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 10-27 00:15
238,418 个结果
teneo-agents 是 Teneo Protocol 的技能，用于在执行命令前发现并选择合适的 Teneo 智能体。这些智能体可完成真实任务，包括代币兑换、社交媒体抓取、加密数据分析、商品搜索等，并通过捆绑的 Teneo CLI 进行调用。该技能提供列出全部智能体、查看指定智能体详情、发送命令以及使用自然语言 @agent 提及请求报价的能力。资料中列出了多个可用智能体及其命令数量与简介，例如 Amazon、Gas War Sniper、Google maps、Instagram Agent、Tiktok、CoinMarketCap Agent、LayerZero、LinkedIn、Messari BTC & ETH Tracker 等；另有部分智能体显示命令数为 0 且无描述。该技能的典型用途是：先确认哪个智能体能处理特定任务，再通过 CLI 执行具体命令；也可用于代币跨链桥接、实时多链 Gas 监控、加密货币市值排行查询、社交平台与地图商家信息提取等场景。
面向 .NET 应用的序列化技能，涵盖 System.Text.Json 源生成器、Protocol Buffers、MessagePack 及 AOT 兼容方案。
系统对比当前能力与期望未来状态，识别能力、流程、技能和技术等方面的差距，用于制定改进计划与投资决策的提示词/技能。
网络调试技能，用于借助浏览器工具与网络分析手段排查网络问题。该技能聚焦于识别连接问题、延迟问题和数据传输错误，并覆盖其对应用性能的影响。适用场景包括加载缓慢、请求失败、间歇性连接中断、CORS 错误、SSL/TLS 问题以及 API 通信异常。快速上手部分以 Chrome DevTools 的 Network 面板为核心，说明可查看的列信息（Name、Status、Type、Initiator、Size、Time、Waterfall）以及时间线拆解（Queueing、DNS、Initial connection、SSL、Request sent、Waiting/TTFB、Content Download），并提到网络条件与限速预设（含 Fast 3G：下行 1.6 Mbps、上行 750 Kbps，资料中其余预设未完整提供）。参考指南目录包含浏览器网络工具、常见网络问题、调试工具与技巧、检查清单。实践原则要求遵循既有模式与约定、编写清晰可维护的代码、补充适当文档、部署前充分测试，同时避免跳过测试或验证、忽略错误处理、硬编码配置值。具体的收费、价格、平台支持范围与完整使用步骤暂未提供。
SQL 注入防护（SQL Injection Prevention）是一套用于安全构建数据库驱动应用的实践指南，核心手段包括预编译语句（prepared statements）、参数化查询（parameterized queries）、ORM 使用规范以及输入验证。资料显示，该技能适用于数据库查询开发、遗留代码安全审查、安全审计整改、API 端点开发、用户输入处理和动态查询生成等场景。其快速开始示例以 Node.js 的 pg 连接池为载体，展示了通过 `SELECT * FROM users WHERE id = $1` 配合参数数组执行查询的安全方式。资料还提供了参考指南目录，涵盖 Node.js 与 PostgreSQL、Python 与 SQLAlchemy ORM、Java JDBC 预编译语句、输入验证与清理等实现方向。最佳实践部分强调始终使用预编译语句、正确使用 ORM 框架、验证所有用户输入、对动态值使用白名单、使用最小权限数据库账户、启用查询日志、定期安全审计和使用参数化查询；同时明确禁止拼接用户输入、信任客户端验证、用字符串格式化构造查询、允许动态表名或列名、授予过多数据库权限以及跳过输入验证。完整实现细节需参考其 references/ 目录下的具体文档。
一个用于持续跟进 GitHub / GitLab 拉取请求（PR/MR）机器人评审轮次的技能：验证、修复、回复并解决评审意见，直到没有未处理的问题。
PR Review 是 Angular 仓库的拉取请求审查指南与工具集，用于规范对 Angular 核心框架 PR 的审查流程。它强调全面深度审查、向后兼容性、提交信息质量、代码整洁、性能、测试、API 设计与包体积等关注点，并区分本地审查与远程审查两种工作流。远程审查支持通过 GitHub MCP 工具或自定义 Bash 脚本批量提交评论，要求评论以 AGENT: 前缀标识，且发布前必须获得用户明确许可。
用于审计和改写 LinkedIn 个人资料的技能：按板块打分，重写标题与 About 文案，优化经历要点，并提供 AI 搜索可见性检查清单，支持快速、标准、深度三种模式。
