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 10-24 00:15

全部 Skills

235,518 个结果

observer-pattern

观察者模式(Observer Pattern)是一种用于事件驱动通信的设计模式。它允许将某些对象(观察者)订阅到另一个对象(可观察对象)上,当事件发生时,可观察对象会通知所有观察者。该技能讲解观察者模式的使用时机、不适用场景、实现步骤与细节,并给出基于 ES6 class 的 Observable 实现示例(包含 observers 数组以及 subscribe、unsubscribe、notify 三个方法),以及一个 React 应用示例:通过 Button 和 Switch 触发 handleClick、handleToggle,调用 observable.notify 将事件数据分发给已订阅的 logger 与 toastify 函数,实现日志记录与 toast 通知。资料还说明该模式适合需要向应用多个部分通知状态变化或事件、实现组件间事件驱动异步通信的场景;不适合订阅者数量极大且通知性能关键、一对一通信用简单回调即可、或隐式事件链导致调试困难超过解耦收益的场景。资料提到可考虑使用 RxJS 等库满足更高级的响应式编程需求,并列出 RxJS 作为使用该模式的流行库案例,同时给出优缺点:有助于实现关注点分离与单一职责原则、观察者与可观察对象松耦合;但观察者过于复杂时通知所有订阅者可能引发性能问题。

编程与开发636 次安装

singleton-pattern

该技能介绍单例模式(Singleton Pattern)的概念与实现方式,单例是可以只实例化一次并全局访问的类,适合在应用中管理全局状态。内容涵盖使用场景与反场景、ES2015 类的实现步骤、用 Object.freeze() 冻结导出实例、以及在 JavaScript 和 React 中的替代做法。还讨论了单例的权衡:虽可节省内存,但在 JavaScript 中被视为反模式;举例说明用普通对象、依赖注入或模块作用域变量可达到相同效果且更易测试。同时指出单例在测试、依赖隐藏和全局行为方面的缺点,并建议 React 中使用 Redux 或 Context 等状态管理工具。

编程与开发636 次安装

rc-security

rc-security 是 RevenueCat AI Toolkit 中面向 Android 的技能,用于加固 RevenueCat 集成安全性。它覆盖 Trusted Entitlements 响应验证模式(INFORMATIONAL 与 ENFORCED)、API 密钥的正确放置、真实用户身份识别,以及服务端权限校验等内容。该技能先确认 RevenueCat 后台已处理的环节(如 Google Play 收据校验、购买令牌去重与防伪、HTTPS 传输、网络失败重试),再引导排查项目中的实际安全缺口:是否设置了 EntitlementVerificationMode、是否误将密钥嵌入客户端、是否使用 Purchases.logIn 识别真实用户、服务端是否自行校验权益。随后给出计划与执行步骤,包括在 PurchasesConfiguration 中开启响应验证、读取验证结果、在遥测确认失败率极低后升级到 ENFORCED、仅保留公开密钥、调用 logIn、以及在服务端通过 REST API 或 webhook 驱动的标记校验付费内容访问权,并附带验证清单与常见错误。

安全与审计636 次安装

verify

Verify 是 Shiplight 提供的一项智能体技能,用于在真实浏览器中验证 UI 改动是否正确渲染与运行。它通过 Shiplight MCP 浏览器工具,让 AI 智能体在修改前端代码后自动打开页面、检查 DOM 与截图、模拟点击和表单输入等交互,并断言预期界面状态,同时收集浏览器控制台错误。该技能适用于布局、样式、组件改动、交互行为、提交前检查以及视觉回归排查等场景;对纯后端、依赖升级、文档或测试类改动则建议跳过。使用流程包括分析改动、启动开发服务器、开启浏览器会话、检查页面、交互验证、查看控制台日志、汇总结果、关闭会话,并可选生成 HTML 报告或上传为可分享链接。对于需要登录的应用,可保存会话状态以便后续复用。

测试与质量636 次安装

cursor-best-practices

Cursor 最佳实践是一份面向 Cursor 编辑器使用者的实践指南,旨在帮助用户更高效地使用 Cursor 功能并优化工作流程,从而提升生产力与代码质量。内容围绕核心原则与关键工作流展开:核心原则包括从计划开始(对复杂任务使用 Plan Mode,快捷键 Shift+Tab)、有效管理上下文(让智能体自行查找上下文,必要时开启新对话)、扩展智能体(用 Rules 提供静态上下文,用 Skills 提供动态能力)、以及像审查人类代码一样仔细审查 AI 生成的代码。关键工作流涵盖测试驱动开发(先写测试并迭代至通过)、代码库理解(借助智能体探索和学习代码库)、Git 工作流(用命令自动化常见 git 操作)以及并行智能体(同时运行多个智能体以便对比)。文档还提供了更详细的参考文件,分别涉及计划模式、上下文与对话管理、Rules 与 Skills 的扩展方式、TDD 与代码库理解及 git 工作流、代码审查策略、并行智能体运行等主题。

