agent-manager-skill
agent-manager-skill 是一个用于管理多个本地 CLI 智能体的技能。它通过 tmux 会话并行运行多个智能体，支持启动、停止、监控、分配任务，并可用 cron 安排周期性工作。使用前需安装 tmux 和 python3，并将技能克隆到工作区。智能体在 agents/ 目录下配置。
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 10-18 00:12
全部 Skills
231,350 个结果
qt-cpp-review
qt-cpp-review 是一个面向 Qt6 C++ 代码的结构化、只读代码审查技能，结合确定性 lint 检查与并行智能体深度分析。它适用于用户提出 review、check、audit、look over、code review、sanity check 等审查需求，或建议在提交代码前运行。该技能先运行统一 Python linter（需 Python 3.6+，无外部依赖），内置 60+ 条可机械检查的规则，覆盖包含顺序、废弃用法、反模式、模型契约、错误处理、生命周期、命名、枚举等类别；随后并行启动六个只读智能体，分别聚焦模型契约、所有权与生命周期、线程安全、API 与 C++ 正确性、错误处理与验证、性能与代码质量。最终合并去重并按置信度评分，输出结构化报告，包含 lint 发现、深度分析发现、需人工验证的调查目标及汇总表。支持通用模式与 framework 模式，后者额外应用 Qt 框架/模块开发规则（BC、导出、d-pointer、qdoc、QML 版本管理），可通过参数显式启用或根据框架信号建议启用。
bridge-stablecoin
基于 Circle App Kit 或独立 Bridge Kit 与 CCTP 协议实现浏览器或服务端的 USDC 跨链桥接，支持 EVM 与 Solana 钱包、私钥及 Circle 托管钱包适配器。
tensorboard
TensorBoard 是 Google 提供的机器学习可视化工具包，用于可视化训练指标（如 loss、accuracy）、通过直方图与分布调试模型、对比多次实验、可视化模型计算图与架构，以及对性能进行剖析以定位瓶颈。它支持将嵌入投影到低维空间（t-SNE、PCA）、追踪超参数实验以及可视化训练过程中的图像和文本。TensorBoard 可通过 pip 安装，提供 PyTorch 与 TensorFlow/Keras 的集成方式，并以 Web 界面形式呈现各面板。
use-circle-wallets
该技能用于帮助开发者在 Circle 提供的三种钱包类型中做出选择：开发者控制钱包、用户控制钱包和模块化（Passkey）钱包。它通过对比托管模式、认证方式、账户类型、Gas 赞助、自定义模块和架构等维度，给出决策指南，并针对不同区块链（如以太坊主网、L2、Solana、Aptos、NEAR）给出账户类型建议。该技能本身不执行任何链上写入、转账、签名或密钥操作，只负责推荐钱包类型，随后委托给对应的实现技能（use-developer-controlled-wallets、use-user-controlled-wallets 或 use-modular-wallets）完成具体实现。
nerd-fast
Nerd Fast 是一个面向 AI 编程智能体的全局延迟优化型技能修饰器，目标是在不牺牲准确性的前提下最小化智能体实际耗时（wall-clock time）。它本身不是独立的主技能，而是叠加在现有工作流之上的全局修饰器。其核心规则是减少顺序关键路径上的往返次数，只保留能解决关键未知、推进交付物或产出必需证明的操作，执行优先级依次为：复用现有证据、批量合并、并行化、精准定位、按证据升级、验证通过即停止。技能内置读取量门控（估算直接导航所需行数，超过 200 行时使用符号索引脚本）、一系列按序应用的决策门（继承、复用、新鲜度、必要性、批量、依赖、升级、恢复、验证成本、停止）、验证成本阶梯（V0 至 V4 五级证明）以及验证升级触发条件。它强调不设硬性工具调用上限，避免用固定限制换取速度而损害准确性；对文件变更要求至少静态检查，对行为性完成声明要求获取新鲜证明。该技能还规定与 nerd-smart、nerd-silent 等技能的组合方式，并明确禁止在未授权时与 Superpowers、Ponytail、Caveman 等技能混用。关于收费、价格、平台支持等具体信息，资料中暂未提供。
cli-routing
