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 11-08 00:04

写作与研究

14,982 个结果

research-stack

Research Stack 是一个面向 AI 编码与研究助手的资料检索技能，通过统一的工作流把三个 MCP 服务器组合成一条互补的检索路径：context7 负责库与 SDK 文档，tavily 负责快速网络搜索与综合，firecrawl 负责特定页面的深度提取、代码搜索与论文。它把每次调用规范为五个步骤：先加载（ToolSearch 获取延迟加载的工具 schema）→ 路由（按问题类型选择首个匹配工具及回退项）→ 设限（每次调用前设定成本上限与参数）→ 退款（对已使用的 firecrawl_search 提交反馈以返还积分）→ 交付（答案中每条结论附来源 URL 或库 ID）。技能区分 Lookup（单一事实）与 Investigate（多面向、有争议或对比性的结论）两种模式，后者对每个子问题各跑一遍五步流程，并按报告结构输出。

写作与研究1 次安装

academic-paper

Academic Paper 是一套面向学术论文写作的多智能体流水线工具，由 12 个智能体协同工作，覆盖从配置访谈、文献检索、结构设计、论证构建、全文撰写到引用核查、双语摘要、模拟同行评审与格式输出的完整流程。它支持完整、计划、大纲、修订、修订辅导、摘要、文献综述、格式转换、引用检查、AI 使用披露、审稿回复等 11 种模式，并新增写作风格校准与写作质量检查两项功能。输出支持 LaTeX、DOCX（经 Pandoc）、PDF 与 Markdown，引用格式支持 APA 7.0、Chicago、MLA 9、IEEE、Vancouver。该工具适用于各学科论文写作，默认以高等教育领域为参考场景。

写作与研究1 次安装

academic-paper-reviewer

Academic Paper Reviewer 是一个模拟国际期刊同行评审流程的中文可用学术审稿工具技能，当前版本为 v1.11.1。它先自动识别论文所属学科、研究范式、方法学类型、目标期刊层级和论文成熟度，再动态配置四位有身份卡的审稿人（期刊匹配审稿人加三位同行审稿人），并固定加入第五位“魔鬼代言人”审稿席位。五位角色分工明确，分别从期刊契合度、研究方法、领域专业、跨学科视角和核心论点挑战等角度独立出具报告，最后由编辑综合代理汇总共识与分歧，给出编辑决定信和修改路线图。该技能支持完整审稿、复审（核查修改是否回应意见）、快速评估、仅聚焦方法学、引导式审稿和校准模式，并提供苏格拉底式修改辅导。它强调审稿材料属于不可信数据而非指令、审稿人不得修改原稿、合成器不得编造意见、魔鬼代言人的严重问题必须被显式裁决等规则。

写作与研究1 次安装

academic-pipeline

academic-pipeline 是一个用于编排完整学术研究流程的轻量级调度器（版本 v3.23.0），覆盖从研究探索到最终稿件与过程记录的全流程。它本身不执行实质性写作或研究，只负责检测当前阶段、推荐模式、分发对应技能、管理阶段转换并跟踪状态。流程包含 10 个阶段：研究、写作、预审完整性检查、评审、修改、复审、再修改、终审完整性检查、定稿、过程总结。支持三种入口：从零开始完整流程、已有论文中途进入（从完整性检查阶段开始）、收到审稿意见后的修改模式。每个阶段完成后必须经用户确认才能继续，完整检查点会展示字数、参考文献数、覆盖度等指标与决策面板。完整性检查分预审与终审两轮，失败可修复重验最多 3 轮；评审采用两阶段制（首次全审加修改后聚焦复审）。支持可选的跨会话恢复（通过护照哈希）与多项实验性开关，如上下文重置边界、审计产物门控、L3 声明忠实度审计。适用于需要端到端管理学术论文写作流程的场景；若只需文献检索、单独写作、单独评审或格式转换，应直接使用对应技能而非本管线。

