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 10-18 00:12
231,354 个结果
DSPy 是斯坦福 NLP 团队开发的声明式语言模型编程框架，GitHub 星标 22,000+，用于构建复杂 AI 系统、自动优化提示词，以及创建模块化的 RAG 系统和智能体。它让开发者以声明式方式编程语言模型，而不必依赖手工提示工程，并通过数据驱动的优化器系统化地提升模型输出质量。核心概念包括 Signatures（定义输入输出结构）、Modules（可复用组件，如 Predict、ChainOfThought、ReAct、ProgramOfThought）、Optimizers（如 BootstrapFewShot、MIPRO、BootstrapFinetune）以及评估与自定义指标。安装方式为 pip install dspy，也支持指定提供商的扩展安装。
HQQ（Half-Quadratic Quantization，半二次量化）是一种面向大语言模型的权重量化方法，最大特点是无需校准数据即可完成量化。它支持 8/4/3/2/1 比特精度，可配置分组大小与量化轴，并提供 PyTorch、ATEN、TorchAO、Marlin、BitBlas、GemLite 等多种推理后端。HQQ 与 HuggingFace Transformers 和 vLLM 原生集成，可直接加载预量化模型或对现有模型量化后保存、推送至 Hub，同时兼容 PEFT/LoRA，支持对量化模型进行微调。相比需要校准的 GPTQ、AWQ，HQQ 量化速度快（分钟级），适合无数据场景和极端低比特实验。
verl（Volcano Engine Reinforcement Learning）是字节跳动 Seed 团队开源的大语言模型强化学习训练库，实现 HybridFlow 框架，支持 PPO、GRPO、DAPO、RLOO、REINFORCE++ 等算法，可切换 FSDP、FSDP2、Megatron-LM 训练后端与 vLLM、SGLang、HuggingFace Transformers 推理引擎，适用于 RLHF、数学推理、智能体多轮工具调用及视觉语言模型训练。
蔡格尼克效应（Zeigarnik Effect）技能，专注于任务完成心理学与动机设计。它帮助设计者将「未完成」作为一种动机信号，应用于进度指示、多步骤流程、草稿保存与召回、中断处理以及再互动触点等场景。核心原理是：人们对未完成或被中断的任务记忆更深刻，未完成任务会在工作记忆中形成「开放回路」，大脑因未解决的紧张感而不断回访。该技能提供进度条、完成度提示、命名步骤、草稿恢复、引导再进入、被放弃流程恢复等具体应用方式，并强调中断时必须自动保存状态、明确提示可恢复、返回时完整还原上下文。同时指出滥用风险：同时开放过多回路会造成负担，对低优先级任务再互动会被视为操纵，无法完成的进度状态会带来挫败。最佳实践包括一次只呈现一两个开放回路、始终提供清晰完成路径、优先设计自动保存、诚实使用未完成状态、并测试召回文案的语气。
Sumsub KYT 交易监控规则配置技能，用于在 Sumsub 平台上创建和修改 KYT（Know Your Transaction）交易监控规则，并配置标签（tags）、申请人风险评分（applicant scoring）和风险等级（risk levels）。该技能将用户意图翻译为 KytTxnRule 载荷并逐条 POST 创建，支持通过发布新修订的方式修改已有规则。新建规则始终以 testMode（dryRun: true）启动，结果只出现在 dryScore 中，需在仪表盘激活后才产生实际影响。规则、标签和风险等级构成一条流水线：规则触发 → 应用标签 → 标签累积加权分数 → 分数映射为风险等级。使用 App Token + secret 认证，仅限沙箱（sandbox）令牌，拒绝生产令牌。需要先通过 sumsub-check-permissions 检查租户权限（entitlements）。
