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 10-16 00:02
10,934 个结果
Requirements Clarity 是一个用于在开发实现前澄清模糊需求的技能（Skill），通过系统化的对话将含糊的功能请求转化为可执行的 PRD（产品需求文档）。它内置 100 分制清晰度评分体系，从功能清晰度、技术具体性、实现完整性和业务背景四个维度评估需求质量，并持续迭代提问，直到评分达到 90 分以上才生成最终文档。适用于需求不明确、功能复杂（超过 2 天工作量）或缺少技术上下文、验收标准、边界条件的场景。当用户已提供具体文件路径、代码片段、已有函数引用或带有明确复现步骤的缺陷修复时，该技能不会激活。
这是一个基于 OpenAI 开发者文档 MCP 服务器的知识检索技能，用于在需要权威、最新的 OpenAI API 与平台文档作为依据时，通过 MCP 工具检索并获取原始 Markdown 文档，使回答建立在确切文本而非猜测之上。工作流程包括：先确认 Docs MCP 服务器是否可用（检查 mcp__openaiDeveloperDocs__* 工具，或用 codex mcp list 查看是否存在 openaiDeveloperDocs）；随后使用搜索工具定位最佳文档页，再用获取工具拉取对应 Markdown（可带锚点）；当需要端点结构或参数时，可调用获取 OpenAPI 规范与列出 API 端点的工具。技能强调依据获取到的文本作答，精确引用或转述，不虚构标志、字段名、默认值或限制。若 MCP 未配置，可指导用户通过 CLI 或配置文件完成设置，并提示重启 Codex 会话以加载工具；在未被要求时不修改配置。
Paper Rebuttal 是一套用于在收到同行评审意见后撰写有效反驳（rebuttal）的系统化方法。其核心目标不是逐条辩护，而是针对真正影响评分的关切点进行回应，从而推动分数变化。该技能适用于用户收到审稿意见需要撰写反驳、询问如何回应具体批评、希望在回应前对评审进行策略性分析，或提及 rebuttal、reviewer comments、review feedback、respond to reviewers 等场景。流程分为三步：诊断评审（按分数驱动对每条意见进行红/橙/灰/绿颜色编码，识别隐藏问题）、规划回应策略（对关切分类、识别共同主题、区分可行动与主观问题、采用 champion 策略）、撰写反驳（按共同关切优先、逐审稿人按优先级回应的结构，采用承认—回应—行动三段式）。还包含反直觉原则，如即使分数极端也应提交反驳、小让步换大胜利、优先引用已有证据、新实验次之、承诺最后等。
gs-search 是一个用于在 Google Scholar（谷歌学术）上按关键词检索学术论文的技能。它通过浏览器自动化导航到 Google Scholar 搜索页，并抓取页面 DOM 返回结构化结果列表，包含标题、作者、期刊、年份、被引次数以及全文链接等信息。该技能属于 cookjohn/gs-skills 技能集，适合需要批量获取学术文献元数据的场景，并可与同系列的分页、被引追踪、导出等技能配合使用。
Paper Polish 是一个学术论文语言润色技能，用于在保留作者原意的前提下改进已有学术文稿。它能修复语法、理顺句子、让表达更地道、去除 AI 腔调，并把中文草稿改写为可投稿的英文。其核心原则是忠实于作者原意：不擅自强化或弱化结论、不把相关性写成因果、不删除限定语、不编造数据、公式、结果或引用。默认采取保守的轻量修改，若问题属于结构或逻辑层面，会建议改用 paper-writer 重写。适用于已有文字需要语言提升的场景，不适用于从零撰写、规划论文逻辑骨架或做审稿式审查。
Voice & Tone Analysis 是一个用于提取并记录写作者独特声音模式的分析框架，目标是生成一份“声音指南”，让后续写作能够真实还原原作者风格，而非泛泛模仿。它通过样本收集、语言分析、词汇指纹、概念 DNA、情感质感、读者互动、指南综合与验证等八个阶段，系统梳理句子结构、段落架构、标点习惯、用词偏好、隐喻来源、推理方式、情感表达与读者定位等维度。该技能可用于 AI 写作提示、自我风格分析以及编辑校对，强调捕捉“精神”而非仅机械特征，并提醒避免频率即规则、单一语境捕捉、模仿痕迹、声音僵化等反模式。
