SuperAPI AI 工具集
合作ENAI 行业资讯收藏

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

26,179 个结果

con-terminal

con-terminal 是一项面向真实终端的操作技能，需配合正在运行的 con 应用及其配套命令行工具 con-cli 使用。它可让 AI 助手检查标签页、面板和终端会话，运行可见的 Shell 命令，创建并驱动面板本地的智能体会话，协调并行工作，并在应用或机器重启后恢复已关联的会话。该技能本身不安装智能体，也不授予启动额外付费会话的权限；使用时需先通过 identify、capabilities、tabs list、tree 等命令识别环境与版本支持，再依据明确的标签页、面板和会话标识执行操作。

智能体与模型1 次安装

gsdl-tracker-sync

gsdl-tracker-sync 是 GSDL 的技能组件之一，负责把已经确定好的内容写入问题跟踪系统。它本身不做判断，只负责执行：接收调用方给定的载荷（切片标题、评论正文、目标状态），将其应用到项目当前配置的跟踪平台上。支持的提供方包括 Linear、Jira、GitHub Issues、Notion，以及 none（本地 markdown 文件，如 tasks.md 与 worklog.md）。该技能属于 SMALL 层级，每次操作都是解析 ID、发送变更、回报结果，不适合处理需要推理的任务，也不与用户交互；当凭据缺失、ID 无法解析或变更失败时，会返回 BLOCKER 说明失败原因及可手动粘贴的文本。

智能体与模型1 次安装

batch-grill-me

batch-grill-me 是一个用于需求澄清与设计对齐的访谈式技能，核心思路是把待确定的设计问题组织成一棵“设计树”，并按“轮次”批量提问。每一轮只提出当前“前沿”问题，也就是所有前置条件已经确定、无需猜测用户回答即可提出的问题；在每个问题后给出推荐答案，并等待用户统一回答后再进入下一轮。用户每轮的回答会重塑设计树，使已确定的决策把前沿向外推进，从而解锁依赖它们的新问题。该技能要求自行查证事实（如文件系统、工具等环境信息），必要时派子代理去查找，而不是向用户索要本可自己查到的信息；但最终决策权归用户，必须逐条提交并等待确认。整个过程持续到前沿为空，即设计树每个分支都被访问、没有静默假设为止；在用户确认达成共识前不应据此采取行动。

智能体与模型1 次安装

ethos-explore

ethos-explore 是 nvidia-nemo/eval-author 中的一个技能，用于探索 AI 智能体的预期行为。它先扫描代码库与文档，推断实现层面的信息，再通过一次必须完成的意图访谈，向用户确认智能体的使命、原则、愿景、约束、权衡与成功标准等只能由人提供的信息，最终形成一份可直接交给 ethos-write 写入 ETHOS.md 的持久快照，供构建、评估、审查或修改该智能体的人与智能体共同阅读。

智能体与模型1 次安装

ethos-orchestrate

ethos-orchestrate 是 NVIDIA NeMo 的 eval-author 技能集中的入口技能，用于帮助开发者创建和维护 AI 智能体的 ETHOS.md。ETHOS.md 是对智能体意图的持久快照，记录智能体的目标、禁止行为、成功标准等信息；它是一个带有 front matter 和十四个必填二级标题章节、schema 版本为 1 的文件。该技能负责将请求路由到更窄的子流程（ethos-explore、ethos-write），并把已知上下文带入子流程，避免重复提问。它只写 ETHOS.md，不改动智能体代码、提示词、配置或评测。

智能体与模型1 次安装

ethos-write

ethos-write 是一个用于编写 AI 代理 ETHOS.md 文件的技能。ETHOS.md 是一份持久化的契约文档，记录代理的目的、预期行为、边界和成功标准。该技能将 ethos-explore 收集的答案转化为本地文件，供开发者、评估者和后续代理在构建、评估、审查或修改代理时参考。写入前会进行角色、权衡和约束等前置检查，确保内容可审查、可决策、可检查。文件写入代理仓库中，与代码一同提交，并通过自带验证脚本检查格式。该技能不修改应用代码、不生成配置、不部署代理，也不记录评分函数。

智能体与模型1 次安装

nemo-gym-reward-profiling

Nemo Gym Reward Profiling 是 NVIDIA NeMo Gym 中的奖励画像（reward profiling）技能说明，用于帮助用户理解并运行 Gym 奖励画像的标准工作流。它覆盖三步核心流程：用 gym env start 启动模型与资源服务；用 gym eval run --no-serve 执行 rollout 并写出 rollouts.jsonl 与 *_materialized_inputs.jsonl；再用 gym eval profile 基于这些产物生成 *_reward_profiling.jsonl。该技能强调通过重复 rollout（num_repeats）来获得有意义的每任务均值与方差，并解释 _ng_task_index、_ng_rollout_index、rollout_infos 等字段的用途，支持按任务与重复轮次关联分析奖励与长度/Token 的关系。默认执行严格画像，若 rollout 提前结束可用 ++allow_partial_rollouts=True 仅对已完成部分画像。若主要是排查失败任务或堆栈，应先使用 nemo-gym-debugging 技能。

智能体与模型1 次安装