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 11-01 00:15
14,520 个结果
group-search 是一个面向团队的语雀知识库搜索与问答技能，基于 yuque-mcp 服务器实现。它允许用户用自然语言在团队（群组）语雀知识库中检索文档，读取相关内容后汇总出带有要点和来源链接的回答。该技能通过三步核心流程工作：先调用 yuque_list_repos 列出群组知识库以确定检索范围，再用 yuque_search 按关键词搜索文档，最后用 yuque_get_doc 读取全文并综合成答案。适用场景包括查找团队部署流程、API 规范、技术评审结论等可能存在于团队语雀文档中的问题。使用时需提供团队的 group login，并配置团队级 Token。该技能仅搜索群组知识库，个人文档需改用 personal-search。资料未提供价格、平台支持范围等更多信息。
根据标准模板生成技术设计文档（RFC/技术方案），并保存到团队语雀知识库供组内评审。适用于团队写技术方案、团队库场景；依赖 yuque-mcp 工具，需提供语雀团队标识。
research 是 Yutori MCP 中的深度网络研究技能，借助 Yutori 研究代理对任意主题执行深入检索，可用于竞争分析、市场调研、查找文档或回答复杂问题，并以结构化方式整理来源与关键结论。
用于维护本地、单用户、复利型 Markdown 个人 wiki 的技能（Karpathy「LLM owns wiki」模式）。用户负责阅读、提供资料与提问，LLM 负责摄取 raw/ 资料、跨页综合查询、结论归档、lint 健康检查、写入持久记忆与格式升级。
yzr-writing-style 是一套公共写作风格规则集，以“资深架构师视角”为立场，要求语言精炼、准确、直接、不冗余。该规则集既是写作时的执行标准，也是审计文档风格时的唯一标尺：写作文档、README、wiki 页、总结等成文内容时一律套用；检查已有文档风格或进行多模型交叉评审时，也用它作为检查依据。规则集覆盖结论先行、删冗余、具体与动词化、句式段落、术语一致与指称、语气分寸、中英文标点宽度、全角符号限制、载体选型（清单用列表、数据用表格、关系与流程才用图）、图文不重复、ASCII 图画法等行文要求，并专门列出常见“AI 腔”问题：三段式总结复述、加粗成瘾、列表瘾、假装对话式自问自答、讨好与推销腔、emoji 与装饰符号等。工作流分为写作与审计两条：写作需明确题材、读者与交付位置，按规则写作并逐条自查，产物可用仓库内 python3 tools/scan_fingerprints.py 机检，命中清零才交付；审计先通读文档，再用该脚本取机械候选并逐条对照规则补齐，报告每条发现附规则名、原文引用与修改方案，琐碎项不列入，报告仅在对话内输出，经用户同意后按方案改文件，只动行文不动语义，事实、数据、结论、引用一克不少。该工具不适用于内容正确性与事实核查。
用于 ANIBON 直播时间戳生成时抑制碎片化、强制按宏观活动切换合并时间戳，使 9 小时直播最终输出不超过 20 条 YouTube 评论。
writing-plans 是一项用于在接触代码前为多步骤任务编写规范实施计划的技能，强调面向背景有限的开发者，给出精确文件路径、完整代码、测试与命令，保存到 docs/plans/YYYY-MM-DD-<feature-name>.md。
用于创建、编辑和部署前验证代理技能（Skills）的参考指南，把测试驱动开发（TDD）思路应用于流程文档：先写压力测试用例观察代理在无技能时失败，再写技能使其通过，最后重构堵住漏洞。
用于 dlc-dev 产品需求 Spec 流程 R2 阶段：依据 requirements/solution.md 转写为可交付、可验收、可测试的 requirements/prd.md。强调场景驱动、AC 可测试、不确定性收敛到验证清单，禁止猜路径、禁止在缺少 solution.md 时继续生成。