OpenAlex 学术论文搜索技能，基于 OpenAlex 免费开放学术目录，可检索 2.4 亿+ 学术作品。无需 API 密钥或 SDK，通过 curl 或 bash 构造 URL 调用 REST API，返回 JSON。支持关键词与布尔检索、字段限定检索、多条件过滤、排序、分页、引用图谱遍历、作者与机构查询、DOI/PubMed/arXiv 等外部 ID 查询、开放获取与 PDF 链接获取，以及摘要倒排索引重建。请求中加入 mailto 邮箱可使用 polite pool，速率从 1 次/秒提升至 10 次/秒。适用于文献综述、查找奠基性论文、追踪最新预印本与综述、作者影响力分析等场景。
academic-research-skills-codex 是 ara.so 为 Codex 提供的学术研究工作流技能包（Skill），源自 Claude Code 的 Academic Research Skills（ARS）。它把深度研究、论文写作、同行评审、端到端研究管线和实验设计五类工作流整合为一个统一套件，安装后在 Codex 对话中通过 $academic-research-suite 调用，并根据用户意图自动路由到对应工作流。需要时可用 ars-* 别名（如 ars-plan、ars-outline、ars-full）触发特定环节。它支持文献综述、系统综述、研究问题苏格拉底式细化、事实核查、论文大纲与草稿、引用格式检查与转换、AI 使用披露声明、模拟同行评审、可复现实验协议设计等任务，并借助 Material Passport 元数据追踪研究工件。该包采用 git 方式安装，可用命令行脚本完成安装与更新；可选配置 Anthropic API 实现跨模型验证。许可证为 CC BY-NC 4.0（非商业使用），当前版本 v0.1.6。
paper-claim-audit 是一个论文声明核查技能，用于对论文中出现的每一个数字、比较和范围性表述与原始结果文件进行零上下文的一致性验证。其核心特点是使用一个全新的、跨模型的审稿人来执行核查：该审稿人只接收论文的 .tex 源文件和原始结果文件，不接收任何实验日志、实验追踪、自动审稿摘要、叙述报告或先前的审计结果，也不携带任何对话历史或执行者的解释，从而避免执行者既写实验又写论文带来的确认偏差（例如把 84.7% 四舍五入报成 85.3%、只报告最佳种子而非平均值、引用不同实验配置的指标、把 12.8% 的提升说成 15% 等）。该技能会逐条提取论文中的量化声明，定位其在原始数据中的支撑值，判定匹配状态（如精确匹配、允许的舍入、映射歧义、证据缺失、配置不匹配、聚合不匹配、数值不匹配、范围过度声明、无支撑声明），并给出 PASS、WARN、FAIL 等整体结论，最终输出可供机器读取的 JSON 与供人阅读的 Markdown 审计报告。该技能为建议性而非阻断性，审稿人须使用与执行者不同的模型家族，且每次运行都使用全新线程。
面向 AI 辅助学术写作的润色技能，用于提升论文、学位论文、rebuttal 与基金申请（NSF、NIH）的清晰度与作者声音，同时保留精确、以证据为据的学术语气。不改动数字、结果与引用，也不用于规避 AI 使用披露。
reddit-readonly 是一个只读浏览 Reddit 的技能，通过公开 JSON 端点工作，可列出子版块帖子、按主题搜索、查看评论线程，并输出永久链接供用户手动回复。它不会发帖、回复、投票或执行管理操作。
面向中文技术文档、产品文案与界面文案的写作技能，强调表达清晰、排版规范、中英文与数字间正确空格，并规避翻译腔与网络流行套话，附带零依赖 Python 检查脚本。
这是一个用于端到端撰写并发布微信公众号文章的 AI 技能。它支持两种使用方式：一是从主题出发，完成选题挖掘、资料研究、写作、主题排版、封面生成到发布草稿箱的完整流程；二是对已有文章草稿进行内置排版并直接发送到公众号草稿箱。该技能强调去除 AI 腔调、遵循公众号平台约束，并内置质量检查与发布环节。