这是一个用于构建非托管钱包的技能：终端用户通过 Circle 的用户控制钱包 SDK 保留私钥控制权。用户通过挑战-响应模型授权交易、签名和钱包创建等敏感操作，确保执行前获得用户同意。支持多链，包括 EVM 链、Solana 和 Aptos。开发者可读取钱包数据与交易历史，但无法访问用户私钥或代为操作链上资产。技能涵盖后端 SDK（@circle-fin/user-controlled-wallets）与前端 SDK（@circle-fin/w3s-pw-web-sdk）的安装与初始化、账户类型（EOA/SCA）选择、认证方式（PIN、邮箱 OTP、社交登录）、交易与签名流程、交易生命周期状态机、错误码处理，以及安全规则与最佳实践。
这是一个用于审查 Python 代码的技能，重点检查类型安全、异步模式、错误处理与常见错误。它提供快速参考索引、审查清单与报告工作流，帮助在审查 .py 文件、检查类型提示和 async/await 用法时逐项核对，并借助参考文档覆盖 PEP8 风格、类型安全、异步模式、错误处理与常见错误等主题。
test-migration 是一个用于将测试套件从一个测试框架迁移到另一个框架的技能，强调增量迁移与不丢失覆盖率。它覆盖 Selenium→Playwright、Cypress→Playwright、Protractor→Playwright、Jest→Vitest、Mocha→Vitest 等常见迁移路径。核心原则包括逐模块增量迁移、在 CI 中并行运行新旧套件直到覆盖率对齐、优先迁移高价值测试、在迁移过程中现代化测试模式而不仅是逐行翻译。技能提供迁移工作流（六个阶段）、自动化迁移工具选型、定位器/等待策略/断言的翻译映射、配置映射、并行运行与覆盖率对比策略，以及常见反模式与失败模式排查。
这是一个用于审查或修正 Remotion 拉取请求（PR）标题的技能。它提供了一套完整的 PR 标题命名规范：要求先检查 PR 当前标题和 diff 再拟名，把标题视为面向开发者的变更日志条目而非高层总结或变更清单，也不直接复用提交信息。命名核心原则是选择能解释面向开发者变更的最窄标题，用一个具体锚点和一个明确结果，避免过度具体。前缀选择上，不得依据目录名或 Conventional Commit 作用域推断，而应读取受影响包 package.json 中的确切名称作为前缀，默认使用 `[package-name]: [description]` 格式；多个包受影响时选用主导用户可见变更的包。描述部分要求先识别 diff 中的主要开发者可见变更；若公共 API 是核心，则用反引号准确命名主 API 并简要说明其用途，不列举辅助 API；否则描述变更内容而非文件或实现步骤。推荐使用 add、fix、remove、rename、change 等具体动词，避免 allow、improve、update handling、support 等模糊措辞。技能还给出多种标题形态与示例，以及针对测试、文档、monorepo 内部工作、Remotion Elements、convert、example、skill、brand、it-tests 等特殊类别的前缀规则。
GitLab MCP 服务器，为 AI 客户端提供通过 Model Context Protocol 访问 GitLab 的能力。它提供 275 个工具，其中 273 个工具分布在 24 个工具集中，另加 execute_graphql 和始终可用的 discover_tools 元工具。工具集默认按需启用，core（38 个工具）默认开启，其余工具集需通过 GITLAB_TOOLSETS 环境变量启用，例如 merge_requests（45 个工具）、issues（24 个工具）、repositories（7 个工具）、branches（15 个工具）、pipelines（58 个工具）等。工具覆盖合并请求、议题、代码仓库、分支、流水线、工作项、变量、依赖代理、漏洞等 GitLab 功能域。用户可通过配置启用全部可发现工具集或单个工具。该技能适合需要让 AI 助手直接操作 GitLab 项目、进行代码审查、管理议题和 CI/CD 的场景。
为审阅 LLM traces 并收集结构化反馈，构建一个贴合自身数据的自定义浏览器标注界面。适用于需要构建该界面的场景。
ce-explain 是一个用于解释“某事为何呈现当前形态”或“在一段工作窗口内发生了什么”的技能，强调以证据为基础。它适用于用户提出解释类请求的场景。该技能会根据请求与可用上下文确定解释的主题与用途，并从源码证据出发说明项目行为，区分已有记录的动机、推断与未知信息。它会先尝试用现有证据解决可查明的事实，仅在缺失信息会实质影响答案且无法从请求或证据中解决时才提问。输出可依据用途选择散文、代码、表格或可视化，并需逐条核对事实主张与来源。它支持按模式运行，包括差异模式与回顾模式，并在需要时创建运行目录。发布到外部目的地属于独立的、需确认的动作。
