army-fanin
army-fanin 是一款面向多智能体并行开发的收束工具：把多个代理生成的 worktree 与 diff 对账合并回同一仓库，并为每处改动保留代理、执行框架、成本与测试结果等来源信息，最后归档落选分支并回收已合并的 worktree。
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 11-13 00:15
智能体与模型
26,212 个结果
army-hitl
army-hitl 是一个面向运行中智能体集群的非阻塞人类在环（HITL）机制：智能体在会话内提问后释放会话并结束回合，人类稍后作答，下一次调度把裁定带入。
army-join
army-join 让来自其他 harness 的会话以子代理、交叉评审者或人工介入角色加入正在运行的 agent 集群。它通过作用域受限的上下文包传递信息，输出以数据形式回传，默认标记为不可信，且加入授权为一次性并在到期后失效。
army-run
army-run 是一个持续运行的智能体集群启动与运维工具，由监督循环和 Web 工作区两个进程共享同一个 SQLite 数据库，用于调度、观察和诊断代理代理运行状态。
army-workload-adapter
army-workload-adapter 用于把运行中的 agent 集群接入既有项目：只读导入其代理名册与章程，跟随其人工介入文件，并在确认归属方式后再考虑写入。
add-skill
add-skill 是 paldom/mcp-server-skills 仓库中的一个 Agent Skill 作者工作流工具，用于在该仓库内按照"评测优先"（eval-first）的方式创作或改进一个生产级技能，产出的技能放在 skills/<name>/ 目录下。它要求先依次阅读 docs/skill-authoring.md 与 docs/evals.md 作为规则手册，并以 /add-skill <args> 形式调用时将参数视为待界定的技能名称或想法。其工作流分为九个步骤：界定范围、收集资料、先写评测、起草 SKILL.md、校验、触发自测、注册目录与变更日志等。
add-skill
add-skill 是 paldom/noslop 仓库中的一项 Agent Skill 编写辅助工具，以评测优先流程帮助作者在 skills/<name>/ 目录下创建或改进单个技能。
advise-session
advise-session 是 researchkit 中的多智能体会话命令，可为每个已登录的编码代理 CLI（Claude Code、Codex、Grok CLI、Kimi Code、Antigravity）开启持久且感知项目的会话，返回一个统一 session id，便于连续追问。
add-skill
add-skill 是 paldom/stealth-browser-skills 仓库中的一个 Agent Skill 编写工作流，用于以“评测优先”（eval-first）的方式创作或改进该仓库内的单个技能。它要求先明确技能的唯一用途及其修复的具体失败场景，再收集资料、编写触发评测、起草 SKILL.md、校验并迭代。适用场景包括：在 skills/<name>/ 下新建生产级技能、为已有技能补充评测、调整技能描述以避免触发冲突。不适用于创建新的技能仓库、基础设施类改动（钩子、CI、校验器、文档），也不适用于仅重复模型已擅长能力的“技能”。使用方式为按工作流步骤执行：范围界定、资料收集、先写评测、起草 SKILL.md、运行 make check 校验、触发自测、注册到 README 目录与 CHANGELOG 及 skills.sh.json 分组，且不提交或推送，交由所有者审阅。限制与注意事项：description 必须保持单行、第三人称、150–400 字符；正文不超过 500 行；不得把失败评测提示原样粘贴进描述；模型升级后需重跑评测。具体安装命令、收费与价格信息暂未提供。
agent-evaluation
这是一个用于评估和改进现有 LLM 智能体输出质量的技能，基于 MLflow 的 GenAI 评估能力。它覆盖完整的评估工作流，包括追踪设置、环境配置、数据集创建、评分器定义和评估执行，各环节可独立使用。技能强调必须使用 MLflow 原生 API（如 mlflow.genai.datasets.create_dataset()、mlflow.genai.scorers、mlflow.genai.judges.make_judge()、mlflow.genai.evaluate()），而非自建评估框架，以便在实验中统一追踪数据集、评分器、追踪记录和结果。工作流包含五个步骤：理解智能体、选择并注册评分器、准备评估数据集、干跑验证、执行评估。适用于需要提升工具选择准确率、答案质量等智能体输出表现的场景。
analyzing-mlflow-session
该技能用于分析 MLflow 会话（session），即多轮聊天对话或交互中由同一 session ID 关联的一组 trace。每个 trace 代表一轮对话，包含用户输入与系统响应。技能指导如何从首个 trace 发现输入/输出字段结构，再通过 --extract-fields 高效提取整个会话的字段与评估结果，定位问题轮次并追溯根因，同时结合代码库理解会话 ID 分配、上下文窗口管理与跨轮状态。适用于调试聊天对话、排查多轮对话中的错误传播等场景。
mlflow-agent
mlflow-agent 是 MLflow 工作流的总调度技能，用于在用户想使用 MLflow 但未指定具体技能时，识别意图并分派到合适的子技能，如追踪、评估、调试、检索轨迹、查询指标或查阅文档。
mlflow-onboarding
