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 10-24 00:15
235,744 个结果
Firetiger 是一个 AI 驱动的可观测性平台，遥测数据（追踪、日志、指标）会写入可用 SQL 查询的 Apache Iceberg 表，并由自主智能体监控服务、调查问题和观察部署。本技能是一个路由入口，根据用户意图调用对应的专项技能，例如端到端接入项目、添加 OpenTelemetry 埋点、用 SQL 查询遥测数据、调查事件、监控 PR/部署，以及创建监控智能体或配置智能体与触发器。与 Firetiger 交互有两种方式：Firetiger MCP 服务器（https://api.cloud.firetiger.com/mcp/v1，OAuth 2.0 bearer，首次调用工具会打开浏览器登录）和 @firetiger GitHub 流程（在拉取请求中评论 @firetiger 以监控该 PR 产生的部署）。若 MCP 工具不可用，说明用户尚未连接 Firetiger MCP 服务器，需先连接并登录后重试。
一个面向创业者的诊断型路由技能，帮助分不清问题出在哪、或多个问题交织的创始人先做诊断，再被引导到合适的框架技能，避免把正确框架用错问题。
该技能介绍顾问费计费（Fee Billing）运营的完整体系，覆盖从费率结构设计、AUM 估值、计费周期机制、费用计算引擎到收款方式、计费例外处理、收入确认等环节。资料详细说明了多种费率结构，包括固定费用、按管理资产比例（AUM）计费、分层/断点递减费率、固定费加 AUM 混合模式、按小时计费、财务规划费以及与业绩挂钩的费用；并解释了家庭/户级账户汇总计费的规则。在 AUM 估值方面，涵盖估值日选择、市值与成本基础、外部托管资产、应计收入、保证金借记处理、现金是否纳入以及新账户按比例计费。计费周期部分说明季度、月度、年度计费，预付与拖欠计费，按比例计费公式及计费周期转换时的对账。费用计算引擎按十个步骤展开，包括确定家庭构成、获取估值、汇总 AUM、应用费率表、折算计费周期、应用覆盖与调整、分配至各账户、按比例调整、舍入规则及生成计费输出。收款方式涵盖托管人直接扣款、发票收款、跨账户分摊、从特定账户扣款、税收优惠账户扣款考量及第三方计费。此外还介绍费用豁免、协商费率、遗留费率表、追溯调整、计费争议、终止账户退款、费用冲销，以及 GAAP 下的预付与拖欠收入确认、每客户收入指标、收入集中度分析和收入预测。
Azure Well-Architected 技能为设计、评估和优化 Azure 工作负载提供专家级指导，覆盖 Azure Well-Architected 框架（WAF）的五大支柱：成本优化、卓越运营、性能效率、可靠性和安全性。该技能整合了本地快速参考内容与远程文档获取能力，包含设计评审清单、建议、设计原则、权衡取舍、服务指南、工作负载模式和评估问题等资源。它通过分类索引组织内容，代理可按行范围或文件链接读取相应章节，并支持通过 mcp_microsoftdocs 工具或网页抓取方式获取微软官方文档。适用于需要依据 WAF 最佳实践审查架构、识别差距、优化成本与性能、提升可靠性及安全性的场景。
面向 RoboCorp RPA 的 Python 开发规范，强调函数式与声明式编程、Pydantic 输入校验、异步操作、RORO 模式及错误处理与性能优化。
用于系统调用与库调用追踪的 strace/ltrace 技能，帮助在不崩溃、无调试器时诊断二进制程序行为异常、文件找不到、权限、网络等问题。
UI Styling 是一个用于创建美观、可访问用户界面的技能，结合 shadcn/ui 组件（基于 Radix UI 与 Tailwind）、Tailwind CSS 实用优先样式以及基于 canvas 的视觉设计系统。它适用于使用 React 框架（Next.js、Vite、Remix、Astro）构建界面、实现可访问组件、采用实用优先 CSS、创建响应式移动优先布局、实现暗色模式与主题定制、构建设计系统、生成视觉设计或品牌材料、快速原型以及添加复杂 UI 模式等场景。核心栈包括组件层 shadcn/ui、样式层 Tailwind CSS 和视觉设计层 Canvas。提供 CLI 安装、组件目录、主题定制、可访问性模式、Tailwind 工具类、响应式设计、自定义配置、视觉设计系统以及 Python 自动化脚本等参考与工具。