Casely 是一个虚拟 QA 负责人（Virtual QA Lead）工具，能够把需求文档转化为可直接评审、可导入 TestRail 的测试用例。QA 工程师只需在一个连续对话中附上需求文档（最好再附上团队已有的测试用例样例），并说明需求，Casely 就会学习团队的格式、规划覆盖范围、在正式生成前先确认一次，然后生成测试用例并导出为 Excel。当需求描述的是 API 时，同一次运行还会生成可执行的 Postman 集合，使书面用例与可运行用例保持为同一套测试套件。使用无需斜杠命令，也无需手动搭建项目脚手架，可直接读取 PDF、DOCX、XLSX、TXT、MD 等附件，在 Claude Code、claude.ai 网页版和 Claude 桌面应用中工作方式一致。
这是一个面向 Flutter 与 Dart 开发者的技能设定（skill），定位为精通移动应用架构与状态管理的专家角色。它把编码规范、状态管理、分层架构、依赖注入、错误处理、Firebase 集成、性能优化和测试等要点整理成一套可复用的开发准则。内容强调使用 PascalCase 命名类、camelCase 命名变量与函数，遵循仓储模式的整洁架构，保持函数短小单一职责（少于 20 条指令），避免深层嵌套的 widget 树，并尽可能使用 const 构造函数。状态管理覆盖 Riverpod（用 @riverpod 注解生成 provider，优先 AsyncNotifierProvider 与 NotifierProvider、配合 Freezed 实现不可变状态）以及 Bloc/Cubit（简单状态用 Cubit，复杂事件驱动用 Bloc）。架构方面采用按功能划分的目录结构，分离 data/domain/presentation 层，并用 Dartz 的 Either<Failure, Success> 做函数式错误处理。此外还涉及 GetIt 依赖注入、Firebase 认证/ Firestore / 存储集成、性能优化与测试策略。该技能以提示词/规范形式提供，需在支持 skills 的 AI 编码环境中加载使用，具体安装与调用步骤暂未提供。
Axolotl Skill 是一个用于辅助 Axolotl 开发的中文技能资料，根据官方文档自动生成。Axolotl 用于大语言模型的微调，本技能提供 YAML 配置、100 多个模型支持、LoRA/QLoRA、DPO/KTO/ORPO/GRPO 及多模态支持等专家指导。技能内容涵盖何时使用、常见模式（如 NCCL 测试、FSDP 配置、context_parallel_size、save_compressed）、示例代码模式（如 ModalCloud、AxolotlTrainer、RawInputOutputPrompter），以及 references 目录下的 api、dataset-formats 等文档。适用于处理 Axolotl、询问其功能或 API、实现方案、调试代码和学习最佳实践的开发者。
HuggingFace Tokenizers 是面向研究与生产环境的快速分词库，采用 Rust 核心实现并提供 Python/Node.js 绑定。官方资料显示其可在 20 秒内完成 1GB 文本的分词，比纯 Python 实现快 10–100 倍；支持 BPE、WordPiece、Unigram 三种分词算法，可用于加载预训练分词器、从零训练自定义分词器、批量编码与填充、对齐位置追踪，以及与 transformers 的 AutoTokenizer / PreTrainedTokenizerFast 集成。安装方式为 pip install tokenizers 或 pip install tokenizers transformers。
Whisper 是 OpenAI 推出的通用语音识别模型，支持 99 种语言的语音转文字、翻译成英文以及语言识别。它提供 tiny、base、small、medium、large、turbo 六种模型规格，可根据速度与显存需求选择；在 68 万小时音频上训练，采用 MIT 许可证。可通过 pip 安装 openai-whisper 并配合 ffmpeg 使用，支持 Python API 与命令行两种调用方式，能够输出 txt、srt、vtt、json 等格式，适合播客/视频转录、会议记录自动化和多语言音频处理。
