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 11-20 00:12

全部 Skills

258,070 个结果

ara-rigor-reviewer

ara-rigor-reviewer 是一个面向 Agent-Native Research Artifact(ARA)目录的语义认识论评审技能,执行 ARA Seal Level 2 评审。它在 Level 1 结构校验已通过的前提下,读取 PAPER.md、logic/claims.md、logic/experiments.md、logic/problem.md、logic/concepts.md、logic/solution 下的架构/算法/约束/启发式文档、logic/related_work.md、trace/exploration_tree.yaml 以及 evidence 目录,解析其中的主张、实验、启发式、观察与缺口、探索树节点,构建主张-证据映射与依赖关系,然后从证据相关性、可证伪性质量、范围校准、论证连贯性、探索完整性、方法学严谨性六个维度进行语义评审,每个维度按 1-5 分打分,汇总问题清单并计算总体等级,最终在 artifact 根目录写出 level2_report.json。该技能完全通过原生工具(Read、Write、Glob、Grep)操作,不执行代码、不抓取 URL、不查阅外部来源,仅依据 ARA 自身报告的证据进行评审,强调建设性反馈与校准评分。

写作与研究106 次安装

arbor

Arbor 是一个面向自主优化的技能,基于 Hypothesis Tree Refinement(HTR)方法,用于在给定目标和评估器的条件下,自动迭代改进一个真实产物(如代码、训练配方、智能体框架、数据管道或提示词)。它把研究状态保存在持久的假设树中,而非对话历史里:每个节点绑定一个假设、其提炼出的洞见,以及实现该假设的产物版本指针。协调者负责维护假设树并决定搜索方向,短生命周期的执行子智能体在隔离的 git worktree 中各自测试一个假设并回报结果。通过留出的合并门(merge gate),只有当候选改进在测试评估器上确实提升时才会被接纳,从而把试错转化为可累积、可审计的研究过程。适用于模型训练、智能体/框架工程、数据合成、基准优化以及可自动评分的提示词优化等需要大量实验迭代的场景。

智能体与模型106 次安装

scikit-learn

scikit-learn 是 Python 中经典的机器学习库(导入名为 sklearn),本技能提供使用它完成机器学习任务的全面指导。内容覆盖分类与回归估计器、聚类与降维、数据预处理、模型评估与超参数调优,以及构建可用于生产环境的 ML 流水线。资料说明其针对 scikit-learn 1.8.0(2025 年 12 月稳定版)测试,要求 Python 3.11–3.14,并强调应安装 PyPI 上的 scikit-learn 包而非已弃用的 sklearn 包。技能包含快速上手示例、分类与聚类两个可运行脚本、多份参考文档,以及避免数据泄漏、仅在训练集上拟合、使用分层切分、设置随机种子等最佳实践,并给出常见问题排查与智能体操作流程。

数据与分析106 次安装

codeprobe-patterns

codeprobe-patterns 是 codeprobe 代码审计工具集中的设计模式专项子技能,用于审计代码中的设计模式机会与反模式。它只在代码中确实存在可观察问题(如复杂度、重复、僵化、隐藏依赖)且某个具体的 GoF 或架构模式能解决该问题时,才标记模式机会;同时识别误用模式所带来的不必要复杂度和抽象层,并将其作为反模式报告。该技能可按独立模式运行,也可通过编排器调用,输出以 PATTERN- 为前缀的编号发现项与修复提示。

编程与开发106 次安装