该技能介绍 JavaScript 中的工厂模式（Factory Pattern）：通过工厂函数在不使用 new 关键字的情况下创建对象。文档说明了工厂函数的定义方式（返回新对象的函数），并给出创建用户对象的示例——createUser 接收 firstName、lastName、email 并返回带有 fullName 方法的对象；还展示了根据数组键值动态生成对象的 createObjectFromArray 示例。内容涵盖适用场景（需要创建多个共享相同属性的对象、对象创建依赖环境或配置）、不适用场景（普通对象字面量即可、项目约定使用类构造器、没有条件逻辑或配置驱动创建），以及使用建议（优先使用 ES6 箭头函数、内存效率要求高时改用类构造器以共享原型方法）。同时对比了工厂模式与类构造器在内存效率上的差异，并给出优缺点说明与参考链接。
这是一个面向 Apple 人机界面指南（HIG）的状态与进度类 UI 组件技能，覆盖进度指示器、状态栏与活动圆环三类组件。它用于在界面设计或实现阶段获得符合 Apple HIG 的状态/进度呈现建议，包括：为超过一两秒的操作显示进度；在时长或百分比已知时使用确定性进度条，未知时使用不确定性指示器；优先选择进度条而非旋转加载图标；把指示器放在内容出现的位置附近；避免堆叠多个指示器；非沉浸式场景不隐藏状态栏，并让状态栏样式与内容保持对比、尊重安全区域；活动圆环仅用于 Move、Exercise、Stand 目标并使用 HealthKit 数据。技能会先检查 .claude/apple-design-context.md 复用既有上下文，再只询问未覆盖的信息，最终按指示器类型与理由、时长与动画指导、无障碍（VoiceOver 进度播报）、跨平台行为等格式输出建议。
Test Fixing 是一个用于系统化修复失败测试的技能，通过智能分组策略定位并解决测试失败问题。它适用于明确要求修复测试（如"fix these tests"、"make tests pass"）、报告测试失败、实现完成后希望测试通过，或因测试导致 CI/CD 失败的场景。该技能的核心流程包括：先运行 make test 识别所有失败测试，分析失败总数、错误类型与模式以及受影响的模块和文件；然后按错误类型（ImportError、AttributeError、AssertionError 等）、模块/文件或根本原因进行智能分组，并按受影响测试数量和依赖顺序排定优先级；接着按最高影响组逐组修复，包括识别根因、阅读相关代码、用 git diff 检查近期改动、使用 Edit 工具实施最小化且符合项目规范的修改，并通过 pytest 子集（如 uv run pytest tests/path/to/test_file.py -v 或 uv run pytest -k "pattern" -v）验证后再进入下一组。修复顺序策略为：先处理基础设施类问题（导入错误、缺失依赖、配置问题），再处理 API 变更（函数签名变化、模块重组、变量/函数重命名），最后处理逻辑问题（断言失败、业务逻辑 bug、边界情况）。全部修复后运行完整测试套件 make test 验证无回归且测试覆盖率保持完整。
Viral Generator Builder 是一个专注于构建可分享、易传播的生成器工具的专家技能，覆盖名称生成器、测验制作器、头像创建器、性格测试和计算器工具等类型。它强调分享心理学与病毒式传播机制，帮助打造让人忍不住分享给朋友的工具。该技能提供生成器架构、可分享结果设计、测验与性格测试构建、名称与文本生成、头像与图像生成、可分享计算器以及社交分享优化等能力，并包含针对缺失社交元标签、非确定性结果、缺少分享功能等问题的校验检查。
通过 webshare CLI 管理 Webshare 代理账户：列出活跃代理、将代理列表导出为文件、刷新轮换池、读取与更新代理配置、管理 IP 白名单、查看用量统计，以及通过快速结账流程购买更多容量。
