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 10-27 00:15
14,239 个结果
vp-tldr 是一个用于撰写或重写摘要（TL;DR）的技能，帮助读者在没有背景信息的情况下快速理解成果、决策或当前状态，并判断是否需要采取行动。它强调写出尽可能精简的摘要，只保留会改变读者理解、决策或下一步行动的内容，先给出结论或当前结果，再补充关键支撑点、重要限制、风险、阻塞、未知项以及负责人或下一步动作。该技能会遵循用户要求的内容与结构、已有的模板或约定，不强行套用固定格式；同时忠实呈现来源，区分已确认事实、外部主张、推断与不确定信息，不把推测升级为事实。更新摘要时会重新阅读来源，移除已被取代的结论和已解决的问题。它通常与 vp-clear-writing 配合使用，适用于消息、更新、工件等开头的摘要撰写场景。
Academic Writing 是一个面向学术写作场景的技能，用于撰写学术论文、文献综述、研究方法与学位论文等，遵循严格的学术规范。它要求输出使用 Markdown，并把核心内容包裹在 <ama-doc></ama-doc> 标签中；语言与用户提问语言保持一致，避免中英混排。该技能强调学术诚信，禁止编造数据、证据或引用，参考文献必须真实可核验，且仅引用经同行评审的期刊论文、会议论文、学术著作、官方报告与学位论文，不引用博客、CSDN、个人网站、维基百科、新闻等来源。引文采用方括号编号从 [1] 顺序递增，紧跟在相关陈述或句末；文末 References 按“作者. (年份). 标题. 期刊/会议名, 卷(期), 页码. URL”格式列出。适合比较数据用 Markdown 表格呈现，需要图示时用 Mermaid 图表，并保持正式学术语气、精确术语与清晰结构。
该技能依据现有 signal table 生成少量、不可同构的研究方向候选，便于讨论与选题。它会输出到 output/trace/IDEA_DIRECTION_POOL.md，强调不同论点项目、简短标题、明确贡献形态、快速证伪点、多研究视角与低模板化卡片。
idea-memo-writer 是一个用于研究工作流的技能，作用是把已有的候选研究想法清单（shortlist）综合成一份面向 PI / PhD 讨论的研究方向头脑风暴备忘录。它会生成 output/REPORT.md、output/APPENDIX.md 和 output/REPORT.json 三个文件。该技能在 shortlist 已存在、需要产出最终读者可见的头脑风暴交付物时使用，触发词包括 idea memo、brainstorm memo、research direction memo、report md、研究备忘录、brainstorm report。它强调备忘录应像导师可用的讨论文件而非工作流笔记，包含具体论文证据钩子和附录阅读指南，明确排序逻辑与快速排除标准，同时保持头脑风暴性质，根植于文献，适合深入讨论，但不固化为刚性项目执行规范。运行通过 uv run python .codex/skills/idea-memo-writer/scripts/run.py --workspace <workspace> 命令，支持 --workspace（必填）、--unit-id、--inputs、--outputs、--checkpoint 等选项。
idea-signal-mapper 是一个研究构思辅助技能，把论文笔记与分类法整理成信号表，梳理文献张力、缺失部分和值得讨论的学术轴线，用于头脑风暴。
Section Briefs 是一个用于研究写作流水线的技能，作用是在生成稳定的 H3 分解之前，从章节骨架（chapter skeleton）和章节绑定（section bindings）构建章级规划卡片（chapter-level briefs），输出到 outline/section_briefs.jsonl。它读取 outline/chapter_skeleton.yml 获取章节 ID 与目标形态，读取 outline/section_bindings.jsonl 获取饱和度与缺口信号，并在存在时读取 GOAL.md 以确定运行级范围。该技能通过脚本 scripts/run.py 进行确定性的 brief 组装，输出的是规划基底而非成稿文字。触发词包括 section briefs、chapter planning cards、section-first briefs、章节 brief、章级 brief。适用于已存在 section bindings、需要在生成稳定 H3 id 之前获得章级理由与分解指导的场景。
