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 11-06 00:14
14,813 个结果
readme-marketer 是一个面向开发者营销场景的 AI 技能，用于把偏技术、堆砌功能的 README 改写为更有转化力的项目主页。它在不牺牲技术严谨性的前提下，按固定优化框架重组内容：首屏 5 秒钩子（项目名、一句话价值主张、动态徽章、视觉锚点）、用 PAS 框架说明“为什么存在”、一键安装与三步快速上手、把功能点从“是什么”改写为“能带来什么”、以及清晰的行动号召与社区入口。技能还规定不使用长破折号，需在输出中检查替换。该技能来自 itsmostafa/agent-skills，页面未提供安装命令、价格、平台支持等具体信息。
cross-check 是一个用于跨模型审阅的非代码制品检查工具，来源为 ivan-magda/cross-review-skill。它通过调用另一模型家族（Claude 与 Codex）对假设、计划、决策、规格/PRD、研究、备忘录、文章和文档进行二次审阅，再由使用方逐条核验其发现，只保留影响正确性、含义或结论的意见。工具默认以报告模式运行、不改动原文件，用户授权后可进入修复模式并设置最多轮次；它会说明模型家族共享训练数据导致的一致并不等于事实，主张事实性内容需以来源为准。
docs-agent 是一个面向多智能体构建流程的文档生成技能，仅由编排器（orchestrator）调度使用。它通过阅读源代码、契约（contracts）和配置，为项目生成开发者文档，包括 README、API 文档、架构文档和 CHANGELOG。该技能假设采用契约优先的多智能体构建模型：编排器并行派发角色智能体，每个角色智能体消费 /contracts/ 中的机器可读契约，qe-agent 通过 qa-report.json 对构建进行门禁。它拥有 docs/、README.md、CHANGELOG.md、CONTRIBUTING.md 的所有权，但 docs/agents/ 和 docs/adr/ 为专属排除区，不可写入。它不编写应用代码，仅负责文档。
interactive-doc 是一个文档生成技能，用于把研究或主题内容产出一对配套文档：一份 Obsidian 友好的 Markdown 源文件（.md）作为权威来源，以及一份由此派生的自包含 HTML 配套页面供人阅读。该技能包含两种工作流：渲染已有 Markdown 研究文档，或从零创建 Markdown 与 HTML 两份文件。核心原则是 .md 永远是唯一事实来源，HTML 只能改变呈现方式（如将 Mermaid 转为手绘 SVG、把 wiki 链接转为锚点），不得增加 .md 中没有的内容。支持的文档类型包括架构图/模块图、概念讲解、并排对比，以及特性说明（非一等支持）。HTML 要求单文件自包含、用 CSS 变量主题化、正文衬线字体、内联 SVG 而非图片、两屏以上提供页内导航，并在标题上方列出所读文件来源。
maintain-context 是一项用于在对话过程中即时维护项目文档的技能：它负责创建和更新 CONTEXT.md 领域术语表以及 docs/adr/ 架构决策记录（ADR），让这两类文档随理解逐步沉淀，而非在会话结束时批量补写。技能强调 ADR 的稀缺性和术语表的精确性：只有同时满足“难以逆转”“脱离上下文会令人意外”“存在真实取舍”三个条件时才写 ADR；CONTEXT.md 只收录用于消歧的术语，并为每个术语附上 _Avoid_ 禁用同义词清单及原因。使用前需先确认仓库是否配置 docs/agents/domain-docs.md，以决定单上下文还是多上下文目录布局；缺少该文件时默认使用根目录布局并提示用户运行 /setup-project-skills。文件按需创建，不预先搭建空骨架。
这是一个在已有仓库中按夜间计划自动维护文档与更新日志的技能配置。它继承 loop-controller 的循环机制与防护规则，自身负责三件事：每晚的固定流程（读取上次运行标记，git diff 标记到 HEAD，针对变更部分自行撰写文档更新，并按 docs-agent 的文档惯例执行；将每项变更分类为面向用户或内部，把面向用户的变化追加到 CHANGELOG.md）、机械性证明（变更部分的文档与当前实现一致，且标记以来的每个用户相关变更均已记录，最终形成一个可审查的 PR），以及人工介入边界（只开 PR 即停止，绝不合并文档）。该技能默认禁用模型自动调用，需用户一次性设置或用 /nightly-docs-and-changelog 显式触发；夜间调度应使用云端 routine 或 /schedule 定时任务而非 /loop，以在关机后仍能运行。适合需要长期保持文档和变更日志不过时的已发布项目。
