SuperAPI AI 工具集找到适合任务的 Agent Skill，阅读介绍并复制安装命令。
更新于 11-05 00:16
17,418 个结果
action-register 是微软 cat-agent-skills 技能库中的一个确定性排序与行动登记技能，位于 gap-score 之后运行。它通过 gap_rank.py 引擎按“涉及金额”对货架缺口进行排名，并结合促销加权规则与按标准库存量给出的建议订货顺序，生成 ranked.json（包含 ranked_gaps 与 suggested_order）。该技能只负责排序和生成建议，订货单需由销售代表确认后自行下单，插件不会代为传输。使用场景为“我该先补什么”这类优先级判断。
attribute-normalize 是 Microsoft cat-agent-skills 中的一个确定性数据归一化技能，用于把供应商字段按分类映射表（taxonomy-map）映射到统一分类体系，并校验 GTIN 校验位。该技能以脚本 scripts/attribute_normalize.py 为核心，输入 batch.json 与 config/taxonomy-map.json，输出 normalized.json。它要求所有映射仅来自映射表，模型不得自行发明映射；未映射字段会被列出交由 PIM 管理员处理，不会被强行塞入最接近的槽位；无效 GTIN 会阻断该记录并升级处理，不允许猜测修正校验位。每个属性需引用表行与映射条目，结果需逐字引用。该技能属于数据治理与主数据管理流程中的归一化环节。
avl-compare 是 microsoft/cat-agent-skills 中的一项确定性 AVL（核准供应商清单）对比技能：将候选供应商与核准供应商清单及品类要求进行比较，并生成带区间的建议结果（#5 推荐分档）及具名条件。该技能在每次运行的 risk-score 环节之后使用，输入为 scored.json 与核准供应商清单导出文件，通过运行 scripts/avl_match.py --scored scored.json --avl avl.json --out compared.json 产出 compared.json（{avl, recommendation} 跳）。结果与条件须逐字引用；条件由引擎根据升级项推导，不得自行编造或删减。AVL 事实须引用供应商清单导出，结果须引用规则 #5。模型不得上调结果；除非商品委员会以书面形式否决，否则 do_not_qualify 保持不变。当触发集中度（#3.1）与 PPAP（#4.1）条件时，这些条件为必填。
capacity-check 是微软 cat-agent-skills 技能库中的一个确定性产能校验工具，用于在生产计划周内检查负荷与可用工时（#1 负荷对比）以及物料门禁（#2 物料约束）。它基于 plan.json、workcenter.json 和 materials.json 输入，运行 scripts/capacity_check.py 脚本，生成 checked.json 作为产能跳转结果。该工具只做运行工时可行性判断，不处理换型（changeover）问题，换型由优化器负责。适用场景为每次需求拉动（demand-pull）之后执行。使用时须原样引用利用率和门禁数据，并明确说明数值不含换型；物料门禁是硬约束，所有算术在引擎内完成；缺失工艺路线数据或门禁时由引擎升级处理，需原样传递。
claim-ingest 是一个用于扣除（deduction）案件处理的技能，属于 rtl.trade-deduction-recovery.v1 契约体系。它把零售商的应收账款扣除记录与索赔凭证（PDF、门户导出、汇款明细）抽取并规范化为 claims[] 结构，每条 claim 包含 claim_id、类型（促销补贴、上架费、短缺、合规罚款）、周期、逐字保留的申报金额、来自记录的实量价值，以及凭证文档引用或其缺失状态。凭证缺失本身会被记录为事实。输出为 deduction.json，作为流程入口节点。所有金额必须标注来源（AR 记录或凭证页面），不对有效性作判断，也不对申报金额做舍入。凭证无法辨认时上报人工复核。适用于扣除案件起始阶段的记录标准化与证据整理。
disruption-intake 是微软 cat-agent-skills 集合中的一个技能，用于把来自采购订单（PO）记录、发货（ASN）数据流、供应商邮件或供应商门户通知等渠道的供应中断信号，统一整理为 mfg.supplier-disruption.v1 契约的结构化输入。它提取中断类型与触发渠道、供应商与 PO、短缺或延迟的物料、承诺日期与修订日期、短缺数量、原因及上报时间，并写入 description 和 disruption-intake.json，作为后续供应链中断处理流程的入口负载。
exception-raise 是微软 cat-agent-skills 中的一项技能，用于在商品运营准备度检查之后，将缺失或冲突项（异常）按“风险收入”排序并上报异常清单。它不按异常数量排序，而是用 exception_rank 引擎计算排序：以每周促销收入乘以上市临近度（含上市前 3 天内的 2 倍临近因子）衡量影响。输入为 readiness-check 产出的 checked.json 与包含每个 SKU 周销量和促销价的 velocity 提取，运行 scripts/exception_rank.py 生成 ranked.json。每条异常需引用其 pack 行与 velocity 数据，排名结果须逐字引用、不得因“看起来很小”而重排。适用于用户问“先修哪个”、临近上市需向区域经理升级优先异常等场景。
