purpose-discovery
purpose-discovery 是一个用于 Agent Skills 开发的技能，通过一次只问一个问题的方式，在生成技能前澄清用户真实目标。它检查 8 项要素是否充分，不足则进入对话补充，最终生成结构化规格供 skill-scaffolder 使用。
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 11-12 00:15
智能体与模型
26,153 个结果
search-jay-llm-wiki
search-jay-llm-wiki 是一个只读的个人 Wiki 检索技能：在开展研究、架构选型、技术对比或复杂调试等非简单任务前，主动在固定 jay-llm-wiki 项目中查找已有结论与经验，并给出可引用的页面路径。
skill-install-compat
该技能用于在安装或更新 Skill 后检查手动调用声明，并为显式声明 disable-model-invocation 的技能补齐 Codex 的 agents/openai.yaml 配置，使 Codex 默认不自动注入该技能、保留显式 $skill-name 调用方式。它属于 Agent 工作流程，而非后台监听器，无法拦截在独立终端运行的安装命令。仅当 SKILL.md 的 YAML frontmatter 中 disable-model-invocation 解析为布尔值 true 时才处理；字符串 "true"、数字等不算真值。配置目标为技能目录内 agents/openai.yaml，不存在则创建并写入 allow_implicit_invocation: false，已存在则安全解析后最小化修改，保留其它键、值与注释，无法安全处理时跳过并报告。写入前会复核内容未被其他进程改变，拒绝覆盖断开的链接或非普通文件。该技能不修改原版 SKILL.md、脚本、参考资料或全局 AGENTS.md，也不更改安装来源或发布到远端。完成后会重新解析校验，并确认重复执行不再产生写入。该技能自身保持默认可自动触发，不添加手动调用限制；文件校验不等于运行时验收。
agent-desktop
agent-desktop 是一个命令行工具（CLI），用来让 AI 智能体通过操作系统的无障碍树（accessibility tree）观察并操作 macOS、Windows 与 Linux 上的桌面应用。它本身不是智能体，而是工具：每条命令输出一个 JSON 信封（包含 ok、data 或 error），由使用者自行执行 observe（观察）、act（操作）、verify（验证）这一循环。它支持带限定符的元素引用（如 @s8f3k2p9:e1），可通过 snapshot、find、get、is 等命令观察界面，并通过 click、type、set-value、select、toggle、scroll、press 以及鼠标命令进行交互；还提供应用启动与关闭、窗口管理、剪贴板、等待、批处理、会话、多智能体光标、追踪及按平台加载技能等能力。默认的引用操作以无头（headless）方式运行，不抢焦点、不移动光标、不合成按键、不使用剪贴板；只有在用户明确允许物理输入时才使用 --headed。工具强调通过 disposition.retry 判断能否安全重试，避免重复点击或输入，并针对 STALE_REF、AMBIGUOUS_TARGET 等错误给出重新快照或收窄目标等处理建议。适用于 AI 智能体需要查看或操作桌面应用的场景。
plugin-write
用于编写 DeepSeek Harness（DSH）插件的技能：先判定仓库模式与插件形态，再按对应参考文件创建或适配插件包，并校验命名与发布入口。
workflow-customize
用于管理 nanomia-ai/devflow 中当前团队成员的 Work 与 Verify 个人工作流设置，可创建、修改或重置个人偏好，例如实现方式、自查方法、验证观察顺序与边界输入。仅在需要持久保存工作方式时编辑个人文件，不改变共享契约、阶段或验证义务。
senior-computer-vision
这是一个面向生产级计算机视觉系统的资深工程师技能，覆盖图像与视频处理、目标检测、图像分割以及视觉 AI 系统构建。资料显示其核心能力包括高级生产架构与模式、可扩展系统设计、大规模性能优化、MLOps 与 DataOps 实践、实时处理与推理、分布式计算、模型部署与监控、安全合规以及成本优化。技能附带三个自动化脚本，分别用于视觉模型训练、推理优化分析和数据集流水线构建，并提供计算机视觉架构、目标检测优化、生产视觉系统三份参考文档。技术栈涵盖 Python、SQL、R、Scala、Go，PyTorch、TensorFlow、Scikit-learn、XGBoost，以及 Spark、Airflow、Kafka、Docker、Kubernetes、MLflow 等。
whatsapp-message-management
该技能把 WhatsApp 变成 ExoMind 的移动端生活管理入口，借助现有 WhatsApp MCP 实现任务捕捉、每日简报、习惯打卡与知识查询，适合手机优先的快速记录与提醒场景。
wayfinder
