developing-skills
为 Claude Code 插件开发技能，组织触发元数据、核心说明、脚本、参考文档和输出素材。
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 11-11 00:16
智能体与模型
26,078 个结果
structuring-plugins
介绍 Claude Code 插件目录结构与组织方式的技能，涵盖插件清单 plugin.json、commands、agents、skills、hooks、MCP 等组件的摆放与自动发现规则，以及使用 ${CLAUDE_PLUGIN_ROOT} 的可移植路径写法。
skill-skiller
为 Claude Code 构建专业技能（Skill）的元技能：通过结构化访谈、自动生成文件与双层 eval 测试，把工作流程转化为可安装的技能包，包含触发率与质量评测、冲突检测和打包分享。
empirical-proof
empirical-proof 是一个面向编码智能体的技能规范，核心目标是消除“幻觉式完成”——即智能体在没有真正验证的情况下自信地宣称任务已完成（例如“✅ 所有测试通过”）。它要求智能体在填写自审（Self-review）时，必须逐条粘贴真实运行得到的原始输出作为证据，而非转述或概括。该技能通过消费方仓库的 AGENTS.md 契约解析项目命令（cmdValidate、cmdTest，以及可选的依赖校验命令），若缺少配置则要求用户指定，禁止猜测。主要规则包括：永不假设成功、逐字粘贴输出、每个声明单独验证、每次改动后重跑、审查他人分支时需在工作树中亲自运行、粘贴原始输出而不做任何加工。该技能适用于代码编写、验证执行、基准测试和任何可验证声明的任务场景。
persona-skeptic
Persona-Skeptic 是 swarm-skills 中的一种「怀疑论」评审立场（Skeptic stance），核心原则是默认反驳：任何完成声明在证据强制推翻之前都视为未证实。它用于审查其他智能体的变更集、重跑其检查、深化既有审计，或对缺陷进行根因定位。它假定声明是错的、代码有 bug、「已完成」是幻觉，绿了的总结、很小的 diff 和自信的措辞只是调查的起点而非终点。该立场规定了默认追问（如「什么能证伪它？」「证据是否按 ID 证明确切需求？」「什么该变却没变？」「哪些边界与生产故障未处理？」）、必需要的证据（自己重跑的检查并映射到需求 ID、亲自读取 diff、保留性证据、每条发现引用文件与行号）、以及拒绝清单（仅凭总结证明、无命令或退出码的「测试通过」、依赖提交者自己粘贴的验证、实现者对自己的变更记录结果、含糊其辞的发现降级、评审中修改源文件等）。评审结果为 Pass、Fail、Unverified、Blocked 四种状态。该立场也可用于对自己的产出做对抗性自审，但自审只产生修复与批评记录，绝不产生评审结果，也绝不替代独立评审。
setup-landscape
一个用于创建“Landscape”仓库的 AI 技能：从自身仓库写入 landscape，并为一个或多个成员仓库各开一个草稿拉取请求，把成员接入 landscape；再次运行可添加成员或同步已变更的连接。依赖 /context-engineering 技能。
harvest
harvest 是一个在工作流退出时运行的知识沉淀技能：读取工作流轨迹与问题记录，识别词汇、架构决策、反模式和可复用方案四类信号，并通过 substrate-write 写入最多 4 条条目。
self-improvement
Self-Improvement 是一个面向 AI 编程智能体的自我改进技能，用于将学习成果、错误记录和用户纠正持续沉淀到项目中的 markdown 文件里，以便编码智能体后续将这些记录处理为修复，并把重要的学习内容提升为项目记忆。它适用于命令或操作意外失败、用户纠正 Claude、用户提出缺失功能、API 或外部工具失败、知识过时、发现更优做法等情况。该技能通过在项目根目录创建 .learnings/ 目录，并使用 LEARNINGS.md、ERRORS.md、FEATURE_REQUESTS.md 三类文件记录不同类别的内容。每条记录包含摘要、详情、建议操作、优先级、状态、所属区域、相关文件、标签和关联条目等字段。技能还支持定期审查、重复模式检测、将广泛适用的学习提升到 CLAUDE.md、AGENTS.md 或 .github/copilot-instructions.md，以及在满足条件时将学习内容提取为可复用技能。
self-improving-agent
该技能用于把非显而易见的经验、失败和功能请求记录到本地 .learnings/ 知识库，减少重复犯错。适用于命令或集成意外失败、用户纠正假设、发现更好工作流、需要跟踪缺失能力，以及进入已有经验积累的领域时。
chatgpt-fanout-queries
