SuperAPI AI 工具集
合作ENAI 行业资讯收藏

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 11-04 00:13

全部 Skills

244,745 个结果

agent-browser

agent-browser 是面向 AI 智能体的浏览器自动化技能，通过 inference.sh 的 belt CLI 调用，底层使用 Playwright。它提供 open、snapshot、interact、screenshot、execute、close 等函数，用 @e 引用系统定位页面元素，支持点击、填写、拖拽、上传、滚动等交互，并可截图、录制视频、配置代理和显示光标指示。适合需要让智能体自动操作网页、填写表单、登录会话、抓取内容或录制演示流程的场景。使用前需安装 belt CLI 并登录，首次调用用 --session new 创建会话，后续复用返回的 session_id，导航或 DOM 变化后需重新 snapshot 获取新引用。

智能体与模型379 次安装

webnovel-writing

中文网文写作 Skill，面向中文网络小说的规划、起稿、续写与改写。它重点解决选材判断、推进力设计、开头成交、中段不散、章末留力、模仿检索和去 AI 味等实际问题。输入一段目标小说的简要描述，它先提炼题材、卖点、冲突、故事引擎与目标长度，再判断任务属于前置规划、开头、章纲、单章、局部修复还是完稿审查，然后只输出当前最需要的一层。常见输出包括题材诊断、一句话 hook、premise、故事引擎说明、第一卷规划、前 10-20 章章纲、开头重写、单章正文、章末加压、节奏体检和模仿参考清单。模块覆盖概念规划、开头、分卷章纲、剧情逻辑、人物一致性、转场、对白、章末、去 AI 味和一致性复查，并按前置规划链、正文执行链、完稿收口链组织，遇到专项问题优先调用专项模块。每章完稿默认需通过六种一致性审查。

写作与研究379 次安装

uv-workflow

uv-workflow 是一个面向生产环境的 UV 展开工作流技能，主要用于处理接缝布置、UV 打包、纹素密度、UDIM、光照贴图 UV 以及模块化 UV 布局。它适用于为网格进行贴图前的准备阶段，帮助在拓扑锁定后、贴图开始前建立一致且引擎可用的 UV 布局。该技能给出了明确的 UV 规划、接缝标记、展开、纹素密度检查、打包、镜像/重叠决策、光照贴图 UV 和验证的流程，并提供了接缝放置规则、纹素密度目标表、展开方法选择、UV 打包参数、镜像 UV、UDIM 工作流、光照贴图 UV、模块化 UV 图集规划以及 MCP 集成方式。同时包含验证清单和必须做与禁止做的约束，强调纹素密度一致性、接缝隐藏、光照贴图 UV 通道和模块化图集文档化，禁止将 Smart UV Project 作为最终生产 UV、在独特表面细节上重叠 UV、同一资产层级纹素密度不一致、在面部或主要可见表面布置接缝，以及跳过打包边距等行为。

设计与创作378 次安装

kubernetes-hardening

Kubernetes Hardening 是一个用于加固 Kubernetes 集群与工作负载的安全技能，属于 bagelhole/devops-security-agent-skills 技能集。它指导用户实施 Pod Security Standards、安全上下文（Security Context）、网络策略（Network Policy）以及 RBAC 最小权限配置，并涵盖集群组件加固与合规要求。技能提供了命名空间策略标签、Pod 安全上下文、默认拒绝网络策略、角色与角色绑定等 YAML 示例，并列出启用审计日志、加密 etcd、使用服务网格实现 mTLS、定期安全扫描等最佳实践。适用于需要加固 K8s 集群、配置网络隔离或满足安全合规的场景。

安全与审计378 次安装

gguf-quantization

GGUF 是 llama.cpp 使用的标准模型文件格式，用于在 CPU、Apple Silicon 与 GPU 上高效推理，并提供多种量化选项。该技能介绍在消费级硬件、Apple Silicon 或需要灵活量化（如 Q2_K 至 Q8_0）时如何使用 GGUF。核心内容包括环境安装、HuggingFace 模型转 GGUF、使用 llama-quantize 量化、通过 llama-cli / llama-server 运行推理，以及借助 imatrix 提升低位量化质量。也涵盖 llama-cpp-python 的 Python 调用、OpenAI 兼容服务器，以及与 Ollama、LM Studio、text-generation-webui 的集成方式，并提供 Metal、CUDA、CPU 优化与最佳实践建议。

部署与运维378 次安装

peft-fine-tuning

PEFT（参数高效微调）是一套用于大语言模型的微调方案，通过 LoRA、QLoRA 等 25 种以上适配器方法，只训练不到 1% 的参数即可完成微调。它适合在消费级 GPU（如 RTX 4090、A100）上微调 7B-70B 模型，生成的适配器文件仅约 6MB，而完整模型可达 14GB。当显存是主要瓶颈时，可用 QLoRA（PEFT + 量化）在单张 24GB GPU 上微调 70B 模型，代价是相比全量微调约有 5% 的质量损失。若训练小于 1B 的小模型、追求最高质量且有充足算力，或领域差异极大需要更新全部权重，则应改用全量微调。

智能体与模型378 次安装