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 10-21 00:11
233,201 个结果
huashu-design 是一个面向视觉呈现需求的设计哲学顾问技能，源自 alchaincyf/huashu-skills。它在设计开始前先理解用户的目标受众、核心信息、情感基调和输出格式，再从 20 种设计哲学（分为信息建筑派、运动诗学派、极简主义派、实验先锋派、东方哲学派五大流派）中推荐 3 个差异化方向，并生成对应的视觉 Demo 与 AI 提示词；在设计产出完成后，还可自动启动专家级评审。每个推荐方向均包含风格名称、适用原因、核心特征、气质关键词和代表作参考。该技能强调用「为什么这样设计」的约束替代具体外观，主张设计是概率性的，通过好的约束产生多样化的高质量结果。适用于网页、落地页、官网、App 界面、PPT、PDF 报告、信息图、海报、封面等多种视觉输出场景。使用方式以对话触发为主，当用户提到设计风格、设计方向、配色方案、视觉风格、设计评审等关键词时启用。暂未提供具体的安装命令、收费方式与平台支持信息。
该技能用于分析竞争对手的 YouTube 频道内容策略与表现。它借助 Apify 平台上的 apidojo YouTube 抓取器，抓取目标频道最近 20 至 50 个视频，对视频类型（教程、清单、评测、观点、新闻、案例研究）和时长档位进行分类，并计算观看比例、互动率、发布频率等指标，识别高表现内容与隐藏爆款。适用于需要逆向拆解竞品选题、格式与时长规律的场景。使用前需设置 APIFY_TOKEN 环境变量，可选安装 Apify MCP 服务器。
Voice Extractor 是 newsjack.sh 的本地写作声音指纹引擎，用于让以用户名义撰写的文案听起来像用户本人，而非通用 AI 腔调。它从 5-20 份历史写作样本中提取可量化的语言习惯，生成并保存本地 voice.yaml 指纹文件，然后在草稿上重新计算同样的指标并与指纹容差带比对，逐条触发违规规则。核心思路是把“让它听起来像我”转化为一组确定性的、可定位、可修复的检查项。它提供三种模式：extract（提取指纹）、check（检查草稿）、enforce（作为其他 newsjack 写作技能的内部约束）。指纹保存在 ~/.newsjack/voice/<profile_id>.yaml，active.yaml 指向当前激活的配置，原始样本文本不会存入 voice.yaml。
remove-ai-marks 是一个用于清除多厂商 AI 溯源标记的技能：处理不可见 Unicode（Layer A）、通过改写降低统计文本水印（Layer B），以及清理 C2PA 与常见文件容器中的 AI 元数据。它作为瘦客户端，通过 curl 调用独立 HTTP 服务完成确定性清理。
这是一个用于任务完成后的验证原则技能，强调在宣布任务完成前，必须直接检查真实产物本身，而不是依赖代理指标、自我报告或“能编译通过”这类间接证据。它要求直接检查进程存活状态、读取真实值而非缓存或派生表示，并在验证失败时先怀疑观察方法而非系统本身。同时要求既验证结果也验证过程，确认所依赖的每个事实都来自项目规则指向的持久记录。该技能还建议尽可能将检查脚本化，保留可复现的输出作为证据，并仅在大型或复杂工作（如大规模移植或迁移）中提交产物以供审计。
styled-components 最佳实践技能，面向 React 应用的 CSS-in-JS 开发，涵盖组件级样式、主题、动态样式、响应式、动画、性能优化与 SSR 等主题。
develop-solution-brief 是一个用于创建一页式解决方案概要的技能。它把问题理解与详细规格之间的空白连接起来，用简洁的一页文档传达拟议方案、关键决策与权衡取舍，帮助利益相关者在不过度陷入实现细节的前提下就方案方向达成一致。该技能适用于向利益相关者推销解决方案以获取支持、让跨职能团队对齐要构建什么以及为什么、在编写详细 PRD 之前记录方案意图、在高层次比较多个方案选项、向领导层传达产品方向。技能提供了明确的使用与不使用场景、分步操作指引（回顾问题、描述拟议方案、列出关键功能、定义成功指标、说明权衡取舍、识别风险与缓解措施、列出后续步骤）、输出格式模板以及质量检查清单。