用于把阅读优秀开源项目转化为可迁移经验的技能，适用于研究项目结构、核心抽象与工具链，并输出包含项目快照、可借鉴模式、不宜照搬部分与迁移建议的 learning packet。
为“六个骨头（Zhan Rongrui）”起草、改写或审阅中文技术博客的技能，保留具体问题、解释方式与有依据的个人取舍。博客写作默认应用；README、PR、邮件等仅在明确要求个人文风时应用。
用于检查 Markdown 文件语法、样式、错别字与排版问题的技能，可辅助发现标题层级、链接格式、代码块、列表、空格缩进、标点与段落间距等问题，并支持按报告结果进行修复。
Markdown 是一套用于文档撰写、README 编写和技术写作的标记语法参考。该技能覆盖核心语法、GitHub Flavored Markdown（GFM）扩展、README 模式、技术文档结构、MDX 以及 Markdown 检查（linting）。当用户提到 "markdown"、"write README"、"format…" 等场景时可使用。资料中提供了语法速查表（references/markdown-guide.md）和技术文档结构指南（references/tech-writing-guide.md）。
SEO Content Writer 是一个用于生成搜索优化内容的技能，面向传统搜索引擎、AI 答案引擎和生成式 AI 平台三类受众。它提供从写作前分析、答案优先写作、E-E-A-T 信号、页面元素优化，到 AEO/GEO 内容块、Schema 标记生成和最终质量检查的完整工作流，并附带避免 AI 写作痕迹的写作规范。
paper-2-web 是一项基于 Paper2All 自主流水线的学术论文转换技能，用于将 LaTeX 或 PDF 格式的学术论文转换为多种宣传与展示格式。它主要提供三类输出：Paper2Web（具备布局感知能力的交互式学术主页）、Paper2Video（包含旁白、幻灯片及可选数字人出镜的专业演示视频）、Paper2Poster（可打印的会议海报，含专业排版）。该系统依托大语言模型进行内容抽取、设计生成与迭代优化，适用于会议材料制作、研究成果推广、演示准备、预印本增强以及批量处理等场景。
daily-gzh-content 是一个面向微信公众号的每日内容生产技能，版本 2.1.0，作者 CCO Ives。它把公众号深度文章的完整生产流程自动化，覆盖选题、标题生成、内容创作、四层自检、配图决策、素材生成、质量检查、保存与发布草稿等环节。该技能以 Cron 方式每日 21:30 触发，agentId 为 content，目标产出 1 篇高质量公众号深度文章并存入草稿箱，由人工审核后群发。写作遵循固定的写作 DNA（好奇、谦逊、通俗易懂、人性化、文化哲思升华、实用干货价值），并内置 AI 味词黑名单、标点禁令与结构禁区。素材生成强制使用 code-material-gen，发布依赖 gzh-publisher-skill，仅存草稿不自动群发。
公众号文章自动化写作流程，支持资料搜索、文章撰写、爆款标题生成和排版优化。当用户提到写公众号、微信文章、自媒体写作、爆款文章、内容创作时使用此 skill。整个流程分为四步：搜索资料、撰写文章、生成标题、排版优化。
该技能用于从文本语料中推断大五人格（OCEAN）特质倾向，并将语言标记映射到人格维度，再把特质画像转换为写作风格约束，以辅助写作声音复刻。其核心原则是：人格会影响用词，但相关性较弱（大五特质与 LIWC 类别的平均绝对相关约 0.14，最强单项约 0.23），因此文本推断只能揭示倾向，不能作为诊断。技能强调输出应视为连续谱上的相对位置，并带有较宽的置信区间，而非固定的人格分数。适用场景包括刻画作者人格倾向、构建人格画像以支持风格复刻、量化各维度语言标记、与人群基线比较，以及将特质位置输入原型分类或人设构建。不适用于临床诊断、招聘筛选、语料少于 1000 词、文本经翻译或他人重度编辑、或仅单一语境写作的情况。
