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
238,568 个结果
write-plan 是一个只做规划的 AI 技能，用于为复杂或高风险变更生成详细、可直接执行的实施方案，本身不编写代码。它会先加载与任务相关的项目上下文（如 docs/SUMMARY.md 与代码标准文档），再在 docs/.plans/YYMMDD-HHmm-<plan-slug>/ 目录下创建 SUMMARY.md 与按阶段拆分的 phase-XX-<name>.md 文件，必要时附加 research/ 目录。规划流程包括澄清需求、定义策略与阶段、按需研究、撰写计划产物、评审与细化，最后交由用户确认，并可移交给 execute-plan 执行。每个阶段需包含明确目标、复杂度与风险等级（S、M、L、XL）、有序任务、验证命令、可观察的验收标准与退出条件；计划强调最小可行变更、可恢复性与自包含性，使新的智能体仅凭计划文件夹即可继续工作。该技能要求使用输入/提问工具澄清歧义，不自动实施代码变更，仅在用户选择后可生成可选的计划可视化。
mcp-builder 是一个用于创建高质量 MCP（Model Context Protocol）服务器的开发指南技能。MCP 服务器通过设计良好的工具，让 LLM 能够与外部服务和 API 交互。该技能强调以智能体为中心的设计原则，包括围绕工作流而非单纯 API 端点构建工具、优化有限的上下文窗口、设计可操作的错误信息、遵循自然任务划分，并采用评估驱动开发。整个流程分为四个阶段：深度研究与规划、实现、审查与优化、创建评估。它提供 Python 和 Node/TypeScript 两种实现路径，涉及 MCP 协议文档、SDK 文档、语言特定实现指南和评估指南等参考资料。
docx 是一个用于创建、读取、编辑和操作 Word 文档（.docx 文件）的技能。它基于 .docx 本质是包含 XML 文件的 ZIP 归档这一原理，提供读取分析内容、创建新文档、编辑现有文档以及转换旧版 .doc 文件的能力。读取时可用 pandoc 提取文本（支持追踪修订）或解包获取原始 XML；创建新文档使用 docx-js（JavaScript 库，需 npm install -g docx），并可通过 validate.py 校验；编辑现有文档遵循解包、编辑 XML、重新打包三步流程。该技能覆盖页面尺寸、样式、列表、表格、图片、分页、超链接、脚注、制表位、多栏布局、目录、页眉页脚等丰富排版能力，并支持追踪修订与批注。适用于需要程序化生成或修改 Word 文档的场景。
这是一个动画设计技能，用于创建能激发热情、营造期待感或带来高能量体验的动画。它依据迪士尼动画十二原则，给出针对“兴奋与能量”这一情绪目标的参数建议，包括挤压拉伸（20-35%）、预备动作（100-150ms）、夸张程度（25-40%）等，并提供时序推荐表与 CSS 缓动变量、高能量关键帧动画模式（如能量爆发、抖动、脉冲），以及逐步叠加能量的编排思路。适用于体育健身、音乐娱乐、游戏界面、活动推广、产品发布、促销、流媒体和动作类应用。
spatial-thinking 是动画原则技能集中的一项，用于在动画涉及深度、透视、体积或三维空间意识时提供指导，例如镜头运动、角色定位或环境交互。它把动画视为四维（三维空间加时间）创作，强调以雕塑式思维处理空间关系。
Every Style Editor 是一个用于按 Every 风格指南审校文稿的技能，可把 Claude 变成逐行编辑与校对助手，检查语法、标点和风格合规性，适用于文章、博客、通讯等书面内容的审阅。
该技能可从 YouTube、Bilibili、Twitter/X、TikTok、Vimeo、Instagram 等 1800+ 平台下载视频，并生成包含视频、音频、字幕、纯文本转写与摘要的完整资源包，全部文件保存在当前工作目录的 downloads/<视频标题>/ 下。
longbridge-consensus 是长桥（Longbridge）生态下的提示词型分析技能，用于查询上市公司分析师一致预期，包括营收、EPS、目标价共识与评级分布，并整理预期修正趋势、超预期/低于预期历史及财报后漂移（PEAD）信号。
基于 Longbridge 数据检索并分析 SEC EDGAR 申报文件的提示词技能，覆盖 10-K、10-Q、8-K、委托书与 Form 4，提取财务 KPI、重大事件、治理薪酬与内部人交易等投资相关信号，输出结构化分析。
longbridge-security-list 是长桥证券（Longbridge Securities）提供的一个目录查询技能，用于查询两类清单数据：一是美股夜盘（overnight）可交易证券目录，二是港股经纪商（broker）目录。该技能通过 CLI 命令 longbridge security-list 和 longbridge participants 获取数据，支持 JSON 格式输出。security-list 返回美股夜盘可交易证券的数组，每项包含 symbol、name_en、name_cn 字段；participants 返回港股经纪商目录，每项包含 broker_id、name_en、name_cn 字段。该技能仅覆盖美股夜盘类别，不支持港股、A 股、新加坡市场的完整目录查询，若传入非美股市场会返回错误提示。对于非美股的单只证券查询，需改用 longbridge-quote 技能。该技能为纯提示词技能，不含脚本文件。