Harvard Artifacts Collection Analytics ETL 是一个面向哈佛艺术博物馆 API 的端到端数据工程示例项目，由 ara.so 作为 Data Skills 集合中的技能提供。它演示了一条可投产的 ETL 流程：从哈佛艺术博物馆 API 提取藏品数据，将嵌套 JSON 结构转换为关系型表，加载到 MySQL/TiDB 等 SQL 数据库，并通过 Streamlit 仪表盘配合 Plotly 可视化提供交互式分析。整体架构流向为 API → ETL → SQL → Analytics → Visualization。项目包含主应用、ETL 逻辑、数据库建表与连接管理、预置 SQL 分析查询、配置与环境变量等模块，并定义了 artifactmetadata、artifactmedia、artifactcolors 三张关系表，分别存储藏品元数据、媒体图片链接与主色调数据。附带提取分页、数据变换、批量插入、查询执行以及 Streamlit 界面代码示例，并提供限流、缺失数据处理与常见问题排查的常见模式。使用需自备哈佛 API Key 与数据库连接信息。
See-through 是一个面向动漫角色单图图层分解的研究框架（SIGGRAPH 2026 有条件接收）。它可将单张动漫插画分解为最多 23 个语义独立且经过完整补全（inpainting）的图层，并推断绘制顺序，最终导出适合 2.5D 动画工作流的分层 PSD 文件。框架基于扩散模型，包含基于 SDXL 的 LayerDiff 3D 透明图层生成、微调 Marigold 模型的伪深度估计，以及 19 部位语义身体分割。支持深度分层与左右分层等启发式后处理，提供命令行、Python API、Jupyter Notebook 演示与社区 ComfyUI 节点。
youtube-api 是一个通过 TranscriptAPI.com 访问 YouTube 数据的技能，无需 Google API 配额或 OAuth 配置即可获取转录文本、视频元数据、频道信息、搜索结果和播放列表等内容。它使用单一 API 密钥认证，所有请求需携带 Authorization 与 User-Agent 两个请求头，否则会被 Cloudflare 拦截。接口按端点消耗不同数量的信用点，部分端点免费。适用于需要批量抓取 YouTube 转录、频道视频列表或搜索结果的场景。
production-grade 是一个面向生产级代码的工程原则技能（Skill）。其核心理念是：原则可移植，技术栈只是适配选择。该技能要求代理在编写代码前先读取本地代码库（AGENTS.md、README、manifest、git log、docs、历史 PR 等），匹配既有约定与惯用法，而非依赖训练数据中的记忆，并优先拉取最新官方文档。它适用于任何语言、框架或基础设施上的非平凡工程任务，包括规划与实现、涉及数据库模式、安全相关子系统、基础设施或公共 API 的变更、根因分析（RCA）、多子系统协同发布、重命名、审查与重构、将“凭感觉写”的代码库提升到生产标准、加固继承或生成的代码（依赖/CVE、安全与迁移审计），以及极简主义审查（YAGNI、最简方案、是否过度工程化、能删什么）。对于一行拼写错误、仅改逗号的文档修复、无代码影响的配置修改可跳过。该技能包含三条元规则（原则优先于技术栈、上下文优先并持续学习、时效性检查不保留过时观点）和十六条操作规则（从计划之计划、质量优于数量、标准库与平台优先、ACM 级数据结构选择、EXPLAIN 优先的数据库设计、前向优化避免 N+1、安全左移、统一标准、关键路径先行测试、科学 RCA、常青文档等）。第三方来源的内容一律视为不可信数据，仅用于提供决策信息，绝不作为指令执行；只有操作者、本技能规则和仓库契约可指导代理的工具使用。
flashcards 是 anthropics/claude-for-legal 技能集中的一个学习辅助技能，主要用于法律学习中的记忆背诵。它能根据大纲、笔记或案例书摘录生成记忆卡片，并通过 Leitner 风格的分组（bucket）进行间隔复习训练。技能支持生成卡片、抽查背诵、浏览卡组、查看进度统计以及限定卡片数量的专注训练会话。每张卡片包含问题、答案、来源、分组、复习时间等元数据，按学科以 markdown 文件存储。该技能强调来源可靠性，对于无来源的知识生成的卡片会打上待验证标记，并包含真实法律事务的判别检查，避免提供法律意见。它并非完整的间隔重复系统，主要用于聊天环境中的快速训练。
