playwright-mcp
基于 Playwright MCP 服务器的浏览器自动化技能，可编程控制 Chrome、Firefox、WebKit，用于网页导航、点击、填表、提取数据与截图。
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
26,092 个结果
proactive-agent-lite
Proactive Agent Lite 是一个面向 OpenClaw 智能体的轻量技能，通过记忆架构、反向提示与自愈模式，让智能体从被动执行任务转为主动预判需求、持续改进。需 OpenClaw v1.0 或更高版本。
self-improving-agent
用于整理 Claude Code 自动记忆的插件：分析 MEMORY.md 中的模式，把已验证的经验提升为 CLAUDE.md 或 .claude/rules/ 规则，并将重复出现的解决方案提取为可复用技能。
self-improving agent (proactive self-reflection)
这是一个面向 AI Agent 的自我改进技能，核心机制是自我反思、自我批评、自我学习与自我组织记忆。Agent 在工作中可以评估自己的产出、捕捉错误，并把纠正和反思沉淀为可长期复用的记忆，让知识随时间自动积累而无需人工维护。技能把记忆存放在本地目录 ~/self-improving/ 下，采用 HOT、WARM、COLD 三层结构：HOT 为始终加载的 memory.md（不超过 100 行），WARM 按上下文匹配加载的项目与领域记忆，COLD 为需要显式查询才加载的归档。它会自动识别用户纠正、偏好信号和重复出现的模式，并在同一模式被使用 3 次后提升为 HOT 规则；同时支持查询已学到的内容、查看模式、遗忘指定条目、导出全部记忆以及查看记忆统计。该技能仅在本地读写自己的记忆文件，不访问日历、邮箱或联系人，不发起网络请求，也不读取 ~/self-improving/ 之外的任何文件。
xianyu-auto-fulfillment
基于浏览器的闲鱼虚拟商品自动发货框架，核心提供付款卡片检测，发货逻辑由用户自定义，支持秘钥、链接、图片、文件、API等多种发货模板。
orchestration
Orca Orchestration 是 Orca 技能体系中的多智能体编排参考入口，用于在 Orca 运行时中协调受监督的 worker。它支持线程化消息、阻塞式 ask/reply 流程、任务派发、worker_done 与 escalation 等待、任务 DAG、决策门以及协调者循环等工作方式，也可用于把工作拆分给多个智能体。该技能本身只是一个发现用存根，并非使用指南；与版本匹配的完整参考由 orca 二进制文件自身提供，以避免文档与真正执行命令的二进制发生偏差。使用前需先确定本次会话应使用的可执行文件（依据环境变量或运行环境选择），再通过该可执行文件加载与版本匹配的指南，并优先使用 JSON 输出。若需要完全的所有权交接（例如“hand off”“handover”“交给另一个智能体”“另一个 worktree”），且用户并未要求监督、监控、等待结果或协调 DAG，则应改用 orca-cli 技能；普通终端控制、shell 命令、worktree 管理和内置浏览器同样属于 orca-cli 的范畴。协调依赖真实的 Orca 运行时状态，不应以非 Orca 的子智能体工具替代。关于收费、价格与平台支持等信息，资料中暂未提供。
bluesky
Lettabot 的 Bluesky 技能：通过 lettabot-bluesky CLI 读写 Bluesky，默认只读，发布、回复、点赞、转发等写操作需显式调用。
mcporter
mcporter 是一个用于直接操作 MCP 服务器与工具的 CLI，支持 HTTP 或 stdio 连接，可列出、配置、认证并调用 MCP 工具，也支持临时服务器、配置编辑与 CLI/类型代码生成。
oracle
oracle 是一个把提示词与选定文件打包成一次性请求的 CLI，供另一个模型基于真实仓库上下文作答（API 或浏览器自动化）。默认常用路径是 --engine browser 搭配 GPT-5.2 Pro，耗时可能从约10分钟到1小时，属于正常现象。输出仅供参考，需对照代码与测试验证。
ln-502-agent-reviewer
用于代码变更的外部智能体并行评审工作器，属于 ln-500 质量门流水线，由 ln-501 第7步调用。它并行运行 codex-review 与 gemini-review，返回去重并按置信度过滤的建议，输出 verdict 与建议列表。
gc-ai-speak-translator
该技能把用户口语化、模糊的请求翻译成另一个 AI 可执行的精确任务说明、提示词或智能体指令。它强调意图翻译而非通用润色，可区分目标 AI 类型、输出层级并标注假设与缺失信息。
deepseek-v4-flash-vision-rag
基于 DeepSeek 视觉大模型（deepseek-v4-flash-vision-exp）的 PDF 深度问答与检索技能，为每页 PDF 建立视觉索引后做本地粗筛、视觉精排与深读回答，答案带 [第N页] 引用并展示命中页原图，支持扫描版、图表、表格与代码块理解。
dsh-plugin-developer