该技能是一份面向 Android 无障碍审计与修复的专家级检查清单与提示词集合，重点覆盖 Jetpack Compose 场景。它指导教师或智能体从内容描述、触摸目标尺寸、颜色对比度、焦点与语义、标题遍历等五个方面检查组件或页面。资料同时给出可直接用于智能体的示例提示词，如分析 Image 的内容描述是否恰当、检查按钮触摸目标是否达到 48dp、自定义开关按钮是否向 TalkBack 报告“Checked”状态等。适合在 Android 开发过程中辅助进行无障碍自查与修复。
Executing Plans 是一个用于按批次执行详细计划的技能，核心是分批执行并在批次之间设置评审检查点，供架构师审查。
用于把当前分支推送至 origin，并创建或更新对应 PR 的技能；适用于需要推送、发布更新或创建拉取请求的场景。
依据公开资料，contractor-tracking 用于跟踪独立承包商付款，按供应商汇总年度付款额，并标记接近或超过 600 美元 IRS 申报门槛的对象，辅助准备 1099-NEC 申报数据。
perplexity-search 是通过 Perplexity 提供 AI 网页搜索、研究和推理能力的工具，支持直接搜索、AI 综合研究、思维链推理和深度调研，需配置 PERPLEXITY_API_KEY。
Pytest Testing 是一个围绕 Python 测试框架 pytest 的学习型技能模块，目标是帮助开发者掌握测试驱动开发（TDD）、fixtures、mock 以及 CI/CD 集成。内容涵盖 pytest 基础（测试发现与命名约定、断言、测试组织、命令行选项、标记与测试选择、参数化测试）、fixtures 与测试环境搭建（作用域、依赖、参数化、内置 fixtures、conftest.py 共享）、mock 与测试替身（unittest.mock、打补丁、mock 断言、副作用与返回值），以及覆盖率与 CI/CD 集成（pytest-cov、覆盖率报告与阈值、GitHub Actions、GitLab CI、pre-commit 钩子）。资料还提供多个代码示例和三个动手实践项目（计算器 TDD、API 测试套件、数据库测试）及评估标准，适合希望系统学习 pytest 并落地到实际项目的 Python 开发者。
RevenueCat 技能用于查询 RevenueCat 的订阅指标、客户数据，并检索其官方文档。适用于查询订阅分析、MRR、流失率、客户信息，或查找 RevenueCat 文档的场景。使用前需配置 RC_API_KEY 环境变量（v2 密钥 API key），该密钥仅能访问单个项目。技能提供本地 API 参考文件（涵盖客户、订阅、产品、优惠、权益、购买、项目、指标、付费墙、集成、虚拟货币、错误处理、限流等）以及远程文档搜索方式。
通过 MCP 调用 Scenario 图像模型的技能，用于文生图与图像编辑。每次运行前需读取模型 schema，按模型契约设置尺寸、提示词长度与参考图，避免批次参数被静默丢弃。
用于开展 Web 性能审计的 Claude 技能：基于 Core Web Vitals 指标测量与瓶颈识别，提供分级优化建议，并支持 Lighthouse 自动化与性能预算设置。
Commit Archaeologist 是一个本地运行的技能，用于从 git 历史重建代码存在的原因：追踪文件或行范围的引入提交、后续修改、当前作者、反复共同变更的伴随文件，并从提交信息中提取意图线索。全程离线，不联网、不需要 API 密钥、不写入仓库。
用于判断市场处于进攻、防守、震荡或切换阶段，并解释风格、广度、情绪与宏观环境的匹配关系。适用于总仓位决策、风格选择与阶段策略更新。推荐配合万得 wind-mcp-skill 获取底层数据。
该技能用于生成「有据可查且经过验证」的数据库文档，目标是让文档与真实数据库结构达到 100% 一致。其核心方法是：以在线数据库为唯一权威来源（通过系统目录内省），将 ORM 模型、迁移文件、生成的类型和种子数据视为「声明」而非事实，并在生成文档后重新内省在线数据库、与文档做差异比对，直到差异为空或每个差异都有明确说明。技能 v1 仅支持关系型/SQL 数据库，涵盖 PostgreSQL、MySQL、SQL Server、SQLite；若检测到文档型（如 MongoDB）或图数据库则声明超出范围并停止，不做猜测性文档。工作流分为六个阶段：发现（只读）、抽取各来源、统一为规范模式模型、生成文档与 schema.json、验证一致性（计数校验 + 身份差异比对）、以及至少 3 个独立对抗性审查。该技能会按降级阶梯标注可信度等级（从「已在线验证」到「无在线数据库、仅单一静态来源」的低可信度）。缺失数据会被标记而非编造，凭据在处理过程中会被脱敏。
微博热搜查询技能，可获取微博热搜榜与文娱分类的热搜话题、热度和排名信息，支持按热度筛选。需先安装依赖并调用skill目录下的脚本执行浏览任务。
Anomaly Detection 是一套用于识别数据中异常模式、离群点与偏离正常行为的技能资料，主要面向欺诈检测与系统监控等场景。资料列出了统计学方法（Z-score、IQR、修正 Z-score）、基于距离的方法（K 近邻、局部离群因子 LOF）、孤立森林、基于密度的 DBSCAN，以及深度学习类的自编码器与 GAN。同时把异常类型划分为点异常、上下文异常、集体异常和新型类别。正文给出了完整的 Python 实现示例，使用 pandas、numpy、matplotlib、seaborn、scikit-learn 与 scipy，覆盖 Z-score、Isolation Forest、LOF、Elliptic Envelope、IQR 五种方法，并包含准确率对比、可视化、集成投票（多数表决）与时间序列滚动统计检测，最后给出方法选择指南、阈值选择策略与交付物清单。该技能未提供具体收费、价格、平台或部署步骤信息。