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 11-21 00:15

全部 Skills

258,936 个结果

improve-codebase-architecture

该技能用于扫描代码库中的架构改进机会:找出可被"深化"的浅层模块,将其以可视化 HTML 报告形式呈现,再由用户选择其一后通过提问式流程逐步推演重构决策。目标是提升可测试性与 AI 可导航性。它基于项目领域模型与共享的架构词汇(模块、接口、深度、接缝、适配器、杠杆、局部性),并在报告中为每个候选方案提供涉及文件、问题、方案、收益、前后对比图与推荐强度,最后给出首选建议。

编程与开发92 次安装

video-storytelling

这是一个用于设计长篇口播(talking-head)视频视觉层的方法论技能,核心思路是把整支视频的视觉做成一个持续存在、摄像机在其中穿行的统一世界,而不是每隔几秒切换一张独立图形。它适用于有脚本的口播视频,例如新闻点评、单主题深度解析、对比评测、教程或清单式内容。技能针对的典型问题是:编辑结果被判定为“混乱”“文字太多”“难以跟上”或“一眼就是 AI 做的”。内容覆盖持续世界、镜头语法(世界/区域/细节三种高度)、聚光灯规则(同一时刻仅一个元素最亮)、空间化开放式悬念(画面上可见的未完成物)、装饰与设计令牌纪律、基于词级转写的时序对齐,以及各类校验关卡。技能目录中提供设计系统参考文档、开放式悬念几何示例和练习工作表。该技能与仅用于在口播画面上叠加卡片式图形的 hyperframes-video-beats 不同,它设计的是视频内容本身所处的视觉世界。

设计与创作92 次安装

check-existing

check-existing 是一个面向开发流程的调研型技能,用于在动手实现新功能之前,先澄清需求,再系统性地检索是否已有现成的库、工具或项目内本地包(含 monorepo 组件)能够解决问题,从而避免重复造轮子、把自研范围压到最小。它的工作流分为五个阶段:先查阅项目既有的决策记录(docs/decisions/ 中的 ADR 索引)与经验教训文档,避免重复踩坑;再通过逐个提问的方式澄清需求,包括意图、技术细节、约束与优先级以及搜索关键词;随后整理出结构化的需求定义;接着优先排查项目内部的替代方案(借助 investigation agent、依赖树、Grep 检索本地包与 monorepo 结构),再分层次检索外部开源方案(PyPI、GitHub Topics、标准库,再到实现示例、对比文章、Stack Overflow,最后到最新趋势),并通过 Context7 MCP 或官方文档获取一手资料,用 solutions agent 对候选方案做适配度、实现成本与风险的比较;最后输出调研结论与推荐,按完全替代、组合利用、参考实现三档给出候选,并说明采用建议或自研的最小范围。该技能在需求尚未完全确定时也可启动,通过提问逐步具体化。它只负责调研,不负责设计与实现,完成后会移交给 Plan Mode 或后续的规划流程,并建议将可复用的判断依据沉淀为 ADR。

编程与开发92 次安装

nvidia-ontology-query

该技能用于从智能体查询 Auto Ontology 的当前实现,并验证生成的 SQL、返回行和答案,不限定具体的运行框架、SDK 或模板。主要能力包括:通过 MCP 或认证的 REST 网关访问 Auto Ontology,检查就绪状态与认证状态,搜索语义层术语,确认问题是否可回答,发起文本到 SQL 的提问获取答案、SQL 和最多 100 行结果,并在呈现结论性答案前校验实质意图、SQL、行数据、截断和文字描述。适用场景包括基于 Auto Ontology 的受控问答、语义层探索和问答结果质量检查。使用前提是已有运行中的 Auto Ontology 部署及认证的 MCP 或 REST 客户端;若未运行需先使用 nvidia-ontology-setup。限制:该技能只读和验证答案,不直接暴露 FastAPI,不写入语义定义,不发布治理结果,不提供原始模式浏览器;写操作和发布需移交 nvidia-ontology-management。

数据与分析92 次安装

ui-agent-patterns

ui-agent-patterns 是一个关于如何编排 AI 智能体来完成界面(UI)生成、优化与维护的技能(Skill),来源为 ormus-solutions/libreuiux-claude-code。它把 Karpathy 提出的“新编程语汇”(Agents、Subagents、Prompts、Contexts、Memory、Modes、Permissions、Tools、Plugins、Skills、Hooks、MCP、Workflows)与实际 UI/UX 开发流程结合起来,重点解决“如何把 UI 工作委派给智能体”的架构选择问题:是用一个综合主智能体,还是用多个专业化智能体协作。内容涵盖三种智能体架构模式(综合主控、专业智能体集群、层级委派)、三种多智能体工作流(设计到代码流水线、迭代优化循环、并行变体生成)、设计决策记忆模式,以及智能体的模式与权限边界,并列出需要避免的反模式(如单体巨型提示词)。使用时由编排器规划任务,再把研究、设计、实现、评审等环节分派给具有不同权限的智能体,最终产出可落地的界面代码。适合需要在设计系统、复杂页面生成、组件流水线等场景中扩展 UI 生成能力的开发者与设计工程团队。

智能体与模型92 次安装