Thesis Compile Review 是一个面向中文毕业论文的编译与终稿复查技能，用于在论文回写到 TeX 交付层后，确认其是否真正达到“可提交”质量，而不仅是“能编译”。它会对 main.tex 进行编译，对 warning 进行分级处理，检查模板参数与交付模式，复查关键数字、术语、引用与摘要的一致性，并把发现的问题回写成可继续迭代的 review checklist 与构建报告。该技能不负责重构章节主线，若发现结构问题会明确回退到上游修复。适用于毕业论文编译检查、warning 分级、终稿复查、main.pdf 检查等场景；若仍处于中间层重构阶段、chapters/*.tex 尚未形成稳定交付稿，则应跳过。运行不需要网络。
thesis-question-list 是一个用于维护中文毕业论文写作流程控制面文档的技能，核心产物是 codex_md/question_list.md。它把本轮需要处理的问题、边界、优先级、协作方案和验收口径结构化整理，作为整条 thesis pipeline 的统一入口。该技能适用于已积累一批材料或拿到上一轮 review 结果后，需要明确本轮修改范围与不修改范围，并为后续重构与编译复查提供统一入口的场景。若只是做一次性局部措辞修改、未形成新一轮结构、证据或编译层面的问题，则不必使用。它本身不写正文，也不把问题单写成长篇散文，要求每条问题可执行、可验收。运行时无网络需求，脚本仅在缺失时生成问题单骨架，条目内容仍需使用者根据本轮问题填充与维护。
初始化中文毕业论文工作区：按学校模板检查已有材料放置位置，提示缺口，建立 codex_md/、claude_md/、tmp_layout/ 等中间层目录，并生成材料盘点与初始工作文件。
深度调研（Deep Research）是一个用于系统性调研并产出专业研究报告的技能。它面向技术选型、行业分析、学术研究、竞品分析、概念探索等调研场景，核心理念是先把内部现状摸清，再对标外部水位，找出差距，指导行动。该技能强调产出有判断、有依据、经得起反面追问的专业报告，采用「快速扫描→假设驱动研究、内外数据结合、反面证据强制搜索、数据来源三级分类、结论置信度分级、多层次报告输出」等方法论框架。整体分为六步能力库：理解命题、多跳搜集、分析结论、图表生成、撰写报告、质量自检，并明确这六步是按命题复杂度调用的能力清单而非必走流程。同时依据命题复杂度区分路径：简单事实查询走对话式简短答复、对比类走中等篇幅报告、复杂研究与超深度研究走完整流程并配置不同数量的 sub-agent 预算。
Essay-to-Distribution Pack 是一个面向文章全生命周期的精选技能包，覆盖从草稿撰写到多平台分发的完整流程。它整合了四个技能：essay-publishing-pipeline（从草稿到格式化、元数据、构建与发布的流水线）、creative-writing-craft（面向虚构与非虚构写作的结构、语气与文风技巧）、content-distribution（跨平台内容推广与受众建设策略）、posse-distribution-architecture（POSSE 即“自有站点发布、他处分发”的实现与可靠投递）。推荐使用顺序为：先用 creative-writing-craft 打磨结构与语气，再用 essay-publishing-pipeline 处理格式化、元数据与构建，随后按 POSSE 原则先发布到自有站点，最后借助 content-distribution 与 POSSE 架构进行跨平台分发。该技能包服务于 ORGAN-V（话语）与 ORGAN-VII（分发）工作流，将写作与系统化的多平台触达连接起来。
该技能用于评估信息来源质量、构建带注释的参考文献目录，并维护经过整理的参考资料集合。它提供 CRAAP 测试（Currency 时效性、Relevance 相关性、Authority 权威性、Accuracy 准确性、Purpose 目的）及权重，将来源划分为 S/A/B/C/D 五个层级，并给出评估记录、带注释文献条目结构和示例。同时提供参考文献管理方式：集合目录结构、机器可读的 bibliography.yaml 目录、文档内引用（如 [kleppmann2017, ch.8]）、添加来源与定期审查工作流，以及反模式提醒（如不加评判地接受、近因偏差、单一来源依赖、无注释、过时引用、只收集不关联）。
