案的工具选择评分标准，适用于 trace 中出现本可用 MCP 的 Bash 调用时。
该技能用于分析 MLflow 会话（session），即多轮聊天对话或交互中由同一 session ID 关联的一组 trace。每个 trace 代表一轮对话，包含用户输入与系统响应。技能指导如何从首个 trace 发现输入/输出字段结构，再通过 --extract-fields 高效提取整个会话的字段与评估结果，定位问题轮次并追溯根因，同时结合代码库理解会话 ID 分配、上下文窗口管理与跨轮状态。适用于调试聊天对话、排查多轮对话中的错误传播等场景。
用于在 Databricks 中创建和管理 Agent Bricks 的技能，涵盖基于文档的 Knowledge Assistant、自然语言转 SQL 的 Genie Space 以及多智能体编排的 Supervisor Agent。
mlflow-onboarding 是一个 MLflow 入门引导技能，先判定使用者属于 GenAI 应用/智能体还是传统机器学习/深度学习，再引导其查阅对应 quickstart 教程并集成 MLflow。
依据 AgentSkills.io 规范创建新的 Agent Skills 的指南，涵盖必填 frontmatter（name、description）、可选元数据、目录结构与渐进式披露，并提供最小技能示例与质量检查清单。
Databricks Expert Agent 可将助手转变为资深 Databricks 解决方案架构师代理，用于设计、实现并审查生产级 Databricks 方案，覆盖治理、质量、成本与可扩展性，遵循 Unity Catalog、Delta Medallion 架构等官方最佳实践。
面向 Databricks Spark 声明式管道（SDP，原 DLT）的数据质量期望模式技能，将质量规则集中存放在 Unity Catalog Delta 表中，通过规则加载模块与 @dlt.expect_all_or_drop()、@dlt.expect_all() 装饰器在 Silver 层实现可运行时更新、可审计、可复用的数据校验与隔离。
基于 Databricks 托管 Foundation Model 的纯 Python 智能体工具调用循环范式，用 HTTP 调用实现模型决策、本地执行工具并回传结果，适用于构建 agent_loop.py 等后端。
用于在 Databricks 上端到端实现生产级 GenAI 智能体的编排技能，基于 MLflow 3.0 ResponsesAgent，结合 Genie Spaces、Lakebase 记忆与评估部署流程。
用于在 Databricks 上搭建生产级 Genie Space 的模式集合，涵盖智能体指令、数据资产与基准问题。适用于创建自然语言分析空间、配置智能体行为、选择数据资产、编写验证问题及排查查询路由问题。
面向有状态智能体的 Lakebase 记忆模式技能，提供短期会话记忆（CheckpointSaver）与长期用户偏好记忆（DatabricksStore），并支持记忆表缺失时的优雅降级。
基于 MLflow 3.0+ 的 Databricks GenAI 智能体评估模式，涵盖 LLM-as-judge、MemAlign 判官对齐、GEPA 提示词优化与自定义评分器，强调统一使用 mlflow.genai.evaluate()、响应文本提取辅助函数与阈值检查。
面向 Databricks GenAI 智能体的 MLflow 3.0 基础模式技能，涵盖模型签名、追踪、评估与提示词注册表。强调 ResponsesAgent 必用、不得手写签名、数据查询失败不得回退 LLM 编造数据。
面向 Databricks Genie Spaces 的多智能体编排模式技能，包含 Conversation API 集成、并行领域查询、意图分类与跨域结果综合，并强调 Genie 查询失败时禁止使用 LLM 回退。
面向 GenAI 智能体生产环境的持续监控实践，基于 MLflow 注册评分器（registered scorers）、按需 assess()、追踪归档与指标回填，提供采样策略、评分器生命周期与不可变模式等模式说明。
面向 Databricks 环境的提示词版本管理技能：用 MLflow Prompt Registry 与 Unity Catalog 表存储提示词，支持版本追踪、champion/challenger A/B 测试、运行时别名加载与回滚。
Databricks GenAI 智能体的 MLflow ResponsesAgent 实现模式，涵盖流式响应、MLflow 追踪、Model Serving 的 OBO 身份验证与 AI Playground 兼容性，供新建智能体时遵循。
面向智能体的自我反思与持续改进框架：通过系统化技能更新，从错误中学习，优先更新已有技能而非新建。包含触发条件、反思流程、技能模板与上游同步工作流。