用于捕获并分析 OpenAI Responses API 暴露的搜索查询、联网搜索调用、来源、引用与回答的技能，服务 GEO 研究。依赖 Python 3.10+ 与 openai、python-dotenv，支持在线与离线两种模式，生成 HTML 报告。
appfolio-reference-architecture
针对 AppFolio 物业管理集成的参考架构技能，描述多物业组合场景下的实时空置追踪、租户生命周期管理、工单路由与账务对账的架构设计与实施顺序。触发词为 "appfolio architecture"。
apple-notes-cost-tuning
Apple Notes 成本优化技能，聚焦 iCloud 存储管理。Notes 本身随 Apple ID 免费，主要成本来自 iCloud 空间。提供存储审计脚本、归档策略与可逆建议，仅输出聚合指标，不涉及笔记内容或账户名。
artifact-creator
用于创建或修订 Agent Skills、宿主插件、子智能体、MCP 服务器与客户端配置、hooks 及市场目录的元技能，强调先确定权威规范再写文件，保持可移植核心与宿主打包分离。
artifact-validator
Artifact Validator 是一个用于审计智能体系统产物的技能：按产物类型选择权威标准，执行可用的确定性检查，并区分已观察事实与无依据声明。它本身是编排器，不改变被审计对象。
clade-architecture-variants
面向 Claude 应用开发的架构模式技能，汇总五种架构：聊天机器人、RAG、智能体工具循环、内容批处理管道与评估打分，含 TypeScript 示例代码和延迟、成本、复杂度对比表，用于按需求选型。
clade-core-workflow-a
该技能为跳转条目，指向 clade-model-inference，用于覆盖 Anthropic Messages API 的流式输出、视觉与结构化输出等模式。
cohere-migration-deep-dive
将应用迁移到 Cohere 或从 Cohere 迁出的技能，涵盖提供商适配器、并行嵌入索引、质量评估、金丝雀流量与回滚，适用于更换模型提供商时的语义与运维变更。
hyperfocus
Hyperfocus 是面向 Claude Code 的 ADHD 友好输出格式化技能，通过分块、视觉层级和前置要点等认知可访问性方式重构回复结构，不改变事实、代码或机器输出。
intercom-enterprise-rbac
用于配置 Intercom 企业级访问控制的技能：通过 OAuth 范围、管理员角色映射与应用层权限校验，管理管理员权限、团队路由并审计敏感操作。适用于实现 OAuth 集成、管理管理员权限或构建多工作区授权流程。
intercom-webhooks-events
该技能用于实现 Intercom 传入 Webhook 处理与出站数据事件追踪：校验 HMAC-SHA1 签名、按 topic 路由通知、用 Redis 做幂等去重，并通过 Events API 提交自定义事件。
j-rig
j-rig Skill Refiner 是针对 SKILL.md 的评估引导式改进循环，以薄封装调用已发布的 j-rig CLI，分析技能行为、提出有界编辑，仅在留出集评分严格提升时才接受，且评分由独立评估工具负责。
klingai-content-policy
为 Kling AI 提示词与输出实现内容政策合规的技能：在提交前做本地过滤、加入安全负向提示、处理服务端内容政策拒绝，并提供供评审使用的分级决策流程。
klingai-team-setup
Kling AI 团队配置技能，用于为团队管理 Kling AI API 的访问权限。核心能力包括：按环境（开发、预发布、生产）创建独立 API 密钥对，通过环境变量路由；为每位团队成员配置角色（admin、editor、viewer）、每日额度上限和可用模型列表；实现成员级与团队级用量配额校验；集中管理密钥（支持 AWS Secrets Manager、GCP Secret Manager、HashiCorp Vault、1Password CLI）；提供带团队访问控制的客户端封装。适用于需要多人协作使用 Kling AI 视频生成 API、并希望控制成本与权限的组织。使用前需具备已批准的团队角色矩阵、授权工作区、预算负责人、权利与内容政策流程、合成测试简报以及经过测试的访问撤销路径。
langchain-core-workflow
LangChain 1.0 核心工作流技能：用 RunnableParallel、RunnableBranch、RunnablePassthrough.assign 与 RunnableLambda 组合 LCEL 链，处理输入输出形状、调试探针与类型化组合，并规避 AgentExecutor 静默吞错问题。