ToolUniverse 疾病研究技能用于生成带完整来源引用的综合性疾病研究报告。它覆盖 10 个研究维度：疾病身份与分类（EFO/OLS/UMLS/ICD/SNOMED）、临床表现（HPO、OpenTargets 表型、MedlinePlus）、遗传与分子基础（OpenTargets 靶点、ClinVar、GWAS、gnomAD）、治疗格局（OpenTargets 药物、临床试验、GtoPdb）、生物通路（Reactome、KEGG、PPI、GTEx、HPA）、流行病学与文献（PubMed、OpenAlex、Europe PMC、Semantic Scholar）、相似疾病、癌症专项（CIViC）、药理学与药物安全（FAERS 等）。采用“报告优先”工作流：先创建 markdown 报告文件，逐维度检索并渐进更新，每条数据均标注来源工具，并按 T1–T4 证据等级分级。工具调用须使用英文疾病名与检索词，回答使用用户语言。
learn-verify 是一项面向教学场景的事实核查技能：在把某个论断当作事实讲授前，先对照来源进行验证。适用于经验性、历史性、文献性或 API/工具类论断，以及命名定理、恒等式或无法自行推导的“标准事实”。
Probe 是一个用于诊断学习者知识边界的测验工具：通过少量分级选择题，把课程依赖的知识点标注为 known、edge、unknown 或 blocked，输出到 .alvar/maps/<slug>.md 知识地图。
一个写作规范技能，要求用“简化技术英语”撰写文档、README、提交信息、拉取请求、计划与发布说明。它给出用词、动词、句子、标点、结构与修订规则，强调主动语态、短句和一词一义。
learn-profile 是一个用于建立学习者画像的技能：通过访谈了解学习者已掌握的基础、目标、节奏、偏好困难类型、表达风格与产出形式，并据此生成 .alvar/LEARNER.md，供教学环节每课读取。
用于专利附图的技能：处理用户提供的技术图（PNG、JPG、SVG、PDF），识别部件与连接关系，按每图100系列分配附图标记，生成正式的附图说明与标记索引，并核对权利要求要素是否都有对应附图与标记。
该技能用于根据权利要求和发明披露文件撰写完整的专利说明书。适用于用户提出“撰写说明书”“write specification”“写说明书”“patent description”等需求时。它会按章节生成专利说明书草稿，包括发明名称、技术领域、背景技术、发明内容、附图说明、具体实施方式和摘要，并输出到 patent/specification/ 目录。技能支持按司法辖区自动选择语言与格式（CN、US、EP、ALL），默认输出 Markdown 草稿，后续可由 /jurisdiction-format 转换为申请格式。它强调说明书用于支持权利要求，要求每个权利要求要素都能在说明书中找到支持，并使用一致术语和一致的附图标记。技能还包含权利要求支持核验以及由外部审查模型进行的完整性与可实施性审查。
Prompt Library 是一个经过筛选的高质量提示词（Prompt）集合，灵感来自 awesome-chatgpt-prompts 与社区最佳实践。它提供可直接使用的提示词模板，涵盖角色扮演类提示（如“扮演 X”）、任务专用模板以及提示词优化技巧。适用场景包括：需要现成提示词模板、想要角色化提示词、寻找提示词示例或灵感、需要特定任务的提示词模式，以及希望改进自身提示词写法。内容按类别组织，包括角色类、任务类、分析类、创意类、转换类提示，以及思维链、少样本学习、人格模式、结构化输出等提示工程技巧，并附有提示词改进检查清单。
中文介绍正在整理，稍后补充。
wait-what 是一个用于纠正上一条消息表达不清的技能：当用户表示没听懂时，它要求重新讲解，补充少量上下文，使用 ASD-STE100 简化技术英语，并采用 GLOSSARY.md 中的统一用语。
Paper Writer 是一个面向科研写作的 AI 技能，用于把研究者自己的思路与材料转化为可投稿的论文正文，支持从单段落到一个完整手稿，覆盖 STEM 与非 STEM 领域。它的核心约束是：每一个事实性陈述都必须可追溯到证据来源，模型记忆不能作为来源。技能会先盘点用户材料、检索文献、识别证据缺口，再按范式与章节规划结构，最后撰写无占位符的流畅正文，并在交付前进行引用核验。它不生成大纲、不做写作辅导，也不负责引言（由 intro-drafter 处理）、语言润色（paper-polish）或逻辑骨架搭建（tech-paper-template）。