wiki-research 是一个“Wiki 优先研究协议”技能，用于在探索代码库、深入仓库或阅读原始源码之前，先读取项目自带的 Obsidian 风格 wiki（index.md + wiki/ 目录）。它的核心主张是：wiki 是从原始资料综合出的交叉链接知识库，读取成本远低于重读原始材料；标准查询流程为读 index.md、2-3 个目标页面，必要时再看来源页，总计约 3000 token，相当于一个小型源文件。该技能说明了如何检测 wiki、按结构定位实体/概念/对比/来源页面、在 wiki 存在缺口时才升级到原始文档，并列出应避免的反模式。适用于已有研究型 wiki 的软件项目，帮助降低理解成本与 token 开销；若项目没有 wiki，则跳过该协议。
用于按指定工作流生成和修订学校试卷的技能，支持 JSS/小学考试出题、从课堂笔记或聊天记录中改编题目，并包含排版、图表与多智能体校验规则。
unslop 是一套用于编辑文本、去除 AI 写作痕迹并加入人类语气的写作规范，适用于聊天回复、文档、界面文案和技能说明等场景。它列出需要检测和修正的模式，并给出改写与自审流程。
Calibre 技能用于在 macOS 上通过命令行管理电子书和 calibre 书库。它基于 calibre 自带的命令行工具（ebook-convert、calibredb、ebook-meta、ebook-polish）完成转换与书库操作，可在 EPUB、AZW3、KEPUB、MOBI、PDF、DOCX、Markdown 与 HTML 之间转换，并处理封面、目录和元数据。所有命令都通过 scripts/calibre.sh 执行，并统一设置超时、强制使用英文输出；脚本使用 calibre 捆绑的 Python 运行，不启动服务器，也不直接修改 metadata.db，书库写入均经由 calibredb 完成。技能提供配套脚本：从 Markdown/HTML 章节生成 EPUB、把文本型 PDF 转为 EPUB 并生成质量报告、批量修改元数据（支持备份与恢复）、用 ebook_check.py 校验输出。已对照 macOS 上的 calibre 9.16 验证。
Advanced Paper Review 是一个用于审阅研究论文的 AI 技能，通过六个相互独立的子智能体分别从 Soundness（严谨性）、Excitement（吸引力）、Novelty（新颖性）、Significance（重要性）、Clarity（清晰度）和 Reproducibility（可复现性）六个维度进行评审，再由协调者汇总撰写整体评估。该技能强调六项评审必须彼此独立，不能由单一智能体以六个角色扮演段落替代。使用前需收集论文、附录、图表、补充材料及会议背景，并配置 venue_name、venue_scope、venue_type、submission_type、track_guidelines、submission_date、concurrent_work_window、score_definitions、output_language 等参数。若未指定会议，则按默认评分标准进行明确标注的通用 ML/AI 预投稿评审。评审流程包括准备中性证据、分派六个独立评审、校验并综合结果，最终输出六个维度分数、置信度、决定性证据、优缺点、可操作作者问题及推荐意见。
该技能用于深度分析一篇或少量论文，并产出可复用的研究笔记。它强调先写分析计划、锁定论文集合、按任务需要控制阅读深度，建立主张与证据记录，再进行批判性评估，最终输出结构化研究笔记或多论文对比。
Transcribe 是一个视频转写技能，可将任意视频 URL（如 YouTube、Instagram、X/Twitter、TikTok、Facebook、Vimeo 等）转成文字稿。它使用 yt-dlp 下载视频、faster-whisper 进行语音识别，并可选择为每段文本加上 [M:SS] 形式的时间戳。用户可通过 /transcribe <url> 调用；首次使用 faster-whisper 时会下载约 1.5GB 的 Whisper 模型。安装过程需检查 Python 3.8+、yt-dlp、faster-whisper 与 ffmpeg。
youtube-chapters 是一个把视频（YouTube 链接或本地视频/音频文件）转成可直接粘贴到 YouTube 的章节时间戳的工具技能。它分两步：先运行 transcript.py 获得带时间戳的转写文本，再由使用者根据话题切换手动切分章节并输出标准格式。YouTube 有字幕时通过 yt-dlp 只拉取字幕轨，速度快；本地文件或无字幕视频则使用 Whisper 语音转写（支持 GROQ_API_KEY 或 OPENAI_API_KEY 的 Whisper API，或本地 faster-whisper、whisper CLI）。输出遵循 YouTube 章节规则：首行 0:00、至少 3 章、相邻章节间隔不少于 10 秒，每行“M:SS 标题”，并保存为文本文件。适合为视频补章节、做时间轴和分区导航；不用于无时间戳的摘要或视频剪辑。