cli-routing 是 OmniRoute 提供的命令行路由组合管理技能，用于在 CLI 中创建、列出、更新和删除路由组合（routing combos）。它支持测试路由策略、查看组合指标，并以交互方式配置回退链（fallback chains）。该技能通过 npm 全局安装或 npx 直接运行，提供 combo 与 suggest 两组子命令：suggest 可根据任务描述生成路由建议，并支持最大成本、最大延迟、权重、返回条数、解释说明以及自动切换等参数；combo 则用于管理组合本身，包括列出（支持 JSON 输出）、切换激活、创建、删除（可跳过确认）等操作。
but
GitButler CLI（but）是 GitButler 提供的版本控制命令行工具，用于替代 git 进行提交、推送、分支管理、历史编辑等操作。该技能文档说明如何将 but 作为默认版本控制接口，包括查看差异与提交详情、选择性提交文件或代码块（hunk）、创建与切换分支、修改已有提交、拆分提交、调整提交顺序、堆叠与拆离分支、推送、拉取更新以及创建 PR 等。文档还详细解释了 ID 体系（文件 ID、hunk ID、提交 ID、分支短 ID 的区别与有效期）、非交互式工作流中的命令链式调用规则，以及必须使用 but 而非 git 写命令的硬性约束。
review
这是一个用于功能开发完成后的代码审查技能。它不修复任何问题，只负责报告发现的问题，由开发者自行决定如何处理。审查分为三层：第一层检查实现是否与计划一致，包括功能描述是否完整、规划决策是否落实、范围是否越界；第二层检查是否遵守系统架构与设计规范，包括架构边界、设计系统、代码标准和既有模式；第三层检查是否达到生产就绪，包括错误处理、边界情况、控制台报错和明显缺陷。审查完成后输出结构化报告，按严重程度（关键、重要、次要）标注问题，并等待开发者决定下一步。
django-python
django-python 是一个面向 Django 与 Python Web 开发的技能，定位为精通 Django 最佳实践的专家。它强调编写清晰、技术性强的回答并配以精确的 Django 示例，充分运用 Django 内置功能与工具，遵循 PEP 8 规范与可读性，使用小写加下划线的描述性命名，并通过 Django app 实现模块化项目结构。在开发准则上，它建议复杂逻辑优先使用类视图、简单任务使用函数视图，优先使用 Django ORM 而非原生 SQL，采用内置认证与用户管理，使用表单和模型表单类进行校验，严格遵循 MVT 模式，并审慎使用中间件处理横切关注点。错误处理方面，在视图层实现错误处理，使用 Django 校验框架，对业务逻辑异常使用 try-except，定制 404/500 错误页，并借助信号实现解耦的错误处理。关键依赖包括 Django、Django REST Framework、Celery、Redis、PostgreSQL 或 MySQL。性能优化方面涵盖 select_related() 与 prefetch_related()、数据库索引与查询优化、Redis/Memcached 缓存、Celery 处理 I/O 密集型操作，以及通过 WhiteNoise 或 CDN 优化静态文件。
java-spring-development
Java Spring Development 是一套面向 Java Spring Boot 企业级应用开发的实践指南，来源于 mindrally/skills 技能集合。它围绕构建健壮、安全、可维护的企业应用，给出从项目结构、依赖注入、REST API 设计、数据访问、安全、测试到性能、日志监控和 API 文档的规范建议。核心原则包括编写整洁、高效且文档完善的 Java 代码，使用 Spring Boot 3.x 与 Java 17+ 特性（record、密封类、模式匹配），优先采用构造器注入以提升可测试性，遵循 SOLID 原则与 RESTful API 设计模式，并考虑微服务架构的适用性。该指南以分层结构组织代码，涵盖控制器、服务、仓储、模型与配置等目录，并针对 Spring Data JPA、Flyway/Liquibase 迁移、Spring Security、JUnit 5 与 Mockito 测试、Spring Cache 缓存、@Async 异步处理、SLF4J 日志、Spring Boot Actuator 监控以及 Springdoc OpenAPI 文档等主题提供具体做法。适合需要统一团队开发规范、提升 Spring Boot 项目质量与安全性的开发者参考。
apk-reverse
apk-reverse 是一个面向 Android APK 逆向工程与补丁修改的技能，用于对 .apk/.aab/.dex/.so 样本进行逆向分析、去臃肿、去广告、打补丁、重新签名，并分析其运行时与服务端行为。该技能强调在动手前先分类目标、明确可测试的交付物、逐项通过检查门，并遵循单变量实验、保留对照构建、不发布未验证产物等规则。它提供症状索引，将常见失败现象映射到对应参考文件，并说明工具链能力检查、覆盖范围与限制、以及与其他视图的交接边界。