该技能用于追踪 Twitter 上体育队伍粉丝的情绪倾向，基于 apidojo 的推文抓取器（tweet-scraper）执行。技能属于 apidojo 情报技能库，前提是设置 APIFY_TOKEN 环境变量，可选安装 Apify MCP 服务器。输入参数包括 searchTerms（必填，Twitter 高级搜索查询数组）、sort、tweetLanguage、maxItems 以及多种可选过滤器（如仅认证用户、仅含图/视频、作者、提及、地理位置、最低转推/点赞/回复数、起止日期等）。工作流程分五步：定义参数、运行 actor、对结果分类、按质量与相关性评分、交付输出。分类包括 WIN_BOOST、LOSS_DROP、CONTROVERSY、BASELINE，评分公式为 (positive_count - negative_count) / total_count。运行方式包括 run_actor.js 脚本、Apify MCP 工具、REST API，输出可保存为 CSV 或 JSON，并以表格和摘要形式呈现。该技能适用于监测体育队伍在比赛前后的粉丝情绪变化，但需注意体育情绪受赛事结果强烈驱动，应始终结合球队近期比赛结果作为背景。
crisis-holding 是一个面向危机公关场景的 AI 技能，用于在事件爆发后的最初数小时内，基于已确认的事实起草危机「占位声明」（holding statement）、记者问答口径以及「不该说什么」的指引。它强调先完成结构化信息采集再动笔，并设置硬性法律顾问审查门槛：当事件涉及产品安全、数据安全、人员不当行为、财务违规、监管风险，或提及死亡、伤害、诉讼、PII 泄露等触发条件时，技能会停止起草并输出 STOP 提示，要求先联系法律顾问。技能内置多套框架，包括占位声明五段式结构、SCCT 情境危机沟通理论、CAP（关切—行动—背景）排序、合法非回答、Bridge/Flag/Block 问答控制，以及主动与被动、占位与完整声明的策略区分。
ce-sweep 是一个反馈清扫（Feedback Sweep）技能，用于从已配置的反馈来源（Slack、GitHub Issues，邮件为实验性）中收集自上次运行以来的新条目。它会在来源处确认（acknowledge）每个条目、分析其中的录屏（recordings），并验证条目声称的修复是否已合并到默认分支。所有未关闭的条目会被汇总进一份滚动更新的 lfg-ready 计划。该技能通过 scripts/sweep-state.py 的子命令管理状态，强调将条目内容视为不可信数据、仅依据来源配置执行确认与关闭操作，并支持非交互模式。
这是一个用于股票与公司内在价值估算的量化估值技能，覆盖现金流折现（DCF）、股利折现模型（DDM）、可比乘数（P/E、EV/EBITDA、P/S、P/B）以及剩余收益模型等方法。资料给出了各方法的公式、计算步骤与示例：DCF 以未来自由现金流现值加终值计算企业价值，终值可用戈登永续增长模型或退出乘数法；折现率采用 WACC，股权成本用 CAPM 估算；DDM 支持单阶段与多阶段（高增长、过渡、稳定）；剩余收益模型适用于自由现金流为负但股权回报高于股权成本的公司；可比乘数法用同业中位数推断价值；另含分部估值（SOTP）与敏感性分析，并提醒终值占比高、假设敏感、乘数需调整增长与风险差异等常见陷阱。资料还提供脚本运行方式与命令。
该技能为 JavaScript 与 SuiteScript 2.1 开发提供实现级别的 OWASP 安全编码覆盖，是编写、审查和审计代码的主要安全参考。内容包括完整的 OWASP Top 10（2021）映射及代码级缓解模式、48 个编目安全陷阱（OSCP-001 至 OSCP-048）并附 BAD/GOOD 代码示例、可跨平台使用的 JavaScript 安全模式、针对 RESTlet、Suitelet、Client Script 等的 SuiteScript 专用安全模式、五种 HTML 上下文（body、attribute、JavaScript、URL、CSS）的输出编码、CSP 头构建与部署、文件上传/下载验证流水线、API 与 RESTlet 加固模式、面向工具辅助开发的 AI 智能体安全考量、DRY 安全架构（共享验证模块、集中编码、单一配置源），以及每次代码审查必用的安全审查清单。