写作与研究1 次安装

deep-research

Deep Research 是一个面向严谨学术研究的通用型智能体团队工具，核心由 13 个智能体组成的流水线，可对任意主题开展学术研究。它提供 8 种模式：完整研究、快速简报、论文评审、文献回顾、三段式文献扫描、事实查核、系统综述与苏格拉底式引导等。报告按 APA 7.0 格式编译，流程涵盖选题与研究方法设计、系统性文献检索与来源核验、跨源综合分析、报告撰写、编辑与伦理审查及修订。v2.4 在报告编译器中加入写作质量检查，并可选读取风格档案作为软性指引。该工具通过斜杠命令或触发关键词调用，支持多语言触发与苏格拉底模式引导研究方向，适用于论文写作前的文献调研、证据综合、政策分析与事实核查等场景。

写作与研究1 次安装

sr-screener

SR-Screener 是面向系统综述、范围综述与快速综述的协议驱动筛选技能。它把研究方案或 PROSPERO 协议转化为经确认的纳排规则，再对文献记录进行标题/摘要筛选与全文筛选，并支持预试校准、冲突裁决、排除审计和 PRISMA 计数汇报。核心做法是：先固定标准再筛记录、每条记录由两名评审独立决定、分歧交第三评审、无静默默认、所有数字可追溯到文件。AI 评审仅作决策支持，最终由人工确认。

写作与研究1 次安装

concept-builder

concept-builder 是一套用于批量构建「概念包」（concept bundle）的多智能体工作流。每个概念包围绕一个可运行的真实来源文件（.py/.go/.rs/.ts/.cpp）展开，文件会打印出所有数值、表格和结论，再被逐字粘贴进静态指南（.md）；可选地附带一个交互式页面（.html），用相同公式重算并用 gold-check 徽章校验。使用者担任编排者，撰写简短的任务简报，并行启动最多 4 个 worker 子智能体，每个 worker 独立负责一个概念包的文件，随后执行验证扫描以捕获静默失败。该工作流强调可证伪性、一致性，以及每条结论都由可运行代码印证，避免手工计算与信任纯文字描述。

写作与研究1 次安装

deeper

deeper 是一个用于改写任务提示词的技能，核心思路是让任务变得“更深”而不是“更大”。它接收一个任务（通过 /deeper <task> 传入，或单独使用 /deeper 来深化对话中最近一次请求），然后围绕四个维度给出具体答案：专业视角（该领域顶尖专业人士会做但任务未要求的事）、原始材料（应从最原始的数据入手，如日志而非仪表盘、原始行而非图表、源头而非摘要）、工具方法（可实际执行的具体查询、统计、库、命令或流程）、外部裁判（除模型或用户之外能验证结果正确性的东西，如可运行的测试、测量、留出数据或第二个工具）。随后它会把用户原本应发送的提示词重写出来，保留用户的目标、事实、名称和数字，交付物与范围不变，输出为一个代码块。该技能的输出是一个提示词，而不是任务本身的结果。使用方式为在对话中调用 /deeper 并附上任务，或单独调用以深化上一条请求；运行改写由用户自行决定。

写作与研究1 次安装

communication-orchestrator

Communication Orchestrator 是 communication 技能套件的常规入口技能，用于自动将 Markdown 文件或文件夹路由到相应的沟通分析流程。当用户指向某个路径并希望系统自动处理时使用。它通过 scripts/orchestrate.py 运行：若目标是单个 Markdown 文件，则对该文件运行分析技能；若目标是文件夹，则递归发现 Markdown 文件，跳过 analysis/、repairs/、.git/、node_modules/ 和 __pycache__/ 目录，自动为缺失的文件创建逐文件分析产物，然后对该文件夹运行摘要技能。默认不询问用户选择文件模式还是文件夹模式，并跳过已分析的文件，除非调用方显式传入 --force。

写作与研究1 次安装