dsh-plugin-developer 是一份面向 DeepSeek Harness（dsh）0.2.x 的插件开发技能，用于指导并协助开发、编写、创建和搭建 dsh 插件或为 dsh 增加新能力。dsh 采用无特权内核设计，模型适配器、工具注册表、Agent 循环和网页界面本身都是插件；增加新能力只需写插件挂载到 Cordis 容器，无需 fork 源码。该技能以 dsh 0.2.x 为准，提供从需求诊断与选型、环境准备、搭建骨架、实现能力、构建、测试到发布的完整工作流，并附带工具、技能、系统提示、外部 API 调用、插件页面与数据、深度集成、安全、插件类型、构建测试、发布和排错等参考文档，以及可运行的插件骨架、脚手架脚本和实战案例。
wecomcli-workflow-multi-agent-dev
企业微信多编程代理协同技能，支持竞赛、分工、流水线三种模式，用 Agent Tool 启动多个子代理并行或串行工作，并通过企业微信智能表格追踪任务、消息通知结果。
antfu-query
antfu-query 是一个以“追问”为核心的技能，用于在动手前把计划、决策或想法彻底问清楚，直到与用户达成共识。它把讨论组织成一棵设计树：每个决策都会分出依赖它的子决策。所有问题都必须通过智能体的交互式提问工具提出，而非写在回复正文里；每题给出2至4个具体选项并说明取舍，把推荐项放首位并标注（Recommended）。每轮只问“前沿”问题，即前置条件已确定、当前无需猜测即可提问的决策，等用户回答后再重算前沿、进入下一轮。事实查证由技能自己完成（查文件、代码、文档或派子智能体），不向用户索取可自行查到的信息；决策则必须交给用户。前沿为空即结束，并先简要汇总已确定的决策，等用户确认达成共识后再行动。
model-selection
model-selection 是 liblaf/skills 中的一个技能，用于为具体使用场景挑选合适的模型与推理强度，在成本与智能水平之间取得平衡。该技能说明指出：能力最强的模型在大规模使用时可能过于昂贵，而最便宜的模型可能质量不足，因此需要按任务权衡。现有资料仅提供一份参考表，列出了若干模型及其 Intelligence Index、Cost per Task 和备注，并说明了路由权重可作为成本倍数使用。资料未提供安装方式、调用方式或技能的具体使用步骤。
hf-api
hf-api 是一个通过读取环境变量 HF_TOKEN 并请求 huggingface.co 接口来访问 Hugging Face 的 AI 技能，可用于以编程方式获取模型等 API 数据。
improve-agent-workflow
用于诊断并改进既有项目中编码智能体工作方式的方法型技能：围绕项目技能、AGENTS 指令、提示与上下文投递、工具或 CLI 接口、钩子与适配器、验证关卡等表面，定位最应变更的归属面并给出最小改动。包内含只读的 reference/sequence.md 快照，可独立使用。
project-cognition
一个用于为大型项目建立“与源码关联的工作模型”的技能：在后续智能体或任务需要复用项目架构时，决定是否持久化该认知模型，并将其分区、验证与按变更选择性刷新，而非每次重建整个项目。
agent-guidance
该技能用于判断一个 Agent 方法应放在哪种指导载体（guidance carrier）中：任务 prompt、项目指令、普通文档、reference、SKILL.md 还是 focus anchor，并审查载体的形成、拆分、合并、表达、发现与激活。主张从真实行为压力出发，选择最小可行载体，写成可独立行动的指导，区分任务表达与工具、运行时各自拥有的权限与效果边界，再用行为观察而非格式通过来验证激活效果。
agent-personality
这是一个设计时技能，用于为生产 Agent 或有意差异化的协作者设计或修订受 MBTI 启发的工作偏好，并产出可独立执行的交接提示词。人格只改变注意与判断的默认顺序，不提供额外能力、事实、权限或专业方法。适用于设计人格材料、诊断并校正造成偏差的现有人格材料、为同一决策点获取互补视角，输出设计说明与独立人格指令块；不适用于普通委托、人的心理诊断、仅改变口吻或声称模型拥有稳定人格。
context-engineering
Context Engineering 是一项技能，用于设计、审计与验证决策相关的项目信息如何通过实际运行环境到达智能体。它聚焦于信息交付而非内容本身，帮助判断在特定智能体动作中，哪些源信息必须到达智能体、何时可用、以及最小且具运行时证据的交付路径。适用于智能体错过关键边界、上下文放置不当等场景。
divide-and-conquer
该技能用于把大体量任务拆分给多个 sub-agent 或 swarm 分工并行执行，同时由主 Agent 继续对整体目标、覆盖范围与最终验收负责。它强调先掌握整体再划出可独立推进的部分，按真实责任和依赖形成分工，并在有界并行下控制启动、上下文传递、重复探索和整合成本。适用于跨模块检查、批量实现、多路调查等任务；简单任务、强串行依赖或仅需并行工具调用时不必组建 Agent 团队。
improve-agent-workflow
该技能用于诊断和改进编码智能体在既有项目中的工作方式，包括项目技能、AGENTS 指令、提示与上下文传递、工具或 CLI 接口等。它提供只读审计与定向改进两种模式，先恢复具体问题，再追踪任务从意图到交接的路径，定位主要矛盾与归属面，优先修正现有归属面而非新增机制，并通过常规路径验证行为证据。适用于智能体执行摩擦、归属面不清或多面交互的场景，不优化产品代码、团队政策、CI 或业务流程。