SuperAPI AI 工具集

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 11-19 00:15

全部 Skills

256,991 个结果

ai-brain

AI Brain 是一个为 Claude 提供长期记忆的技能,使用 Obsidian 笔记库(vault)作为持久化存储。它通过已连接的 Filesystem MCP 读写用户本地磁盘上的 Markdown 笔记,把会话中值得记住的内容整理成结构化笔记保存,并在需要时检索相关记忆。用户说“wrap up”“save this session”“remember this”时,它会回顾整个对话,提取决策及理由、用户与项目的事实和偏好、构建或修改的内容、待办与开放问题等,写入 AI Brain/ 文件夹下的 Markdown 笔记,并追加到 MOC.md 索引中。当用户引用过去或需要历史上下文时,它会读取 MOC.md 并检索相关笔记,只加载少量相关内容以降低 token 消耗。笔记使用 Obsidian 的 [[wikilinks]] 和 #tags 建立连接。该技能为追加式写入,不覆盖历史会话,且只读写 AI Brain/ 文件夹。

办公与效率120 次安装

cross-platform-distribution

这是一个跨平台内容分发规划技能,用于把一份已获批的活动、发布或研究内容,按不同社交渠道的用途做差异化改编与排期,避免同一内容原样复制到多个平台造成重复噪音。它要求先锁定已批准的源素材,明确受众、声明边界、行动与时间;再为每个渠道定义受众场景、应承担的作用、可支持的格式和期望行动;随后只改编表达机制而非事实本身,保持声明、证据与行动一致;最后安排发布顺序、节奏、负责人、UTM 与衡量指标,并设定继续、修改或停止的判断点。适用于多社交渠道分发规划、内容改编与发布节奏设计;不适用于尚未获批或未经测试的想法。

营销与增长120 次安装

launch-retrospective

Launch Retrospective 是一个用于社交媒体发布、营销活动、创作者合作或分发测试结束后的复盘技能。它把已完成的投放转化为可沉淀的运营经验:发生了什么、可能的原因是什么、下一步最小的决策是什么。该技能强调先用时间线重建原计划与实际执行的差异,再带着数据边界收集证据,区分事实与解释,最后形成保留、改变、测试、停止四类决策,并明确负责人和截止日期。它同时给出硬性规则(不归因个人、不把相关性当因果、收录负面与无结论结果、不比较目标不同的活动、先区分流程失败与信息失败)和常见失败模式及替代做法,适合需要在下一轮投放前固化经验、更新活动简报模板、UTM 词汇表或创作者简报的团队。

营销与增长120 次安装

social-analytics-report

Social Analytics Report 是一个用于社交媒体运营复盘的分析技能,帮助团队把已有的社交表现数据转化为“保留、测试、调整或停止”的明确决策。它要求先确认数据的时间范围、渠道、指标定义、采集方式和基线,再检查缺失、重复与口径差异,区分原始数据、计算比率与解释,并按内容承担的任务(认知、教育、讨论、引流、转化辅助、创作者合作)分组对比。最终输出观察、置信度、可能解释、行动、负责人和下一步所需证据的决策表,强调不以单条内容或相关性推断因果,不隐瞒低效或残缺数据,并建议范围可控的最小测试。

营销与增长120 次安装

color-grading

color-grading 是一个面向调色技能的工作流指南,强调先读 scopes、再按专业调色师顺序操作:先检查颜色示波器(inspect_color),然后依次进行归一化(曝光和白平衡)、一级校正(黑白点、对比度、饱和度)、镜头匹配、二级校正(针对特定色相)、风格化(分离色调或 LUT),最后再次检查 scopes。它使用 apply_color 工具将每次调整合并到当前调色上,支持曝光、对比度、高光、阴影、黑白点、色温、色调、饱和度、自然饱和度、色轮、曲线、色相曲线和 LUT 等参数。资料还提供了胶片风格配方(如 Kodak 2383、Fuji Eterna、Portra 等)和操作注意事项。适用于需要对视频或图像片段进行专业调色、镜头匹配和风格化处理的场景。

设计与创作120 次安装

superset-feedback

Superset Feedback 是一个用于收集并提交关于 Superset 反馈(包括缺陷报告、功能请求或一般反馈)的技能。它可以帮助用户将反馈整理成结构化的报告,并支持两种提交方式:私密发送给 Superset 团队,或作为公开的 GitHub Issue 提交。该技能会尽力收集环境信息,并在用户明确同意后附带截图或诊断日志,但不会未经许可包含仓库内容、终端输出或日志。提交前会展示完整草稿并让用户选择发送方式,确保用户对提交内容有完全控制。

通用与其它120 次安装

shiny-py-optimize

shiny-py-optimize 是面向 Shiny for Python 应用的性能诊断与优化技能,目标是在不改变应用功能的前提下让现有应用运行更快,并支撑更多并发用户。它按“消除无用计算、复用重复计算、加速必要计算、移走阻塞操作”的优先级处理问题:把数据加载移到进程级作用域、用 req() 防止空输入计算、抽取共享 @reactive.calc、用标签页挂起重型输出、增加模块级缓存、为高频输入加按钮门控或防抖、以 ui.update_*() 替代整块 UI 重绘、改用 polars/parquet/DuckDB 等更快的数据格式,最后才用 @reactive.extended_task 处理耗时操作。技能强调 Shiny 的反应式函数在单个 asyncio 事件循环上串行执行,一个阻塞调用会冻结进程内所有会话,async/await 本身不能解决该问题。它还提供基于 OpenTelemetry 追踪、py-spy、shinyloadtest 的测量方法、症状排查表,以及保留行为的验证要求。

编程与开发120 次安装