Wayfinder 是一个面向智能体的规划技能：把超出单次会话承载能力的大块工作，绘制成问题追踪器上的决策票据共享地图，并逐条解决这些“决策”而非直接执行，直到通往目标的路线清晰为止。
livewire-file-uploads
为 Livewire 表单组件添加文件上传能力的技能，基于 FilePond 实现拖拽、预览与进度显示，并接入 Livewire 临时上传、校验与持久化流程。
ima-copilot
IMA Copilot 是腾讯 IMA 官方技能（ima-skill，ima.qq.com）的一站式安装与配套工具，作为官方技能的包装层存在。它通过一条命令调用 vercel-labs/skills 安装器，将 ima-skill 安装到 Claude Code、Codex、OpenClaw 三个智能体，并提供 API 密钥配置引导（含实时校验）、已知上游问题的诊断与修复，以及跨知识库的扇出搜索。安装脚本自动检测本机已装的智能体，对未安装者跳过，对已安装者以全局符号链接模式共享同一份副本。密钥以 XDG 风格存放于 ~/.config/ima/，也支持 IMA_OPENAPI_CLIENTID 和 IMA_OPENAPI_APIKEY 环境变量回退。诊断脚本只读运行，输出每项检查报告；修复前须经用户明确同意，且执行时先备份到 /tmp/ima-copilot-backups/ 并保证幂等与可回滚。扇出搜索针对 IMA OpenAPI 无跨知识库接口、无相关性评分、每库最多返回 100 条的约束，按用户配置的知识库优先级分组呈现结果。
alignagent-adaptive-learner-intelligence
ALIGNAgent 是一个多智能体自适应学习框架技能，通过技能差距智能体诊断知识薄弱点，再由推荐智能体按学习者偏好检索针对性资源，形成评估—诊断—干预的持续反馈循环。
are-open-weight-ready-social
基于开放权重模型的社交媒体内容审核技能，用零样本分类检测有害内容，实现结构化提示与评估流程，可在单张24GB显卡本地部署。
automated-multiple-mini-interview
基于多智能体分解的主观开放题评分技能：先由 Refiner 清洗转写文本，再由各评分标准独立的 Scorer 并行打分，每项标准用低/中/高三档人工样例校准，适用于访谈、作文、反思日志等主观评价。
beyond-accuracy-cognitive-load
基于 AAAI 2026 认知负荷框架的技能，用于诊断和降低工具调用智能体工作流的复杂度。通过工具交互图（TIG）量化内在负荷与外在负荷，定位流水线失败原因并给出重构建议。
ci4a-semantic-component-interfaces
CI4A（面向智能体的语义组件接口）技能，用于把 UI 组件包装成结构化工具原语，让 AI 智能体通过语义调用而非像素点击或 DOM 抓取来操作界面，提升自动化稳定性与成功率。
codecircuit-inferring-llm-generated-code
该技能让 Claude 通过归因图分析评估 LLM 生成代码的正确性，将代码拆解为行级依赖图并提取拓扑特征，识别控制流、边界条件与状态转移中的结构性错误，适用于二分查找、动态规划、图遍历等算法代码的静态审查。
cognitively-diverse-multiple-choice-question
基于 ReQUESTA 多智能体框架，从说明文或学术文本生成认知层次可控、干扰项可信的多项选择题，适合阅读理解测评、课程测验与练习卷。
commcp-multi-agent-coordination-llm-based
CommCP 是一个基于 LLM 通信与保形预测校准的去中心化多智能体协调技能，让智能体只发送经过统计校准的相关消息，减少噪声干扰。
darwin-dynamic-agentically-rewriting
DARWIN 是一个基于遗传算法的多智能体代码优化技能：维护一组代码变体，让智能体互相改写训练脚本或配置，经基准评测后按表现选择优胜者进入下一代，并用持久化 JSON 记忆记录每次改动与效果，使后续变异更有依据。
deepera-deep-evidence-reranking
面向 RAG 管线的事实级重排技能：用逐步逻辑推理评估检索到的候选段落，过滤语义相似但逻辑无关（SSLI）的文档，并按证据支撑强度重排，提升生成答案的可靠性。
detecting-correcting-hallucinations-llm-generated
该技能用确定性 AST 静态分析与库自省，检测并自动修正 LLM 生成 Python 代码中的 API 幻觉，如不存在的参数、方法名或参数个数错误，无需执行代码即可完成校验。
discoverllm-executing-intents-discovering
DiscoverLLM 技能：当用户请求模糊或开放时，通过“发散—收敛”自适应交互帮助用户发现并形成真实意图，而非反复追问澄清问题。基于 DiscoverLLM 框架，据资料称任务效果提升 10%+、对话长度最多减少 40%。
failure-aware-enhancements-code-generation
面向代码生成失败诊断的技能：按失败类型（逻辑错误、规范缺失、模式缺口、复合失败）选择自我批评、RAG、多模型推理或渐进式提示等修复策略，减少无效重试。