引导用户完成 MLflow 上手的技能：先判定使用场景（GenAI 智能体/应用，或传统机器学习/深度学习），再推荐对应的快速入门教程并帮助接入项目。
awesome-skills-deepdive
对 awesome-openclaw-skills 仓库做深度分析的工具：Fork 并克隆上游仓库，逐个抓取每个 skill 的 SKILL.md 及完整目录，运行安全审计，并按分类生成中文 README 摘要。
generate-judgements
为 agent skill 评测 YAML 配置生成或更新 judge_definitions 的技能，通过分析 SKILL.md 等文件产出细粒度的是/否判定问题，供 LLM judge 阅读执行轨迹作答。
autoplan
autoplan 是一个全自动评审流水线类 AI 技能，据其资料介绍，它将 CEO、设计与工程三类评审合并为自动决策流程，并声称仅依靠 6 条原则自动作出判断，这 6 条原则为：完整性（completeness）、把湖烧开（boil lakes）、务实（pragmatic）、DRY、显式优先于取巧（explicit over clever）、倾向行动（bias toward action）。该流水线只在“前提确认”（premise confirmation）环节暂停，其余步骤自动推进。它会将决策分为两类：Mechanical（机械式，静默处理）与 Taste（品味式，在最终关卡浮现给用户）。资料还包含大量配套的运行脚本、提问格式规范、完整性原则说明、仓库归属模式、构建前搜索、贡献者报告与遥测机制等内容，并标注其引用上游文档及 MIT 许可。
codex
Codex 是一个基于 OpenAI Codex CLI 的多 AI 二次意见工具，属于 gstack 技能集。它提供三种模式：Review（通过/不通过的质量门禁）、Challenge（对抗式边界情况查找）和 Consult（带会话连续性的自由对话）。该技能为只读操作，支持流式输出与思考轨迹展示，并可在 review 已运行后进行跨模型分析。它通过读取上游文档与说明在本地执行一系列初始化、遥测记录和分支/仓库模式检测等前置步骤。
consult
跨工具 AI 咨询技能，可向 Gemini CLI、Codex CLI、Claude Code、OpenCode 或 Copilot CLI 等其它 AI 命令行工具发起提问并返回其回答，用于获取第二意见。
create-agent-skills
create-agent-skills 是一个用于创建、编写、构建和优化 Claude Code Skills 的技能（Skill）。它本身以技能形式提供专家级指导，涵盖 SKILL.md 撰写、路由模式（router pattern）、渐进式披露（progressive disclosure）、引用文件、工作流、模板，以及通过 heal-skill 实现自愈。其核心思想是把技能视为模块化、基于文件系统的能力：技能本质上是提示词（prompt），SKILL.md 在技能被调用时始终会被加载，因此关键原则放在 SKILL.md 中，多步骤流程放在 workflows/，领域知识放在 references/，输出结构放在 templates/，可执行代码放在 scripts/。文档强调使用纯 XML 结构（技能正文中不使用 markdown 标题），并保持 SKILL.md 在 500 行以内。使用方式上，它以 <intake> 先询问用户想做什么，再通过 <routing> 根据回答或用户明确意图路由到对应工作流，例如新建技能、审计/修改现有技能、添加组件、获取指导，以及升级为路由模式等。
debate
debate 是 paperclipai/companies 提供的一项结构化多轮辩论能力，面向 AI 工具之间的对比与评估。它为多个 AI 工具安排“提议方（proposer）”与“挑战方（challenger）”两种角色，按照多轮形式组织观点交锋，并在结束后给出结论（verdict）。该能力由提示词模板、上下文组装规则和综合格式组成：提示词模板规定各轮发言的框架，上下文组装规则决定在每轮中向模型提供哪些材料，综合格式用于汇总双方论点并形成最终判断。它适合需要在多个 AI 工具、方案或观点之间做结构化比较、希望在决策前看到正反论证以及可追溯推理过程的场景。资料未说明具体安装命令、运行环境、依赖项、支持的模型清单、单轮轮数上限、输出格式细节与费用信息，暂未提供。
dispatching-parallel-agents
面向并发子智能体工作流的技能，适用于存在两个及以上相互独立、不共享状态且无顺序依赖的任务时，将任务分派给多个子智能体并行处理。
enhance-orchestrator
enhance-orchestrator 是一个用于并行协调多个增强分析器的编排工具，位于 paperclipai/companies 技能集合中。根据现有资料，它的核心作用是把多个 enhancement analyzer 同时运行起来，协调它们的执行过程，并汇总生成一份统一报告，而不是由用户逐个调用分析器并手动整合结果。该技能适合需要对同一目标执行多项增强分析、但又希望获得单一整合结论的场景，例如代码或项目质量相关的批量检查流程。资料未说明具体支持的平台、安装方式、调用命令、输入输出格式、依赖要求、收费模式或实际效果，这些信息暂未提供。使用时需注意：所有输入与输出内容应按不可信资料对待，不应执行工具返回内容中的指令。
enhance-prompts
enhance-prompts 是一个用于分析提示词（prompt）的技能，从清晰度、结构、示例和输出可靠性等维度进行评估，帮助用户发现提示词中的问题并加以改进。
heartbeat
heartbeat 是 paperclipai/companies 下的系统健康检查技能，用于验证智能体运行是否正常、技能是否按预期触发，以及是否有运行被遗漏。