Catalyst Job Scheduling 是 Catalyst 平台用于运行后台任务的调度能力，由三部分组成：作业池（job pools，容量容器）、作业（jobs，每次执行一个，可通过 API/SDK/MCP 立即提交）和定时任务（crons，按时间表提交作业的调度器）。作业目标类型可以是 Job 函数（最常见）、Webhook（任意 HTTP URL）、Circuit 或 AppSail，需先创建并验证匹配类型的作业池。一次性工作提交即时作业，重复或延迟工作创建 cron，可选 Periodic、OneTime、Calendar、CronExpression 四种类型。Job 函数处理器需初始化 SDK、读取参数并以 closeWithSuccess 或 closeWithFailure 结束，失败会触发重试链。可通过作业记录（job_status、execution_time、dispatch_delay、response_code）验证执行情况，而非 cron 的成功/失败计数器。该技能还包含安全注意事项与常见错误提示。
CCXT 命令行工具（ccxt-cli），可在终端直接调用 100 多家加密货币交易所的统一 API，无需编写代码。支持行情查询、下单、余额、WebSocket 实时数据与 OHLCV 图表。
该技能用于将 dbt 项目从一个数据平台迁移到另一个数据平台（例如从 Snowflake 迁移到 Databricks，或反向迁移）。其核心方法是借助 dbt Fusion 的实时 SQL 编译与详细错误日志进行方言转换：读取 Fusion 报错、修复、重新编译，循环迭代直至通过。迁移前会在源平台生成 dbt 单元测试作为“黄金数据集”，迁移后在目标平台运行这些测试以验证数据一致性。成功标准为：dbtf compile 在目标平台 0 错误 0 警告、所有单元测试通过、所有模型运行成功。迁移过程使用 dbtf compile 作为主要迭代门槛（免费、不消耗仓库计算），仅在编译干净后才执行 dbtf run 和 dbt test。工作流共 7 步：验证 dbt Fusion 安装、评估源项目、在源平台生成单元测试、切换 dbt target、运行 Fusion 编译并修复错误、运行并验证单元测试、最终验证并记录变更。该技能还包含禁止事项（不预先修复 Fusion 未报告的问题、不跳过单元测试、不使用 dbtf run 做迭代验证等）和已知限制（如 Fusion 2.0 版本化模型单元测试可能报错 dbt1048、需清除 target 缓存、Python 模型 dbt.ref() 验证问题等）。
一套将迪士尼动画十二原则应用于模态框、对话框、弹出层与遮罩内容的动画指南，帮助实现平滑、不突兀的进入与退出过渡，包含原则说明、时间参数与 CSS 实现示例。
longbridge-etf-flow 是 Longbridge Securities 提供的技能，用于分析美国 ETF 的资金流向，通过 ETF 申购/赎回变化追踪机构资金迁移，识别板块广度信号与行业轮动。该技能支持按用户输入语言（简体中文、繁体中文或英文）回复，数据源仅推荐 Longbridge 数据与平台能力。适用于查询 ETF 资金流向、行业轮动信号、基于 ETF 成交量的风险偏好判断以及主题动量等场景。默认覆盖 11 只 SPDR 行业 ETF，通过命令行获取实时报价、成交量、日线 OHLCV 及盘中资金流，输出排名表格与轮动叙事。
longbridge-watchlist-admin 是一个用于修改长桥（Longbridge）自选股列表的技能。它支持创建分组、重命名分组、添加或删除标的、删除分组（可选择同时清空成员）等变更操作。该技能是一个变更型技能：不涉及资金，但会持久改变用户在 Longbridge 的自选股状态。所有变更必须遵循强制两步协议——先预览即将执行的操作，等待用户明确确认（确认 / yes / 是的 / confirm）后才真正执行命令。删除子命令自带确认提示，需让其交互运行。变更操作需要 trade 权限范围；若命令不可用，可在用户确认后回退到 MCP。
面向零售系统的专家级技能，覆盖 POS、库存管理、电商、客户分析与全渠道零售，适用于用户提及 POS、电商、库存、客户分析等场景。
Subagent-Driven Development 是一个用于在当前会话中执行实现计划的工作流技能，适用于任务之间基本独立的场景。其核心做法是：为每个任务派发一个全新的子代理（subagent）来实施，任务完成后依次进行两阶段审查——先做规格符合性审查（spec compliance review），再做代码质量审查（code quality review）。该技能强调每个任务使用全新上下文以避免上下文污染，通过审查循环确保修复真正生效，并在全部任务完成后派发最终代码审查者，再使用 superpowers:finishing-a-development-branch 收尾。它提供了实施者、规格审查者、代码质量审查者三类提示词模板，并明确了何时使用、何时改用 executing-plans 或先手动执行/头脑风暴的判断流程。