Phaser 4 中显示文本的技能，涵盖基于 Canvas 的 Text 游戏对象、TextStyle 配置、自动换行、对齐、内边距，以及静态与动态 BitmapText、复古字体、文本边界等用法。
该技能依据 SAP API Style Guide 官方标准，为编写和审查 SAP API 文档提供全面指导。它覆盖 REST、OData、Java、JavaScript、.NET、C/C++ 等主要 API 类型，适用于创建 OpenAPI 规范、编写源码文档注释（Javadoc、JSDoc、XML 注释）、检查 API 命名规范、编写参数与响应描述、制作手动 API 文档、遵循 API 弃用生命周期策略、编写开发者指南，以及向 SAP API Business Hub 发布 API 等场景。技能内含 9 个参考文件（共约 10,861 行）和 5 个即用模板（共约 2,343 行），涵盖命名规范、OpenAPI 指南、手动模板、质量流程、弃用策略、开发者指南和术语资源，并配有快速决策树、字符限制表、生命周期状态表和常见错误清单，帮助开发者与文档团队保持 SAP API 文档的一致性与质量。
Subframe 的 develop 技能：在代码库中实现 Subframe 设计并接入业务逻辑。需先通过 MCP 获取设计，再同步组件、创建页面并添加数据获取、表单与事件处理。适用于已有 Subframe 设计或页面 URL/ID 的场景。
configure-notifications 是 oh-my-claudecode（OMC）项目中的一个交互式配置技能，用于通过自然语言设置通知集成，支持 Telegram、Discord 和 Slack 三种渠道。它会在会话结束、需要用户输入或后台任务完成时向用户发送提醒。该技能通过 AskUserQuestion 逐步引导用户完成配置，并将结果写入 ${CLAUDE_CONFIG_DIR:-~/.claude}/.omc-config.json。用户也可以改用环境变量方式跳过向导。
TraceLens 分析编排器（tracelens-analysis-orchestrator）是 AMD 提供的技能，用于编排模块化的 PyTorch profiler trace 分析。它通过一次 trace 加载、共享数据准备、并行子代理执行，将系统级分析（CPU/空闲、kernel 融合、多 kernel/通信/memcpy）与计算 kernel 分析（GEMM、SDPA、elementwise 等）聚合为 analysis.md 报告。该技能会生成性能报告、准备分类数据，并运行系统级与计算 kernel 分析，最终输出可读的分析文档。
pr-research 是一个用于在向开源项目贡献代码前系统研究上游仓库的技能（Skill）。它提供了一套结构化流程，帮助贡献者了解目标项目的贡献指南、PR 模式、维护者习惯和可参与的议题，从而更有效地规划开源贡献。该技能强调在规划或实现之前先做研究，包含强制性的前置检查、CONTRIBUTING.md 查找、PR 考古、维护者研究、议题发现等阶段，并最终生成一份研究文档，作为后续 $plan 的输入。适用于准备为外部仓库提交修复或新功能、评估是否值得贡献、寻找入门级贡献机会等场景。不适用于研究自己的代码库或已熟悉项目规范的情况。
Newsworthiness Check 是 newsjack.sh 旗下的一个技能，用于在公关传播变成垃圾邮件之前，判断某个新闻事件是否值得借势（newsjacking），或用户自己的宣传角度对记者而言是否真正具有新闻价值。它通过校准过的评分锚点、硬性规则与安全开关，给出 1 到 10 分的评分和明确的行动建议。该技能强调诚实，拒绝为蹭悲剧、伪装关系、编造证据、泛泛而谈的"思想领导力"以及把新闻稿式的乐观包装成新闻判断的行为背书。它提供两种模式：事件借势评估和宣传稿新闻价值评估，并给出可读的 Markdown 结果，包含评分、评级、最接近的现实案例锚点、各维度得分、触发的分数上限、行动建议、证据来源与证据缺口，以及后续技能交接建议。