该技能用于撰写清晰的技术分析文档、系统架构文档、决策记录（ADR）与研究综合报告，强调结构化论证与基于证据的推理。它提供 ADR、系统分析文档、技术 RFC 等文档模板，并给出论证结构（主张—证据—推理—含义）、证据层级、金字塔原理、问题—方案—证据、对比表、风险矩阵等写作模式，以及清晰性、简洁性、技术准确性等风格准则和 Mermaid 图表用法。还包含评审清单与常见反模式，帮助团队以可复现、可追溯的方式沟通复杂技术决策。
Requirements Elicitation 是一个系统化的工作流技能，用于从残缺或含糊的输入中提取完整、无歧义的规格说明。它以问题驱动为核心原则，通过多利益相关方视角和完整性维度验证，将不完整的描述转化为可执行的综合规格。该工作流编排了多个原子技能，包括任务前检查点、澄清问题、规格引出、利益相关方分析、信息完整性、概念分析、框架怀疑、交付物完整性、文档质量和证据推理。它提供快速、标准和全面三种深度路径，分别适用于简单低风险功能、多数常规功能以及复杂高风险功能。工作流分为多个阶段：问题框定、问题驱动引出（5级问题框架）、多利益相关方分析（最多8类角色）、六维完整性验证等。适用于接收简要笔记、收集新功能需求、审查现有规格、需求存在缺口、利益相关方意图不明或开始重要功能实现之前等场景。
Appendix Organizer 是一项用于机器学习论文的写作辅助技能，主要帮助规划与撰写论文的附录或补充材料。它的核心目标是让附录能够支撑正文论证，而不是简单堆放放不进正文的内容。该技能适用于正文正在起草或接近完成、需要决定附录结构的阶段；也适用于 NeurIPS、ICLR、ICML 等会议要求特定补充材料的场合；当附录章节逐渐凌乱、需要统一交叉引用结构，或审稿人关于实现细节、完整消融、额外结果的问题需要落位时同样适用。它提供 plan、draft、audit、checklist 四种工作模式，可设计附录结构、撰写附录章节、审计边界违规与失效引用、填写会议检查清单。该技能强调：附录每个章节必须有明确职责，如证明、消融、实现细节、可复现记录或检查清单条目；正文必须自包含；交叉引用应主要从正文指向附录；附录图表需有独立完整的题注。它通常与论文写作契约规划器、正文写作助手、审稿人模拟器和提交工具配合使用。
Auto Paper Improvement Loop 是一个面向论文草稿的多轮迭代改进技能，通过「评审 → 实施修改 → 重新编译」的循环流程，对论文写作质量进行受控的多轮打磨。该技能的每一轮评审都在全新上下文中进行，以避免确认偏差；通过编辑白名单限制可修改范围，防止写作润色过程中悄悄引入新论断、新引用或新数值；每轮完成后都会对状态进行存档，支持会话中断后续跑。它适用于需要超越单遍一致性编辑的迭代写作改进、需要对定理、数值、引用等部分进行冻结保护的写作场景，以及可能横跨多个智能体会话、需要崩溃恢复的长周期改进任务。技能提供状态文件与改进日志，可记录版本之间的变更差异。使用者需注意，它不能替代真实评审人反馈，也不用于对实验结果做判断。
feedback-synthesizer 是一个用于科研项目管理的中文技能，专门把导师、合作者、非正式评审人或委员会提供的非结构化反馈，转化为结构化、可留存的项目更新。它解决的问题是：当导师、合作者或评审人提出意见后，项目中的论点、风险、实验、写作或决策应该据此如何调整。该技能适用于导师会议建议转为行动项、合作者对草稿或方法的评论分类、提交前非正式评审意见整理、委员会会议记录转为结构化决策记录、分散在邮件文档与笔记中的反馈汇总，以及在反馈后更新项目记忆而不丢失或误解关键信号。它不适用于投稿决定后的正式评审回复，也不负责撰写反馈更新回复，这两类分别由 rebuttal-strategist 和 advisor-update-writer 处理。使用时会先读取记忆中的论点板、风险板和行动板，确保反馈与现有项目状态对照，再按来源、目标、语气、优先级和对投稿影响逐条分类，区分必须处理、应该处理、仅记录和不同意。对于必须或应该处理项，会更新论点强度、风险条目、行动项、决策日志和证据板；不同意的反馈也会记录理由，避免同一问题反复出现。最终生成带日期的反馈记录并保存到项目记忆目录，同时路由后续动作。