Gap Score 是 microsoft/cat-agent-skills 中的技能，用于按渠道必填字段对每个 SKU 计算确定性完整度分数，并输出缺失字段清单。它在每批次完成属性归一化（attribute-normalize）之后使用，输入为 normalized.json 与 config/taxonomy-map.json，通过运行 scripts/completeness_score.py 生成 scored.json。该技能只基于必填字段计算，不使用可选字段填充完整度；当批次平均分低于客户设定下限时，触发 steward 升级再起草。
issue-cluster 是 microsoft/cat-agent-skills 中的确定性分析技能，用于将反复出现的问题按类型和 lane 聚类，并把积分卡违约项映射到治理交易条款。它要求聚类至少出现 3 次，且每个聚类需引用记录 ID；违约项须引用协议条款原文，补救措施仅陈述而不主动执行。使用方式为运行 issue_cluster.py，输入 scored.json、issues.json 及 trading-terms.json，输出 clustered.json。适用于每次 scorecard-roll 后的审查场景。
line-normalize 是 microsoft/cat-agent-skills 中的订单行规范化技能。它在订单摄取后运行，对提取出的订单行执行格式统一：处理空白、大小写、计量单位（UOM）标记和数量格式，使行数据变得可机器比较（例如将 CS-24 转为 CS24，将 "5 hundred" 转为 500），同时在每个字段旁保留原始值（raw_value），以逐字保留客户意图。该技能只做格式化，不做判断：不将别名解析为具体产品，也不修正价格；无法确定规范化的标记会保留原样并被标记，等待校验器处理。
order-validate 是微软 cat-agent-skills 中的订单校验技能，使用 order_validate 引擎对订单做确定性校验。它检查客户身份别名、计量单位与数量、价格容差以及信用额度，并输出带问题的 validated.json。该技能适合在订单行规范化（line-normalize）之后运行，用于回答“订单是否干净”等问题。使用方式是运行 scripts/order_validate.py，传入 order.json、masters.json 与 o2c-config.json。校验只由引擎执行，人工“直接录入”不能改变结果；任何问题都会按配置的动作级别扣留订单。
Pack Ingest 是微软 cat-agent-skills 中的一个技能，用于在每次促销执行运行时，把总部（HQ）活动包规范化并写入 rtl.store-task-promotion-execution.v1 契约。它接收活动包（PDF/文本）、价格变更文件（CSV）、陈列图或标识清单、任务清单，提取 campaign_id、上线日期、requirements（含 req_id、适用范围、assets、tasks、fixture_required、skus）以及各 SKU 的促销价，校验后输出入口产物 pack.json。每个需求需标注来源页/行，价格需标注价格文件行号。该技能不判断就绪性，也不因某需求看似普遍适用而删除它；适用范围不明确或缺少价格文件时应上报 HQ 零售运营。
该技能用确定性的 product_compare 引擎，从 PIM 抽取数据生成并排的产品对比。它适用于对话中出现两个 SKU、需要说明差异的场景；对比只依据 PIM 抽取结果，逐项列出差异，缺失项明确标为缺失，不凭记忆或互联网补全规格。输入为 resolved.json 与 config/pim-extract.json，运行 scripts/product_compare.py 生成 compared.json，并以原文呈现对比表；推荐叙述可解释需求匹配，但不得编造属性。若 SKU 在 PIM 中缺失，则标记缺失并升级给 PIM 管理员。
record-pull 是一个用于供应商评审场景的记录汇总技能，属于 microsoft/cat-agent-skills 技能集。其用途是按季度汇集供应商在评审周期内的采购订单（PO）、收货、退货、质量事件、发票争议及原始问题日志，并整理为符合 rtl.supplier-vendor-performance.v1 契约的输出。该技能接收 ERP 提取数据（PO、收货、发票）、退货与质量日志、争议记录以及评审周期作为输入，生成按季度划分的 records.json（包含行项目、准时足量行、缺陷率与争议率等计算得出的输入）和 issues.json（每个问题一行，含类型、线路/配送中心、记录 ID），并进行契约校验，最终输出 vendor.json、records.json 与 issues.json。它要求每一行都保留其 ERP 记录 ID，且仅使用记录本身作为数据；供应商自有的评分卡材料仅作为背景参考，不视为数据。若某季度缺少收货记录，该季度会被标记为不完整。该技能通常在每次供应商评审开始时使用。
root-cause-analyze 是 microsoft/cat-agent-skills 中的一个根因分析技能，用于在 CAPA（纠正与预防措施）流程中通过确定性方法确立根因。它先用 Pareto 分析对投诉窗口内的原因类别进行排序，再通过带证据的 5-Why 链锁定根因。该技能由脚本引擎驱动：pareto.py 生成 Pareto 分析结果，rca_tree.py 结合原因关联库选择有证据支撑的 why 链，并应用系统性检验和操作员失误排除规则。输入包括 capa-intake.json、complaints.csv 和原因关联库，输出 rca.json，包含根因节点、pareto 列表、why 链和系统性标记。每一步 why 都必须有记录集中的证据支撑，模型不得自行编造或重排 why 链。
