responses-agent-patterns
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。
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 11-09 00:13
智能体与模型
25,978 个结果
self-improvement
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。
skill-freshness-audit
用于系统性审计 Agent Skills 时效性的技能：通过验证锚点、波动性分级、过期检测与上游血缘追踪，确保技能与 Databricks、MLflow 等官方文档保持一致，并输出漂移报告。
skill-navigator
Skill Navigator 是面向 Databricks 数据平台构建的智能技能导航系统，采用分层上下文加载与编排器优先路由，将任务导向正确的技能，控制上下文占用。
confkey
confkey 是 Datadog saluki 仓库中的技能，用于处理 agent-data-plane 与 Datadog Agent 中的单个配置键（ConfKey）：分析两者一致性、起草 GitHub issue 并记录分类状态。
creating-glaido-mcp-servers
该技能用于为 Glaido 桌面应用构建可本地导入的 MCP 服务器。它指导用户判断是复用已有的第三方 MCP 服务器，还是围绕自有 API、脚本或本地操作新建自定义服务器，并生成一个自包含文件夹（含 mcp.json、服务器代码、依赖与环境配置）。服务器以本地 stdio 进程方式运行，导入后其工具即可供 Glaido 的智能体调用。技能覆盖语言选择、目录脚手架、工具实现规范、环境变量、mcp.json 编写、校验与导入交接等步骤，默认推荐 Python + FastMCP 并通过 uv 运行。
12-factor-agent-design-review
基于 HumanLayer 12-Factor Agents 原则，用于设计或审查 LLM 智能体与工作流的方法技能，帮助暴露可靠性决策、证据与权衡。
herdr
Herdr 是面向编码智能体的终端多路复用器，把终端组织为工作区、标签页和窗格，并能识别窗格中运行的编码智能体，通过 herdr CLI 暴露当前会话。本技能仅在用户明确提到 Herdr 或要求用 Herdr 检查、控制窗格时使用。
triage
triage 是一个用于项目 issue 跟踪器的技能，通过一组分诊角色构成的状态机来推进 issue 与外部 PR：分类、验证、必要时追问，并撰写可供智能体执行的简报。
wayfinder
Wayfinder 是一个面向 AI 智能体的规划技能，把超出单次会话容量的大块工作规划成 issue 追踪器上的共享地图与决策工单，逐个解决直到通往目标的路线清晰。
curviate
Curviate 是面向智能体的 LinkedIn API，其命令行工具为 curviate CLI。本技能是调度入口，说明不同任务应阅读哪个子技能，并给出全局通用规则，如二进制解析、凭据优先级、退出码分支与检索模式限制。
inference-serving-llama-cpp
llama.cpp 是一个用纯 C/C++ 实现的 LLM 推理工具，依赖极少，针对 CPU 和非 NVIDIA 硬件做了优化。它适合在仅有 CPU 的机器、Apple Silicon（M1/M2/M3/M4）、AMD 或 Intel GPU 上运行大模型，也适用于树莓派等边缘设备部署，以及希望不依赖 Docker/Python 的简单部署场景。资料同时给出了安装、模型下载、命令行推理、OpenAI 兼容服务端、量化格式选择、硬件加速、批处理、约束生成、上下文设置、性能基准与支持模型等信息。
mechanistic-interpretability-nnsight
nnsight 是一个用于解释和操控神经网络内部结构的 Python 工具，支持任意 PyTorch 模型。它通过延迟执行的 trace 上下文，让研究者访问、修改和保存模型中间层的激活值、注意力模式与输出 logits，并可在本地小模型或通过 NDIF 远程在 70B+ 大模型上运行同一份代码。适用于机制可解释性研究、激活修补、跨提示激活共享和基于梯度的分析。
mechanistic-interpretability-pyvene
pyvene 是 Stanford NLP 推出的 PyTorch 模型因果干预库，本条目提供其使用指导。它通过声明式的字典配置，对任意 PyTorch 模型执行激活替换（activation patching）、因果追踪（causal tracing）和交换干预训练（IIT），让干预实验可复现、可分享。主要能力包括：IntervenableModel 包装模型、多种干预类型（Vanilla、Addition、Subtraction、Zero、RotatedSpace、Collect）、可指定层与组件（如 block_output、attention_output、mlp_activation 等）、支持训练可学习干预（DAS）、模型引导（如 Honest LLaMA）以及通过 HuggingFace 保存/加载干预。适用场景包括定位事实知识、电路分析、因果结构发现与行为引导。使用方式为 pip install pyvene，导入后构建 IntervenableConfig 与 IntervenableModel 并运行干预。限制：不提供远程执行，探索性激活分析建议用 TransformerLens，SAE 分析建议用 SAELens；大规模模型需注意显存，可用梯度检查点缓解。