Model Card Writer 是一个用于机器学习模型、数据集与工件文档化的技能。它帮助研究者、工程师在公开发布模型检查点、提交会议评审或进行工件评估时，生成模型卡（model card）、数据表（datasheet）和可复现性声明。该技能强调模型卡是沟通性文档而非营销材料，要求性能主张与论文证据一致，明确说明预期用途、超出范围的使用、已知失败模式、偏见与公平性、社会影响等内容。它提供模板和分步流程，支持四种文档类型：模型卡、数据表、可复现性声明和工件 README，适用于 GitHub、HuggingFace、Zenodo 等平台的模型发布，以及 NeurIPS/ICLR 等会议的提交要求。同时它明确自身边界：不用于撰写论文主要贡献或结果，也不负责准备完整提交包，并可与 artifact-evaluation-prep、release-code、camera-ready-finalizer 等技能配合使用。
acestep-lyrics-transcription 是一个用于将音频文件转写为带时间戳歌词的技能工具，通过 OpenAI Whisper 或 ElevenLabs Scribe API 实现。它可以输出 LRC、SRT 或 JSON 格式，并支持词级时间戳。适用于需要将歌曲或音频生成同步歌词文件的场景，如 MV 渲染前的歌词准备。使用前需配置相应提供商的 API Key，转写后需人工校对歌词文本。
Plain Spoken 是一个用于生成清晰、精确技术文本的写作技能，适用于解释、流程、规范、文档和事故报告等场景。它提供三种模式：Write（用清晰语言撰写新的技术回答）、Rewrite（在不改变技术含义的前提下简化给定文本）、Audit（仅在用户要求报告时识别清晰度缺陷）。该技能通过四步工作流执行：读取输入、按原则撰写、检查草稿、返回结果，并借助脚本与子代理校验代码片段、URL、路径、数字、条件词、情态动词及凭据是否被保留或泄露。它默认采用受 STE 启发的写作风格，而非正式的 ASD-STE100 合规写作；正式合规需要标准写作规则、受控词典和领域术语来源，若缺失则只能声明为尽力改写，不能认证为合规。
escribir-hus 是一个面向软件开发流程的 AI 技能，用于把 PRD（产品需求文档）转化为可直接构建的用户故事（Historias de Usuario，简称 HU）。它要求先通读 PRD 的全部五个部分（问题、目标、范围、假设与开放问题、成功标准），再按范围中的每项清晰功能各生成一条 HU，并使用统一模板撰写「作为/我想要/以便」式故事描述，同时附上至少两个 Gherkin 场景（正常路径加一个边界情况）。该技能强调不臆测 PRD 未确认的信息、不把“不包含”项当作功能、不静默处理章节间的冲突，而是将其记录为带具体问题的开放点；每条 HU 输出为一个 Markdown 文件，并配有质量检查清单。
soul-builder 是一个根据公开的 X（Twitter）账号等信息，自动起草“SOUL”身份与语气文件的技能。它读取指定账号的公开资料、个人网站或链接等来源，提炼出一个人的身份、世界观、观点、兴趣、当前关注点、影响来源与语气风格，然后生成 soul/SOUL.md、soul/STYLE.md 和 soul/examples/good-outputs.md 三个文件，供内容生成类技能读取，以产出更接近本人语气的文章、推文或摘要。它也是仪表盘中“Soul → Build my soul”按钮背后的智能体。
Affiliate Blog Builder 是联盟营销技能集中的一个博客写作技能，用于生成面向搜索引擎优化（SEO）的联盟博客文章。它支持四种文章形式：产品测评、产品对比、榜单推荐（listicle）和操作教程（how-to）。每篇文章会包含关键词策略、结构化标题、对比表格、行动号召（CTA）、FAQ 结构化数据以及符合 FTC 要求的披露声明。用户提供联盟产品信息（如名称、描述、佣金、链接等），可选择文章格式、对比产品、目标关键词、博客平台、语气和字数目标，技能会按模板产出可在 WordPress、Ghost、Hugo、Astro、Webflow 或 Markdown 平台直接发布的完整文章，并附上 SEO 元数据、FAQ、配图建议和产品列表。
Antislop Writing 是一个写作与编辑技能，用于起草、改写或逐行编辑散文，使其读起来像专业作者所写，而非模型生成：清晰、具体、语域得当，并去除 AI 写作痕迹。