该技能用于基于 Tushare 的 A 股市场监测，重点支持概念板块监测与龙虎榜每日明细（top_list / doc_id=106），并将结果输出并保存为 Markdown 文件。适用于用户提出监控概念板块/行业热度/涨幅榜、查询龙虎榜数据、过滤 ST 股票后输出结果、或将监控结果保存为 markdown/md 文件等意图。技能内置过滤 ST、*ST、SST、SST 股票，需在 skill 根目录创建虚拟环境并安装 tushare、pandas，Tushare token 从 ~/.aj-skills/.env 读取。核心流程包括采集龙虎榜数据、板块异动与新闻联动分析、生成 Markdown 报告、保存文件，并在报告生成后询问是否发布到公众号。
面向付费广告投放的优化技能，基于证据、财务约束、实验状态与平台能力清单，诊断并生成或明确应用广告优化方案；默认以草稿模式运行。
GitHub Actions Validator 是一个用于校验、lint、审计和修复 GitHub Actions 工作流的技能，主要针对 .github/workflows 目录下的工作流文件、自定义 Action 和公开 Action。它借助行业标准工具 actionlint 与 act，提供语法检查、静态分析、本地工作流执行测试以及带版本感知的文档查询能力。用户可通过 validate_workflow.sh 脚本对单个工作流或整个目录进行校验，支持仅 lint（最快）、仅用 act 测试（需 Docker）以及完整校验等模式。若 act 缺失则回退为仅 actionlint；若 Docker 不可用则跳过 act 继续 actionlint。该技能还包含错误到参考文档的映射表、最小引用策略、未映射错误的显式处理、公开 Action 版本核验（离线时标记为 UNVERIFIED-OFFLINE），以及修复后必须重跑校验的流程。
Terraform Validator 是一个用于验证、检查和审计 Terraform/.tf/HCL 配置文件的工具包，提供自动化工作流，涵盖语法验证、安全扫描和文档查询。它通过运行 terraform fmt、terraform validate、tflint 和 checkov 等工具，帮助发现配置中的格式问题、语法错误和安全策略违规。该技能适用于处理 Terraform 文件、调试错误、理解自定义 provider 或模块，以及进行安全验证。使用前需按顺序执行提取 provider/模块信息、查阅文档、阅读参考文件、格式化、初始化、验证、安全扫描等步骤，并生成包含修复建议的报告。
email-sequence 是一个用于创建和优化邮件序列、滴灌营销活动、自动化邮件流程或生命周期邮件项目的技能。它面向邮件营销与自动化场景，帮助规划欢迎/引导序列、线索培育序列、重新激活序列、购后序列、事件触发序列、教育序列和销售序列。该技能会先了解序列类型、受众背景与目标，再输出完整可发送的邮件草稿，包括主题行、预览文本、正文和 CTA，并给出序列概览、指标计划、分段规则和 A/B 测试主题行变体。它还包含一个序列分析脚本，可对组装好的序列进行质量评分。
bklit-playground 是 bklit-ui 项目中已废弃（DEPRECATED）的图表开发技能，官方建议改用 bklit-studio。该技能原本用于本地 /playground 路由进行图表原型开发，但该路由现已重定向到 /studio，不再是 bklit-ui 贡献者的图表开发工作流。Studio 已包含编辑器外壳、组件树、属性面板、动效控制、代码生成以及基于注册表的预览，而 /playground 路由重复了这些接线且与生产版 Studio 逐渐偏离。新图表工作不应再创建 apps/web/app/playground/page.tsx 或 apps/web/components/playground/。开发地址为 http://localhost:3000/studio（在仓库根目录执行 pnpm dev），可选参数 ?chart=line-chart（或 packages/studio/src/chart-slugs.ts 中的任意 slug）。发布流程不变，仍参考 .agents/skills/bklit-ship/SKILL.md，原型应放在 packages/ui 和 packages/studio 下。