mechanistic-interpretability-saelens
SAELens 是一个用于训练和分析稀疏自编码器（SAE）的 Python 库，可将神经网络激活分解为稀疏、可解释的特征。它基于 Anthropic 的单义性研究，提供加载预训练 SAE、训练自定义 SAE、特征分析与干预（如特征引导和归因）等工作流。适用于机制可解释性研究、特征发现、安全性分析等场景，依赖 TransformerLens，支持多种 SAE 架构。
mechanistic-interpretability-transformer-lens
这是关于使用 TransformerLens 进行机制可解释性研究的技能说明。TransformerLens 是面向 GPT 类语言模型的机制可解释性研究库，由 Neel Nanda 创建、Bryce Meyer 维护；它通过 HookPoint 暴露并操作模型的内部激活。该技能介绍核心概念（如 HookedTransformer、ActivationCache）、安装方式、支持 50 多个模型、激活缓存键含义，以及激活补丁、IOI 电路分析、归纳头检测三套工作流，并列出常见问题和与 SAELens 的集成方式。
model-architecture-litgpt
LitGPT 是 Lightning AI 推出的开源大语言模型工具，提供 20 多个预训练模型架构（如 Llama、Gemma、Phi、Qwen、Mistral 等）的清晰可读实现，并配套生产级训练流程。它支持加载预训练模型进行文本生成，也支持在自定义数据集上做全量微调或 LoRA 微调，还能从零预训练新模型，并将模型量化、转换为 GGUF 格式或通过 API 部署。适合希望理解 LLM 架构、需要可复现训练配方、做研究或原型验证，以及使用 Lightning 生态的开发者。安装命令为 pip install 'litgpt[extra]'。
n8n-mcp-tools-expert
n8n-mcp-tools-expert 是用于高效使用 n8n-mcp MCP 服务器工具构建工作流的专家指南。n8n-mcp 提供 40 多个工具，分为节点发现、配置验证、工作流管理、模板库（可搜索访问 2,653 个真实工作流）和文档等类别。指南给出按成功率与响应速度排序的常用工具参考，如 search_nodes（99.9%，<20ms）、get_node_essentials（91.7%，<10ms）、n8n_update_partial_workflow（99.0%，50-200ms）等，并强调 nodeType 前缀在不同工具中的差异、验证 profile 选择、自动清理（auto-sanitization）行为以及智能参数（branch、case）用法。
n8n-node-configuration
n8n 节点配置指南技能，专注于“操作感知”的节点配置方式。它强调不同操作（operation）会决定哪些字段为必填，字段之间还存在依赖关系（如某字段仅在特定条件下显示）。该技能建议从 get_node_essentials 入手（据资料称成功率约 91.7%），先配置必填字段，再通过 validate_node_operation 迭代校验；当依赖关系不清晰时使用 get_property_dependencies，仍不足时再用 get_node_info 查看完整 schema。内容涵盖 Slack、HTTP Request、数据库、IF/Switch 等常见节点的配置模式与反模式，帮助减少盲目配置和无效字段。
nowait
NOWAIT 是一种免训练的推理时干预技术，用于优化 R1 风格推理模型（如 QwQ、DeepSeek-R1、Phi4-Reasoning 等）的推理效率。它通过在生成过程中抑制自我反思类 token（如 "Wait"、"Hmm"、"Alternatively"），将思维链（CoT）轨迹长度缩短 27-51%，同时不损害模型效用。该技能适合在算力有限时部署推理模型、降低生产系统推理延迟、优化推理任务的 token 成本，以及精简冗长的 CoT 输出。支持 QwQ-32B、Phi4-Reasoning-Plus、Qwen3-32B、Kimi-VL-A3B、QvQ-72B-Preview 等模型，对基于强化学习（RL）训练的模型效果最佳，蒸馏模型需谨慎使用。
pudu-task-telemetry
Pudu Task Telemetry 是一个本地 AI 任务遥测技能，用于测量本地 AI 任务的延迟、token 用量、错误与已验证结果，结合 Pudu AI 硬件证据和已安装的 Ollama 模型使用。
ray-train
Ray Train 是用于分布式训练编排的组件，可将 PyTorch、TensorFlow、HuggingFace 等框架的机器学习训练从单机扩展到多节点集群，尽量少改代码。它负责分布式协调、GPU 分配、容错、检查点与指标聚合，并可与 Ray Tune 结合进行超参数调优。安装命令为 pip install -U "ray[train]"。
tokenization-sentencepiece
SentencePiece 是 Google 开源的、与语言无关的分词工具，直接把文本当作原始 Unicode 处理，无需按语言做预分词。它支持 BPE 与 Unigram 两种算法，可用于训练自定义词表并完成编码、解码；官方给出的性能约为每秒 5 万句、加载模型约占 6MB 内存。该工具适合多语言、中日韩文本、需要可复现分词或轻量部署的场景。提供 Python 包与 C++ 构建方式，并可配合 Transformers 使用。
workspace-orchestration
用于 docko 持久槽位工作区的编排技能：管理槽位认领、心跳、释放与子会话委派，并规定代码编辑须在 slots/ 内进行。