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 10-30 00:12

写作与研究

14,436 个结果

documentation

Documentation 是 localagentcrew 中的文档智能体技能，专注于创建和更新文档、生成代码注释以及编写 API 文档。它可处理 README 创建与维护、使用示例、架构文档等任务。当用户提出“为这段代码写文档”“给 X 添加注释”“为 Y 写文档”“更新 README”“创建 API 文档”等请求时激活。其工作流程为：审查待文档化代码、理解用途与功能、组织结构、撰写清晰简洁的内容、验证准确性与完整性、补充实用示例。文档类型涵盖代码注释（解释“为什么”而非“是什么”、记录复杂算法与非显而易见行为、为公共 API 添加 JSDoc/docstrings）、API 文档（端点描述、请求/响应格式、认证要求、错误响应、使用示例）、README（项目概览、安装说明、快速开始、配置选项、贡献指南）以及架构文档（系统概览、组件图、数据流描述、设计决策）。输出格式包括列出创建/更新的文档文件与章节、说明内联注释位置、展示带签名的函数/类文档、包含使用示例、描述 README 更新内容并注明遵循的文档约定。质量检查清单要求语言清晰简洁、内容准确且最新、包含实用示例、格式规范、覆盖边界情况并适合目标读者。

写作与研究7 次安装

research-assistant

Research Assistant 是一个专注于信息收集与综合的研究助手技能，属于 localagentcrew 项目。它能够执行通用研究、汇总信息、比较选项并提供洞察。该技能在用户提出“帮我研究 X”“总结关于 Y 的信息”“比较 A 和 B”“查找关于 Z 的信息”“……的最佳选择是什么”等请求时激活。其工作流程包括理解需求、从多个来源收集数据、综合成连贯洞察、分析模式与趋势、并以易读格式呈现结果。研究指南涵盖信息收集（使用 WebSearch、交叉引用、优先权威来源、标注信息缺口）、摘要（提取要点、去冗余、保持准确）、比较分析（确定评估标准、结构化对比、列出优缺点、提供平衡视角）、洞察生成（识别模式、关联概念、提供背景与建议）。输出格式包含摘要、详细发现、分析和建议四部分，并支持 Markdown 排版，如标题、列表、表格、引用、加粗斜体和来源链接。

写作与研究7 次安装

notion-research-documentation

该技能用于在 Notion 中跨多个页面进行检索，并将收集到的信息综合整理为结构化文档，例如简报、对比分析或研究报告。它通过 Notion 的搜索与页面获取能力定位相关来源，提取关键事实、指标、约束与日期，并保留引用链接；随后根据任务类型选择合适格式（快速简报、研究摘要、对比、综合报告），使用对应模板在 Notion 中创建页面，并附上引用与参考来源。适用于需要从多个 Notion 来源汇总信息、形成决策依据或可分享文档的场景。

写作与研究6 次安装

ai-viral-team-script-writing

该技能名为「脚本创作」，角色定位为内容创作者/编导（代号 Kris），用于短视频脚本撰写与分镜设计。核心职责包括：根据爆款模板生产内容、完成脚本撰写与分镜/台词/节奏设计、设计视频亮点与槽点埋梗、情绪钩子与结尾引导，并快速响应热点。工作流程分两步：先输出脚本框架（含3种以上黄金3秒开头方案、内容框架、槽点设计、情绪钩子、结尾设计），经用户确认后再输出完整版脚本（含完整台词与详细分镜表）。分镜提示词要求使用英文，并完整包含镜头语言、景别、场景氛围、角色、动作、表情、服装道具、台词字幕、衔接与转场等要素，同时强调人物形象一致性。脚本输出后会自动推荐 Vidu 视频生成配置（生成方式、模型版本、时长、比例、transition），并将完整提示词与负面提示词传递给视频生成环节。

写作与研究6 次安装

xhs-writing-coach

XHS Writing Coach（小红书写作教练）是一个用于辅导和生成小红书（RedNote/XHS）笔记写作的技能，作者为 Daniel Li。当用户需要撰写小红书笔记（标题、正文、标签、评论引导、封面文案）、提升互动效果时使用。该技能通过澄清输入、选择结构、按互动启发式优化三个步骤工作，最终以固定 JSON 格式输出标题、正文、标签、CTA、封面文案和优化建议。内置爆款5段式、教程体、测评体、清单体等模板，并提供标签速查与合规提示。

写作与研究6 次安装

rhetorical-discourse-structure

该技能用于分析作者在词句层面之上如何构建论证与组织文本，包括论证顺序（主张先行、证据先行、辩证式等）、修辞手法（模糊限制、让步、反问、类比）、按功能分类的话语标记使用，以及段落与帖文的结构习惯（长度分布、列表与散文比例、总结位置）。其核心原则是：话语结构所揭示的论证习惯比用词选择更稳定，可跨主题复现，从而为声音匹配提供可复制的结构约束，与词汇或情感分析互补而不重复。

写作与研究6 次安装

prompt-architect

Prompt Architect 是一个用于把粗略想法转化为专业级 LLM 提示词的工具。它会先分析用户提交的文本、图片、链接和文档，识别核心意图、视觉风格、上下文信息与约束条件，然后提出 5 到 15 个澄清问题，覆盖目的、受众、语气与风格、输出格式、背景信息、限制条件和示例等方面。用户回答后，还会询问希望最终提示词使用英文还是阿拉伯语。最后，它依据内置的框架文档和质量标准选择合适的方法（如 Chain-of-Thought、Persona + 约束、JSON schema + few-shot、Prompt chaining、Tree-of-Thought、ReAct 等）生成优化后的提示词，并以代码块形式交付，便于复制，同时说明所用框架及理由，复杂时附内联注释。其定位是帮助用户写出清晰、结构化、可测试的提示词，避免模糊角色、矛盾指令、缺失输出格式等常见问题。

写作与研究6 次安装

prompt-engineer

Prompt Engineer 是一个通过 Python 脚本调用的提示词优化技能，隶属 akiselev/qt-llm-template。根据其说明，当用户请求提示词优化时应当立即调用该技能，而不需要先做分析。它的核心工作方式是以脚本本身承载工作流：先执行第 1 步（triage）确定优化范围，再按确定的范围执行第 2 步及后续步骤。脚本通过 python3 -m skills.prompt_engineer.optimize 命令运行，支持 --step 与 --scope 两个参数。范围（scope）分为四类：single-prompt（单个提示词文件的通用优化）、ecosystem（多个相互关联的提示词）、greenfield（没有现成提示词，从需求开始设计）、problem（已有提示词但存在特定问题需要修复）。有关具体优化效果、收费标准、适用平台以及除脚本调用方式之外的更多细节，资料暂未提供。

写作与研究6 次安装