gcp-to-aws 是一个用于将工作负载从 Google Cloud Platform（GCP）迁移到 AWS 的技能，同时覆盖 AI 与智能体（agentic）工作负载，不限于特定云厂商。它采用“默认重新平台化”的思路，为 GCP 工作负载类型匹配对应的 AWS 服务（例如 Cloud Run → Fargate、Cloud SQL → RDS），并默认按开发级容量选型（如 db.t4g.micro、单可用区），仅在用户明确指示时升级。该技能通过多信号方式工作：基于 Terraform IaC 做基础设施映射、基于账单数据做服务映射、基于应用代码检测 AI 工作负载。它不将人力、专业服务或人员工时作为一次性迁移成本进行美元估算，但允许基于数据的厂商费用（如 GCP 数据传出费用）。对于 BigQuery，该技能不推荐具体 AWS 分析或数仓服务，而是引导用户联系 AWS 账户团队或数据分析迁移合作伙伴。整个迁移以状态机驱动，分为 Discover、Clarify、Design、Estimate、Generate 等阶段，并在 Discover 与 Estimate 后设置反馈检查点。
Educator-Teacher 是一个面向教学场景的动画设计技能，用于把迪士尼 12 条动画原则应用到教育内容创作中。它适合在制作教学动画、通过动画解释抽象概念、或向学生讲授动画原理时使用。该技能围绕挤压与拉伸、预备动作、舞台调度、逐帧与关键帧、跟随与重叠动作、慢入慢出、弧线、次要动作、时间节奏、夸张、扎实造型、吸引力这 12 条原则，逐条给出教学应用与学习价值的说明，例如用形变表现因果关系、用预备动作降低认知突兀、用舞台调度聚焦学习目标、用慢入慢出匹配认知负荷等。同时提供教学法建议，如将复杂动画切分为学习者可控的片段、提供重播控制、旁白与动画结合的双编码、避免无教学作用的装饰性动画、用动画化评测检验理解，并包含无障碍考虑，如音频描述、字幕、减少动态效果替代方案和带关键帧的文字稿。
面向 Salesforce 管理员的 Education Cloud 多校区机构层级配置技能，可从 PDF、URL、CSV 或文本解析组织结构，新建或增量维护 Account 父子层级并生成 Business Profile，支持任意层级数与冷验证。
该技能用于通过 Metadata API 以无头（headless）/API 驱动方式，为 Native Voice（Thunderbird Voice）开启或关闭通话录音与通话转写。录音（enableCallRecording）与转写（enableCallTranscription）是两个独立布尔偏好，可分别设置或同时设置，未指定的偏好保持原值。技能通过 sf CLI 的 Metadata API 部署，使用 Settings 容器（成员为 ThunderbirdVoice），清单版本需不低于 68.0。执行流程为：检索现有设置、仅修改指定字段、干跑校验、部署、回读验证，最终在标准输出返回单个 JSON 确认对象，包含元数据类型、部署路径、两项偏好各自的结果状态、preserved 数组（回显所有同级布尔值以证明未被改动）以及整体状态。适用于无头/API 驱动的支持会话场景，不涉及 PII 脱敏、音频文件转写、渠道开通或 Flow/Apex/权限集编写。
Grade System 是一个用于对 Ane 的 MEL/SRHR 系统（Ann/Vi/Li/Researcher 团队 + wiki + harness + 三仓库架构）进行实质性质量与可靠性评级的技能。它输出一份 Tier 1 工作简报，包含字母等级、分维度分析、改编自 OECD-DAC 的六项标准、具体风险以及推动等级提升的建议。该技能强调诚实评级，并强制在输出中公开承认自我评级偏差（LLM-as-Judge 效应），明确该等级是系统内部校准而非外部验证。
该技能基于 Ramanujam 与 Tacke 的《Monetizing Innovation》一书，围绕「先定价、后设计产品」的核心理念，提供一套定价与产品设计方法论。内容涵盖 4 种失败类型（Feature Shock、Minivation、Hidden Gem、Undead）、5 个定价迷思、9 条定价规则、Leaders/Fillers/Killers 功能分类、Good/Better/Best 配置与 Fences、5 种变现模型、6 种行为定价战术、决策树、关键数字以及 BECAUSE 测试等。技能为独立分析与评论，非原书复现，并整合了现代创业实践视角。