scorecard-roll 是来自 microsoft/cat-agent-skills 的技能，用于按季度对 OTIF、缺陷与争议记分卡进行确定性汇总，并生成趋势标记。它依据 vendor.json 与 records.json 计算 OTIF 和连续下降趋势标记，输出 scored.json 作为记分卡环节的结果。适用于每次评审中完成记录拉取之后的阶段，例如回答“他们最近表现如何”这类按季度评估供应商的问题。使用时运行 scripts/scorecard_roll.py 并传入供应商文件、记录文件和输出文件；每个季度需引用其对应的收据摘录，趋势标记需逐字引用，即使最新季度看起来尚可，连续三次下降仍构成信号。计算仅由引擎完成，不能以供应商的演示文稿替代，酒店式款待不算指标。趋势标记会自动进入评审议程。该技能的完整官方说明暂未提供。
shortage-impact-map 是微软 cat-agent-skills 技能库中的一个供应链分析技能，用于确定性地展开零部件短缺影响：将短缺件的可用现有库存与到货（延迟）采购订单进行净额计算，对照所有消耗该件的未结订单，生成逐订单影响行（产品、产线、订单、需求日期、风险数量、状态）以及汇总影响摘要（最严重级别与首次影响日期）。该技能在 supply-knowledge-retrieve 之后每次运行使用，回答“这次短缺会波及哪些产线和订单、何时开始影响”。映射逻辑全部由引擎完成，模型不得自行判断影响或日期；当MRP信息不完整或预期低于安全库存时，引擎会写入升级项，需在ERP中核实净额后再承诺缓解措施。
Source Ingest 是 microsoft/cat-agent-skills 中的一项技能，用于在商品内容增强流程的起始阶段，将供应商提供的电子表格、规格表和文案整理为 rtl.product-content-enrichment.v1 契约所要求的结构化数据。它按 SKU 逐条提取 GTIN、原样保留供应商字段和营销文案，并记录批次、供应商与渠道信息，最终输出 batch.json 作为入口跳。该技能不做规范化、评分或文案撰写，也不静默修正错误数据，无法读取的行会被列出并上报。
Supply Knowledge Retrieve 是微软 cat-agent-skills 中的一项技能，用于在供应链中断处理流程中补充有据可查的供应上下文。它从 ERP/MRP 库存导出、供应商主数据、BOM/where-used 映射、未结生产与销售订单以及供应商准时交付历史中检索信息，填充 supply{}、retrieved{} 和 history{} 字段，输出作为 shortage-impact-map 的输入。该技能仅做检索，不进行影响映射或缓解措施选择，且要求每条数据附引用来源。
Validity Classify（Govern）是微软 cat-agent-skills 中的一项技能，用于对扣款（deduction）的有效性进行分类，并量化可争议金额，同时展示计算过程。它属于合规判定环节，输出有效（valid）、部分有效（partial）或缺乏依据（unsupported）三种结论，并附上应得金额与索赔金额之间的算术对比。该技能在 claim-match 之后运行，适用于任何核销（write-off）问题。其输入为 matched.json 与 config/rgm-scoping.json，在涉及提升（lift）范围时还需扫描提取数据。运行方式为执行 scripts/deduction_classify.py 脚本，输出 governed.json。该引擎只负责量化，不进行核销，也不调整应得金额或修改条款；当置信度低于 0.75 时需转交分析师复核。
用于探索 Power BI 语义模型架构、编写与测试 DAX 查询，并将查询整理为应用代码库中的 .dax 文件。通过 INFO 函数进行渐进式元数据发现，配合 CLI 执行验证查询结果。
在 React 组件中通过 useSemanticModelQuery 钩子获取 Power BI 数据的技能，涵盖查询结果结构、缓存、错误处理与连接别名用法。
这是一个用于 Flint 图表的交互编写技能，属于 microsoft/flint-chart 项目。它帮助为图表添加读者可触发的行为，例如高亮、缩放、区域刷选、图例切换、重新排序、标注、探索以及图表联动等。该技能区分三类产出：为图表添加一个 interaction_spec，其中只使用预置交互；对已经显示的图表从外部发送一次 ChartUpdate，由 id 和 ops 组成；或当用户明确要求代码时，使用 flint-chart/interactive 的 TypeScript API，如 mountChart、预置交互工厂、onChange 和 dispatch。所有交互都运行在 Vega-Lite 后端，静态渲染和其他后端不会处理 interaction_spec 与更新。内置预置覆盖单选高亮、分组聚焦、坐标轴高亮、值读取、矩形或套索选区、区间刷选、平移缩放、图例开关、拖拽排序、过滤控件、点击标注、双击或长按激活、上下文菜单及键盘无障碍导航。技能会依据请求与图表类型选择预置、处理触发器冲突，并通过 validate_chart 校验、通过 show 绘制。当没有预置能满足需求时，需要宿主能够运行代码，才能定义自定义的 CanvasInteractionDef。
MSAGL-JS（Microsoft Automatic Graph Layout）用于在 JavaScript 或 TypeScript 中对网络进行布局与可视化，适用于图与网络布局，以及 DOT、JSON、JGF 等图数据的处理与渲染。