Peak-End Rule（峰终定律）是一项体验设计技能，基于丹尼尔·卡尼曼的心理学研究，帮助设计者识别并刻意设计用户旅程中决定整体记忆与评价的两个关键时刻——情绪最强烈的「峰值」与体验结束时的「终值」。适用于结账、注册、引导、数据录入、错误恢复等流程的完成、庆祝或取消环节设计。
evaluate-rag 是一个用于评估 RAG（检索增强生成）流水线的技能，指导用户分别衡量检索质量与生成质量。它强调先对端到端链路做错误分析，判断失败来自检索、生成还是两者，再选择指标。检索侧提供 Recall@k、Precision@k、MRR、NDCG@k 等指标，并介绍如何构建检索评估数据集（人工标注、合成问答、对抗性问题生成）以及通过网格搜索优化分块。生成侧评估答案忠实度（是否基于上下文）与相关性（是否回答查询），并给出按指标模式诊断失败的方法，以及多跳检索的 Two-hop Recall@k。
面向敏捷产品负责人（Product Owner）的待办事项管理与冲刺执行工具集，覆盖用户故事编写、验收标准设计、史诗拆分、冲刺规划与速率跟踪。该技能强调基于真实速率×可用性系数计算冲刺容量，按故事点规模规定最低验收标准数量，采用价值40%、影响30%、风险15%、工作量15%的加权优先级模型，并提供五种史诗拆分模式与内置的 INVEST 校验步骤。可通过 Python 脚本从示例史诗生成合规用户故事、Given-When-Then 验收标准、斐波那契故事点估算及冲刺加载方案。
LangChain 是一个用于构建 LLM 应用的开源框架，支持智能体（agents）、链（chains）和 RAG（检索增强生成）。它提供模型抽象层，可在 OpenAI、Anthropic、Google 等提供商之间轻松切换，并拥有 500 多个集成（模型、向量存储、工具）。框架覆盖 ReAct 模式的工具调用推理、对话记忆、文档加载与切分、向量检索与问答链等能力。根据资料，其 GitHub 星标超过 119,000，被 272,000 多个仓库使用，贡献者超过 3,800 人。LangChain 适合快速原型开发 LLM 应用，也可结合 LangSmith 进行可观测性与生产部署。资料还给出替代方案建议：LlamaIndex 更适合文档问答，LangGraph 适合复杂有状态工作流，Haystack 适合生产检索管线，Semantic Kernel 面向微软生态。
该技能用于扩展 Transformer 模型的上下文窗口，覆盖 RoPE、YaRN、ALiBi 与位置插值（Position Interpolation）等技术，面向 32k–128k+ token 的长文档处理、预训练模型上下文扩展、高效位置编码实现、长度外推训练以及可变长输入部署等场景。资料给出 RoPE 的旋转位置嵌入实现代码、ALiBi 的线性偏置与斜率计算代码、LLaMA 的位置插值与 HuggingFace rope_scaling 配置示例，并列出各方法的适用场景、显存与训练量对比。安装方式包含 HuggingFace Transformers 与 torch、einops、rotary-embedding-torch、flash-attn 等依赖命令。属于模型底层能力扩展的技术参考。
React 18+ 的选择性水合（Selective Hydration）与流式 SSR 技能。它讲解如何结合 Suspense、renderToPipeableStream（Node）或 renderToReadableStream（边缘运行时）以及 hydrateRoot，让服务端渲染的页面在全部 JavaScript 加载完成前就能让部分组件先变为可交互。适用于慢组件（如数据请求组件）阻塞整页水合的场景，帮助优先水合关键交互组件，同时流式传输其余内容。
本技能介绍一种以生产可观测性数据驱动测试设计的实践方法，核心是把生产环境的链路追踪（traces）、日志与错误数据作为输入来源，用于设计、断言和排定新的测试。内容涵盖 OpenTelemetry 与测试基础设施的集成、基于 trace 的断言、日志与错误驱动的测试创建、以及用遥测数据对测试进行优先级排序。它把可观测性缺口等同于测试缺口，主张用真实用户遇到的错误作为测试待办列表，并以闭环流程把生产错误转化为可防止复发的测试。