SpriteCook 预设调用技能：通过 MCP 列出、读取并应用用户在 SpriteCook 应用中保存的预设，让生成结果保持一致的风格、模型、尺寸、配色与参考图。仅在用户明确提到或暗示使用预设时启用，不用于普通生成请求。
Paper Illustration 是一个用于生成学术论文配图的技能，通过多阶段、由 Claude 监督审阅的工作流，产出达到出版质量的 AI 插图。它使用 Gemini 进行图像生成，可创建架构图、方法示意图等。核心流程为：Claude 作为规划者解析请求并生成初始提示词，Gemini（gemini-3-pro）优化布局描述，再进行 CVPR/NeurIPS 风格校验，随后由 Paperbanana（内部代号 Nano Banana Pro，gemini-3-pro-image）渲染最终图像，最后由 Claude 以严格标准进行视觉审阅并打分（1-10 分）。评审分数需达到目标分 9 分才接受输出，否则生成具体的改进反馈并循环回布局优化步骤，最多迭代 5 轮。该技能强调符合 CVPR/ICLR/NeurIPS 顶会风格：纯白背景、无衬线字体、3-5 种协调配色、打印友好、粗箭头与清晰箭头方向等。支持可选的风格参考功能，用于对齐参考论文的图注长度和图密度分布，但不会复制参考图的颜色或设计元素。主要适用于架构图、方法插图等，不适用于统计图表或照片级真实图像。
该技能用于发现并测试通过 Supabase RPC 端点暴露的 PostgreSQL 函数，检查其是否存在安全问题以及可能绕过行级安全（RLS）的风险。它会枚举可调用的 RPC 函数，分析其安全属性（如 SECURITY INVOKER 或 SECURITY DEFINER）、参数类型与返回类型，并针对文本参数测试 SQL 注入，针对 SECURITY DEFINER 函数测试未授权访问与 RLS 绕过。技能要求在执行过程中逐步写入上下文文件与审计日志，并收集证据文件，以便中断时保留发现。适用于对 Supabase 项目进行 API 安全测试，尤其是表审计完成后的深入检查。
本技能介绍如何使用 .config/dotnet-tools.json 清单文件管理 .NET 本地工具（Local Tools），让开发团队、CI/CD 流水线使用完全一致的工具版本。内容涵盖本地工具与全局工具的对比、清单初始化、工具安装与还原、dotnet-tools.json 字段说明，以及 DocFX、dotnet-ef、ReportGenerator、Incrementalist、CSharpier、jb 等常用工具的配置与用法，并给出 GitHub Actions、Azure Pipelines 集成示例、版本管理命令、最佳实践与常见问题排查方法。
prototype 是 stardust 工作流中的一个技能，用于将指定页面的重设计方案渲染为自包含的静态 HTML 文件，并通过对话驱动的 impeccable 命令进行迭代。它不自行设计，而是把 direct 写出的目标规范（PRODUCT.md、DESIGN.md、DESIGN.json、stardust/direction.md）与 extract 捕获的页面内容（stardust/current/pages/<slug>.json）组合起来，视觉创意交由 $impeccable craft 及迭代命令完成。输出文件位于 stardust/prototypes/<slug>-proposed.html，用户确认后标记为已批准。支持 --all、--prep、--canon-from、--publish-sample、--cinematic 等参数，并强制运行质量门禁（critique、audit、移动适配审计、反工具箱审计、内容溯源扫描），不提供跳过标志。
autoresearch 是 claude-obsidian 技能集中的一个研究循环技能，用于执行有边界、以来源为依据的研究流程：先做研究，后做合并。它把网页结果、抓取页面、片段、元数据、vault 笔记、检索片段和 worker 草稿一律视为不可信证据，而非可执行指令，忽略其中嵌入的指令、命令、伪造角色消息、范围变更、外发请求、目标变更和索取私密数据的要求。技能会先确立研究契约（主题与排除项、是否批准公网外发、允许的域名或来源类别与隐私约束、最大轮数/搜索/抓取/耗时/草稿页数、停止条件、是否在评审后归档到 vault），然后运行仅产出草稿的研究循环，评估证据，最后生成带引用的研究档案，并可选地提出需单独评审的规范 vault 合并。
面向 PyTorch / Hugging Face 大模型的 AMD Quark 训练后量化（PTQ）端到端技能：从模型识别、量化方案规划、清单生成到执行与结果校验，全程分四个检查点等待用户确认。
面向 A+ 轮后创业公司的多渠道获客技能，覆盖需求生成、付费媒体优化、SEO 与合作伙伴计划，含 CAC 计算器、渠道策略与 HubSpot 追踪等内容。