该技能基于传播适应理论（CAT）与语言风格匹配（LSM），通过比较用户与社区在功能词使用上的相似度，量化用户写作风格向社区规范靠拢或偏离的程度。功能词（代词、冠词、介词、连词、助动词、副词、否定词、量词）反映认知风格而非话题，因此被用作信号。LSM 分数范围约 0.50 至 1.00，越高表示风格趋同越强。技能提供九类功能词词典、LSM 计算公式、数据适用性校验规则、按社区计算基线与用户画像的 Python 代码，以及按适应强度对社区排序的工作流。适用于量化用户对社区的写作适应、识别“语言归属”社区、追踪风格随时间变化等场景。
LLM-Based Relevance Scoring 是一个使用大语言模型作为评判者，为文本语料库中的单条内容分配 0-100 相关性评分的技能。它强调以实质内容而非表面信号（如长度、点赞数）来评估质量，核心原则是：一个校准良好、带有明确评分标准的 LLM 比临时启发式规则评分更一致，但分数只是测量值而非绝对真理，需要校准、抽查和文档化的评分标准。适用于需要对帖子、评论、文章、评论、消息等文本条目进行质量或相关性排序的场景，可区分实质性贡献与低投入内容（如一句话回复、表情包、"+1" 回复），并识别"权威峰值"——即用户作为他人主要知识来源的内容。该技能提供完整的评分工作流，包括定义评分标准、构建少样本校准示例、配置 LLM 评分环境、运行校准验证、带检查点的批量评分、检测权威峰值、使用第二模型交叉验证以及人工抽查。
该技能用于将已完成的多项语言分析结果整合为一份统一的风格规范文档。它把人格画像、文体计量指纹、心理语言学分类、可读性指标、修辞结构、语域变化、言语行为分布、受众模式等上游分析发现，逐条翻译为可执行的写作约束，解决不同分析之间的冲突，并产出数值画像与散文描述，可作为 LLM 系统提示词或人工写作指南使用。核心原则是：规范中的每条约束都必须追溯到具体分析发现并标注置信度，且每条分析发现都应被翻译为可操作约束。适用于构建复现特定写作声音的 LLM 系统提示词、从量化分析生成人类可读风格指南、解决分析间矛盾，以及为最终提示工程或风格指南汇编做前置准备。
该技能用于从文本语料中提取稳定的文体计量指纹，通过测量功能词频率、句子结构分布和标点习惯等无意识产生的特征来刻画作者写作风格。核心原理是功能词和句法模式比内容词更稳定，因为内容词随主题变化而功能词反映深层语法习惯。指纹以分布轮廓形式呈现，每个特征包含均值、标准差和跨语境稳定性系数。适用于作者写作签名提取、写作声音复刻的风格画像、句法约束定义、跨语境风格一致性比较、作者验证或归属任务的特征集构建，以及向人格或原型系统输入稳定文体特征。不适用于语料少于2500词、文本被大量编辑或机器翻译、内容分析或主题建模、未经同意的去匿名化或监控、法律取证中声称确定性作者证明，以及仅用单篇极短文本（少于500词）作为唯一样本的情况。
to-intent 是一个用于把想法、问题、文档、工单、事故或指标转化为具体 intent（意图）的技能。它通过简短访谈与用户共同捕获一个或多个成果，并按模板将每个 intent 保存到 docs/intents/<slug>.md。该技能只关注意图层面，不产出规格说明或实现切片。使用时通过 /to-intent [input] 启动，流程包括接收输入、使想法具体化、校准 intent 数量、写入文件以及与用户评审，支持将未决问题保留为 open questions，并以 draft/approved 状态管理。
to-spec 是一个智能体技能，用于把对话中或用户所给材料中已经达成一致的上下文，整理成一份轻量的规格说明，涵盖行为、技术决策与测试，并以跟踪器 issue 的形式登记。它适用于需求已基本明确、需要形成可审阅规格的阶段，不重新开启需求访谈，而是综合可用信息、核查代码证据，保持规格详略与工作量相称。工作流为读取上下文、调查代码、起草规格、与用户审阅确认、登记已批准规格；缺失信息会以问题或假设形式保留在 Further Notes。