编程与开发636 次安装

unocss

UnoCSS 是一个即时原子化 CSS 引擎,设计上灵活且可扩展。其核心不预设观点,所有 CSS 工具类都通过预设(presets)提供。它是 Tailwind CSS 的超集,因此可以复用 Tailwind 的基础语法知识。使用前,代理应检查项目根目录下的 uno.config.* 或 unocss.config.* 文件,以了解可用的预设、规则和快捷方式;若项目配置不明确,应避免使用 attributify 模式等高级特性,仅使用基础 class 用法。该技能基于 UnoCSS 66.x,生成于 2026-01-28。

前端与建站636 次安装

github-actions-generator

GitHub Actions Generator 是一个用于生成 GitHub Actions 工作流、自定义 Action 与可复用工作流的技能。它按照当前最佳实践、安全标准和命名规范,生成可用于生产的 CI/CD 流水线配置,并自动调用 devops-skills:github-actions-validator 技能进行校验。支持工作流生成、复合/Docker/JavaScript 自定义 Action、可复用工作流、安全扫描(依赖审查、SBOM、CodeQL)以及作业摘要、部署环境、容器作业等现代特性。生成内容遵循固定 SHA 固定第三方 Action、最小权限、缓存与并发控制、错误处理等强制标准,并附带第三方 Action 的来源、版本与 SHA 引用。

部署与运维635 次安装

anycap-social-meme-workflows

AnyCap Social Meme Workflows 是一个用于生成表情包风格图片、搞笑涂鸦、带文案照片及轻量社交视觉素材的 AI 技能。其核心思路是把任务拆成两层:用 AnyCap 生成或编辑基础视觉(底图),再在本地用确定性方式叠加精确文案,从而保证文字可读且可复现。适合文字先行型表情包、搞笑涂鸦、基于用户图片的反应图改写、带文案的照片以及以静帧为基础的表情包视频概念等场景。不适合大型表情包模板库、特定网络梗百科页面、品牌或版权角色复刻,以及需要精确时间轴的字幕流水线。

设计与创作635 次安装

asb-needs-stack

该技能用于构建“客户需求栈”(Needs Stack):把客户购买行为逐层还原为“手段—目的”的阶梯,从最底层的基础设施一直爬到最顶层的个人目的(如认可、成就感)。它帮助使用者看清真正的替代品(不只是同层竞品)、可以诚实承诺的结果、应当宣称已淘汰的步骤,以及公司更高使命的来源。技能以对话方式逐层推进:先锚定产品所满足的客户需求,再向下走、向上走,每轮只处理一层,每层须通过“客户语言、手段—目的、具名占用者、真实步骤”四道结晶检验。

营销与增长635 次安装

capacitor-app-upgrade-v5-to-v6

该技能用于将 Capacitor 应用从 v5 升级到 v6,核心流程是先基于官方迁移说明判断 androidScheme,再通过 @capacitor/cli@latest-6 的 npx cap migrate 自动迁移,随后按手动检查清单完成 iOS 与 Android 侧调整。适用的前提是当前 @capacitor/core 为 5.x 且目标为 6.x,也可用于升级后排查 Android 端 localStorage/cookies 丢失、本地 iOS 插件未实现报错、iOS 缩放失效以及 addListener 相关 TypeScript 报错等典型问题。技能同时给出了 Node.js 18+、Xcode 15.0+、Android Studio Hedgehog 2023.1.1+、Gradle JDK 17、AGP/Gradle 8.2.1、compileSdk/targetSdk 34、minSdk 22 等前置要求,以及迁移后需更新全部 @capacitor/* 与社区插件版本并执行验证步骤。不适用于 4.x 直升 6.x、6.x 升 7.x、多版本跳跃规划、插件库升级以及 CocoaPods 迁移到 SPM 等场景。

编程与开发635 次安装

jira-cli

jira-cli 是一个在命令行中与 Atlassian Jira 交互的工具,用于创建、查看、编辑和流转 Jira 问题(issue),并管理冲刺(sprint)、史诗(epic)等常见 Jira 工作流。它适合在终端中完成日常 Jira 操作,例如列出当前项目或自己负责的问题、按状态或优先级筛选、使用 JQL 查询、创建 Bug/Story/Task、为问题添加评论、记录工时、关联与克隆问题、将问题移入冲刺等。安装方式:macOS 上可运行 brew install ankitpokhrel/jira-cli/jira-cli,或从 releases 页面下载;使用前需设置 API token(export JIRA_API_TOKEN="your-token")并运行 jira init 按提示初始化。支持 --plain、--raw、--csv 等输出格式,便于脚本处理或导出。注意:使用前需完成 jira init 配置;Jira Cloud 与 Server 的部分功能可能存在差异;复杂自定义字段可能需要使用 --custom 标志并指定字段 ID;实际使用受 Jira 实例配置的速率限制影响。

办公与效率635 次安装

paper2code-arxiv-implementation

paper2code 是一个 Claude Code 智能体技能,可将任意 arXiv 论文 URL 或编号转换为带引用锚点的 Python 实现。它让每一处代码决策都标注对应的论文章节与公式,并显式标记论文中未说明或含糊之处,而非静默填补。支持 PyTorch(默认)、JAX、TensorFlow 框架,提供 minimal、full、educational 三种模式,输出包含模型、损失、数据骨架、训练循环、配置与说明文档的完整目录。