observed-behaviour 是 layers-skills 中的用户研究技能，聚焦“观察到的行为”层，用于规划用户研究或综合已有研究材料，产出带置信度标注的候选 job stories。
kev-knowledge 是一个私有的 Kev 知识图谱技能，用于在重新推导历史之前先检索既有记录。该图谱把自 2026 年 9 月 17 日以来该仓库上的每次 Devin 会话提炼为手写主题笔记、逐会话记录、按日时间线、PR 与 issue 索引以及转录摘要。适合回答「是否试过 X」「某规则为何存在」「第 N 轮发现了什么」「PR #N 改了什么及原因」等问题，也适合在规划新一轮、服务改动、数据族、发布或基准测试前先阅读对应主题笔记。
kev-pr-description 是一个用于撰写 Kev 项目 Pull Request 标题与正文的写作规范技能。它要求作者从“改变前的世界”写起，先说明问题与缺口，再用论证方式解释机制，定义关键术语，写明所依赖的假设、尚不确定之处及证伪条件，并交代刻意不纳入本次变更的范围与后续去向。数字需附带来源信息，包括检查点、套件与分区、设备、样本量及可查报告指针。标题按 squash commit subject 形式写成一句变更说明，测试计划清单保留在末尾以承载可复核的证据。正文长度与新颖程度相称，小修一句理由即可，大改可分节展开。适用于在 Kev 项目中提交、编辑或评审 PR 时使用。
用于生成A股、港股及A/H股票的日度策略简报，输出结论先行、强结构、可直接排版的一页卖方投行风格策略页，覆盖收盘复盘与盘后线索摘要，由LLM直接生成Markdown与HTML。
OpenClicky 的研究报告技能：围绕主题、市场、竞品、产品或人物做调研，并把结果整理成 Markdown、PDF、DOCX、CSV 或简报等成品文件。
介绍如何编写 Hookify 规则：在 .claude/hookify.{name}.local.md 文件中用 YAML frontmatter 定义匹配模式，并在模式命中时向 Claude 显示提示消息；涵盖 name、enabled、event、pattern、action 等字段。
把主题、口述、笔记或作者自己的影片素材写成 Facebook 深度长文的写作技能，交付完整初稿与分开的待核对备注。支持无语气样本的新手，不虚构故事、不强制套反转句或导流。
Corpus Research 是一个面向决策的研究技能，主张“一个问题、匹配证据、不制造虚假确定性”。它要求先锁定决策、细分人群、范围、时间跨度以及可能推翻答案的反证，再梳理选项与反面证据，避免被第一个看起来有吸引力的答案带偏。它按主张类型匹配相应证据强度，例如标准或合同应查现行规范、API 支持应查对应版本文档与源码、产品行为应做安全可复现的实测、性能对比应使用方法与数据匹配的基准测试、因果结论应依赖控制替代解释的设计、流行度应披露抽样框与分母。对每个关键来源记录出处、日期、版本、方法、总体、样本量、利益冲突及属于观察还是推断，并说明降级或升级理由。它还对市场、客户与竞品研究限定细分、地理与时间范围，要求市场规模给出公式、单位、带日期的来源、假设、敏感性以及 TAM、SAM、SOM 的拆分。输出采用固定结构（问题与范围、方法与覆盖、发现、选项、待解问题、建议），每条发现带稳定编号、单一主张、精确证据、置信度和决策相关性，建议需关联发现编号，决策仍由人做出。成果写入 ~/.agents/artifacts/<workspace>/<ID>.md，配套证据回执等附属文件放在旁边并互相链接，不覆盖已有文件，目录不可写时提供授权重试、改用其他用户目录或取消，绝不回退到仓库、厂商目录或临时路径。
corpus-spec 是一个用于在动手实现之前编写、修订或校验“可验证变更契约”的技能。它把需要落实的意图转化为带验收条件的需求文档，适用于意图或后果性行为需要变成明确要求与验收标准时。该技能规定了规格文件的固定结构：frontmatter、Intent、Requirements，以及每条需求固定的三要素块（When、Then、Verify with）和强度词（MUST、SHOULD、MAY 等）。对重构、迁移、重写等结构性变更，还要求补充基线、波次推进与切换条件。它支持仅检查模式，并规定了产物写入位置与交接验证清单。
persona-auditor 是 swarm-skills 中的一种“审计者”写作立场，用于撰写代码审计、架构评审、技术债调查等现状类文档。它强调只观察不处方：每条发现须带 file:line、按影响排序、动态结论须附真实命令输出，且审计过程只读、不写修复或需求。