fine-tuning-with-trl
TRL（Transformer Reinforcement Learning）是用于大语言模型后训练与偏好对齐的库，提供监督微调（SFT）、偏好对齐（DPO）、奖励模型训练以及 PPO、GRPO 等强化学习方法的训练接口。它基于 Transformers、Datasets、PEFT、Accelerate 生态，可用 SFTTrainer、DPOTrainer、RewardTrainer、GRPOTrainer 等类或 CLI 命令，把基座模型调成指令遵循、符合人类偏好的模型。
optimizing-attention-flash
该技能介绍如何用 Flash Attention 优化 Transformer 注意力计算，通过 IO 感知分块与重计算，可在长序列场景获得 2-4 倍加速和 10-20 倍显存占用降低。包含 PyTorch 2.2+ 原生方式、flash-attn 库方式以及 H100 FP8（FlashAttention-3）三种路径的完整代码示例，并给出集成到现有模型、验证加速比、比对精度、多查询注意力、滑动窗口注意力等常见工作流，以及安装报错、无加速、CUDA 报错、精度下降等问题的排查方法。
quantizing-models-bitsandbytes
bitsandbytes 是一个面向大语言模型（LLM）的量化工具，可将模型量化为 8 位或 4 位，实现约 50%（8 位）至 75%（4 位）的显存占用降低，官方称精度损失小于 1%。它通常与 HuggingFace Transformers 配合使用，通过 BitsAndBytesConfig 配置加载，适用于 GPU 显存受限、需要加载更大模型或进行 QLoRA 微调的场景。此外还提供 8 位优化器（如 AdamW8bit）以降低优化器状态内存。需注意它主要面向 NVIDIA GPU（计算能力 7.0 以上），并依赖相应 CUDA 与 PyTorch 版本。
react-server-components
React Server Components（React 服务端组件）是一种服务端驱动的渲染模式，用于实现零客户端打包体积的服务端渲染。它适合组件只需在服务端获取数据、且不需要客户端交互的场景。与传统的服务端渲染（SSR）不同，RSC 不会把组件自身的 JavaScript 发送到客户端，从而显著减小客户端 JavaScript 打包体积。该技能文档介绍了何时使用与不使用 RSC、核心指令（'use client' 与 'use server'）的区别、自动代码分割机制，以及在 Next.js 13+ App Router 等框架中的实践方式。
skyline-wxss
Skyline WXSS 样式支持技能，用于查询 Skyline 渲染引擎对 WXSS/CSS 的属性、取值和限制的支持情况。它提供属性兼容性速查（布局、文本、边框与背景、Flex 等）、不支持属性的替代方案、非标准默认值说明，以及渐变、滤镜、遮罩、简写属性等具体限制。技能附带 skyline CLI，可用命令列出所有支持的 WXSS 属性并检查 WXSS 语法。适用于排查样式在 Skyline 下不生效、从 WebView 迁移时评估样式兼容性，以及使用渐变、滤镜、遮罩等高级样式时了解限制。
setting-up-cloudwatch-observability
该技能用于首次配置 CloudWatch 可观测性，覆盖两个同名但独立的产品：CloudWatch Omni（Application Observability / Agent Observability）与经典 CloudWatch（Application Signals）。Omni 路径涉及从创建 Domain、Space、访问授权到遥测接入与插桩的完整顺序；经典路径涉及将服务接入 Application Signals，包括 ADOT 自动插桩、amazon-cloudwatch-observability EKS 插件、CloudWatch Agent、受监控服务、ServiceEvents 以及 CI/CD 中的 git/部署元数据。技能本身是路由型：根据用户意图判断属于哪个产品，再委派到对应参考文档。两条插桩路径在同一工作负载上互斥。已配置完成后的查询、仪表盘、告警、评估与实时调试不在本技能范围，应转向 aws-observability。
qdrant-vector-search