编程与开发635 次安装

k2f-policy-document

K2F Policy Document 是一个建立在 K2F 技能之上的政策文件起草技能,目的是在排版之前让 AI 智能体先构建政策文件的内容蓝图。它专注于可扫描的规则架构、面向员工的通俗语言层以及正式层级结构,同时明确禁止编造福利、法律义务、管辖范围或审批路径等用户或 HR/法律未提供的信息。该技能会生成 content_and_design.md 蓝图文件,其中包含文件框架、目的与范围、速览层、定义、政策声明、程序、角色与职责、例外与审批、相关政策和引用、执行与疑问、修订历史以及设计意图。所有输出以 .K2F 包形式制作,需先安装核心技能:npx skills add suzheng/k2f --skill k2f。适用场景包括新建或更新单项政策页面(如 PTO、远程办公、费用、行为准则、差旅、安全、休假类型)、需要与内部风格保持一致的手册章节,以及将草稿或粘贴的政策语言重新格式化为可供 HR 或法律审查的结构。不适用于仅聊天式政策问答、AgentRC 评分政策或律师级合同(应使用 k2f-contract)。

办公与效率635 次安装

information-architecture

信息架构(Information Architecture)是一套用于组织和构建信息结构的方法与流程,目的是让信息更清晰、更易被发现。它帮助设计导航系统、层级结构和符合用户需求的心智模型。该技能来自 aj-geddes/useful-ai-prompts 项目,适用于网站或应用改版、大型信息空间(如文档、电商)、导航结构规划、分类与分类法设计、搜索功能设计以及用户旅程映射等场景。其核心流程包括研究探索(用户访谈、卡片分类、现有使用模式分析、竞品分析)、结构开发(创建组织方案、定义类别与关系、构建分类法、规划导航)、线框设计(站点地图、导航结构、页面模板、用户流程)与验证(原型用户测试、树状测试、根据反馈迭代)。该技能还提供参考指南,涵盖卡片分类与分类法、站点地图与导航结构、搜索与发现等详细实现。最佳实践强调以用户研究为起点、使用清晰的标签、层级最多三层、提供多种查找途径,并通过用户测试与使用数据持续更新;同时避免未做研究就强加结构、使用术语行话、层级过深、埋没重要内容、仅依赖导航而不提供搜索、频繁更改导航、创建含糊标签以及忽略可访问性等问题。

设计与创作634 次安装

anycap-blog-production

AnyCap Blog Production 是一个用于将用户提供的数据、笔记、研究资料、产品事实或结构化输入转化为 AnyCap 风格博客文章的写作工作流技能,并可在文章需要证据支撑时为其补充第一方媒体素材。该技能适用于数据驱动的博客草稿撰写、基于研究笔记的学习页与教程、基于产品事实与示例的术语或概念页,以及用户先行提供基准、示例或功能数据的 SEO 文章。使用前需运行 anycap status 确认 AnyCap 可用,检查页面结构并区分基础页面与本地化包装页面,同时检查 git 工作区以避免覆盖用户的无关修改。流程包括:将输入规范化为内部简报(目标读者、页面意图、页面论点、支撑事实、缺失证据与推荐页面形态)、以 AnyCap 网站语气起草、根据页面主张匹配证据类型、在提示前先查询真实模型约束(图片、视频、音乐模型及参数 schema)、将生成的素材输出到可复用公共路径、使用 AnyCap 视觉能力校验素材、优化素材并接入可复用组件、最后运行针对性 lint 检查验证页面集成。护栏要求包括:不写通用 AI 博客套话、不超出数据支撑范围、不把答案埋在冗长铺垫之后、不用图库素材替代第一方输出、不把静态图片当作视频或音乐模型的实际输出、不留可见文字或水印、不重复实现已被包装页复用的本地化页面。

写作与研究634 次安装

wiki-llms-txt

wiki-llms-txt 是一个用于生成 llms.txt 与 llms-full.txt 文件的技能,帮助项目文档以符合 llms.txt 规范的方式被大语言模型友好地读取。它适用于用户希望创建 LLM 友好或 LLM 可读文档、需要为语言模型生成项目摘要文件、或提到 llms-full.txt 与上下文扩展文档的场景。该技能会先解析源仓库上下文(检查 git remote、确认本地或远程仓库、确定默认分支),再基于实际 wiki 页面动态生成内容,而非套用模板。llms.txt 采用规范格式:一个 H1 项目名、一段密集的项目专属摘要、非显而易见的上下文段落、按主题组织的 H2 分区及 [标题](相对路径): 描述 条目,并支持特殊含义的 Optional 分区。llms-full.txt 结构相同但内联完整内容,保留 Mermaid 图、引用、表格与来源注释,并剥离 YAML frontmatter。输出三个文件:根目录 ./llms.txt、wiki/llms.txt 与 wiki/llms-full.txt。若根目录已存在非 deep-wiki 生成的 llms.txt,则不会覆盖。

写作与研究634 次安装