Qdrant 是一个用 Rust 编写的高性能向量相似度搜索引擎/向量数据库，主要用于生产环境的 RAG（检索增强生成）和语义搜索。支持在向量搜索的同时按任意 payload 字段过滤，可存储稠密、稀疏及多稠密向量，提供标量、乘积、二值量化以降低内存占用，并通过 Raft 共识实现分片与复制的水平扩展。同时提供 REST 与 gRPC 两套功能对等的 API，支持本地 Docker 部署、私有化部署以及 Qdrant Cloud 云端托管。官方 Python 客户端可便捷完成集合创建、向量插入、带过滤检索、批量搜索、混合检索、载荷索引与量化配置，并能与 sentence-transformers、LangChain、LlamaIndex 等生态集成构建 RAG 检索管线。
deepspeed
本 Skill 是针对 DeepSpeed 分布式训练的专家指导型工具，内容根据官方文档生成，覆盖 ZeRO 优化阶段、流水线并行、FP16/BF16/FP8 混合精度、1-bit Adam、稀疏注意力等主题。当用户在处理 DeepSpeed、询问其功能或 API、实现 DeepSpeed 方案、调试 DeepSpeed 代码或学习其最佳实践时，该 Skill 会被触发。资料中给出的具体能力示例包括 DeepNVMe 数据搬运实践，以及面向 NLG 模型的 Mixture of Experts 训练流程，后者可降低训练成本并缩小 MoE 模型体积。资料提供的内容包含环境要求、句柄创建、阻塞与非阻塞文件读写、并行文件写入、pinned 张量、性能调优工具 ds_nvme_tune 以及 API 列表等细节。对于价格、收费模式、支持的平台范围或效果承诺，资料未提供相关信息。
pytorch-lightning
PyTorch Lightning 是一个基于 PyTorch 的高层训练框架，核心是 Trainer 类，用于在保持灵活性的同时消除训练代码中的样板代码。它通过 LightningModule 组织 PyTorch 代码，由 Trainer 自动处理 GPU/TPU/CPU 切换、分布式训练（DDP、FSDP、DeepSpeed）、混合精度（FP16、BF16）、梯度累积、检查点、日志和进度条。安装命令为 pip install lightning，版本 2.5.5+。它能将原本 40 多行的 PyTorch 训练循环压缩到约 15 行，无需手动管理设备和分布式逻辑，支持单机多卡、多节点和 TPU，并提供回调系统（如 EarlyStopping、ModelCheckpoint、LearningRateMonitor）与学习率调度。
chaos-engineering
混沌工程（Chaos Engineering）是一套通过受控故障注入来验证系统韧性的实践方法。它强调以假设驱动的方式设计实验：在注入故障前先定义系统的稳态指标（如错误率、延迟、吞吐量）及其可接受边界，再观察系统在故障下的真实表现。核心原则包括：从小范围开始、控制爆炸半径、监控是前提、通过 Game Day 演练培养团队应急能力。实验遵循五步流程：定义稳态假设、引入变量、实时观察、分析恢复与数据完整性、修复并迭代。故障注入类型覆盖网络（延迟、丢包、DNS 故障、网络分区、带宽限制）、服务（崩溃、变慢、错误注入、内存压力）、基础设施（磁盘满、CPU/内存耗尽、时钟偏移）和依赖（API 宕机、数据库不可用、缓存不可用、消息队列满）。工具选择包括 LitmusChaos、Chaos Mesh、AWS FIS、Gremlin、Steadybit、kube-monkey、Pumba、toxiproxy、tc、stress-ng、k6 等。适用于预生产或经批准的生产环境，前提是具备实时监控、告警和回滚能力。
compliance-testing
合规测试技能，用于验证监管合规性，重点覆盖隐私与广告相关要求：GDPR/CMP 同意验证、Google Consent Mode v2、Global Privacy Control（GPC）、CCPA/美国各州退出机制、EU AI Act 条款（如 Article 50 透明度）等。提供基于 Playwright 的同意流程、Cookie、第三方脚本与广告格式检查方法。
pgvector-semantic-search
pgvector-semantic-search 是一个用于在 PostgreSQL 中搭建向量相似度搜索的技能指南，面向 AI/ML 嵌入、RAG 应用和语义搜索场景。它基于 pgvector 扩展，将文本嵌入以高维向量形式存储，并通过近似最近邻（ANN）索引快速查找最接近的匹配，可在数据库内扩展到数百万行。该技能给出默认推荐配置（halfvec 存储、余弦距离、HNSW 索引、ef_search=100），并覆盖类型规则、索引选择、量化策略、过滤最佳实践、批量加载、维护与监控调试等内容。要求 pgvector 0.8.0+ 以使用 halfvec、binary_quantize、迭代扫描等全部特性。