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 10-18 00:12

全部 Skills

231,380 个结果

content-creator

这是一个已被弃用的重定向技能，用于把旧的“内容创作者（content creator）”请求转交给合适的专项技能。它本身不执行写作、策划或优化，而是根据用户意图分流：写博客、文章或指南转至 content-production；规划内容、主题集群、日历转至 content-strategy；分析品牌语调转至 content-production（含 brand_voice_analyzer.py）；优化现有内容的 SEO 转至 content-production（含 seo_optimizer.py）；创作社交媒体内容转至 social-content。该技能已被拆分为多个专项技能，原因是原始 content-creator 试图同时承担策划、写作、SEO、社交与品牌语调，导致样样不精。相关技能包括 content-production（完整内容执行流水线，原技能 Python 工具的继承者）、content-strategy（内容规划与选题）、content-humanizer（将 AI 内容后期处理得更自然）以及 marketing-context（两个后继技能共同读取的基础上下文）。

写作与研究913 次安装

email-html-mjml

email-html-mjml 是一个基于 MJML 5.x 框架生成响应式 HTML 邮件模板的技能。它面向跨客户端兼容性设计，目标是在 Outlook（2013–365）、Gmail（网页版/App）、Apple Mail 及主流移动客户端中正常渲染。其工作流程包括：从对话上下文推断邮件类型、品牌色与内容需求；在写代码前先规划并说明布局结构；查阅组件参考文件；生成以 <mjml> 开头、含完整 <mj-head> 的合法 MJML；使用 npx mjml 编译；最终同时交付 .mjml 源文件与编译后的 .html 文件。技能内置 9 条工程规则，涵盖结构完整性、响应式默认值、Outlook 兼容、Gmail 优化、深色模式、无障碍、样式效率、Hero 区块与模板支持。编译要求使用 --config.minify=true 与 --config.validationLevel=strict，并注意 MJML 5 默认禁用 mj-include、Outlook 背景图仅支持 section 与 hero、Gmail 102KB 裁剪限制等关键陷阱。适用场景包括创建、生成、设计或构建邮件模板，如欢迎邮件、促销邮件、订单确认邮件与新闻简报等。

编程与开发913 次安装

dragonjar-android-pentesting-skill

DragonJAR Android Pentesting Skill 是一个面向 AI 智能体的 Android APK 安全分析技能，归属于 security-skills 安全技能集合。它把静态分析、Frida 动态插桩、RASP 运行时防御检测、授权范围内的绕过验证、source-to-sink 数据流追踪、OWASP MASVS 合规评分和专业报告生成整合到统一工作流中。其主要能力包括：使用 APKTool 解码、JADX 反编译、APKiD 框架识别；执行 50 多项 Manifest 检查、70 多条 Semgrep MASTG 规则、密钥检测与混淆分析；提供 37 个 Frida 脚本用于 SSL Pinning 绕过、root 检测绕过和加密拦截；可识别 18 类运行时保护（RootBeer、SafetyNet、Frida 检测、RASP 等）；支持 Smali 补丁、重打包、签名与验证；并依据 OWASP MASVS 控制项自动评分，结合 CVSS 4.0 输出发现报告。该技能要求安装 APKTool、JADX、Android SDK Platform Tools、Frida、Objection、APKiD、Semgrep 等工具，并强调仅在授权测试租户或实验室环境中使用，客户端绕过无法伪造服务端证明。

安全与审计913 次安装

ruler-progress-render

ruler-progress-render 是一个用于渲染“标尺进度”视频的技能，来源于 vibe-motion/skills。它通过脚本 scripts/render_ruler_progress.sh 完成整个流程：克隆或更新 GitHub 仓库 sxhzju/ruler-progress-animator，安装 npm 依赖，并使用 Remotion 以默认参数渲染出标尺进度动画视频。用户可指定工作目录和输出路径，脚本会复用本地仓库、跟踪远程默认分支，并在 bunx 可用时走新的 scaffold 流程以复用共享的 Chrome Headless Shell 缓存，避免重复下载浏览器；若 bunx 不可用则回退到 npx remotion render。运行需要 git、node、npm 以及用于克隆、更新和安装依赖的网络访问。

设计与创作913 次安装

adev-writing-guide

Angular 官方文档（adev）写作指南技能。该技能为在 adev/src/content 中撰写内容提供全面规范，结合 Google 技术写作标准与 Angular 特有的 Markdown 约定、组件和最佳实践。内容涵盖语气与措辞、语言与语法、格式与组织、图片与代码示例、参考资料优先级等通用写作要求，以及 Angular 专属的代码块语言标识、代码块属性、docs-code 组件、提示框（Alerts/Admonitions）、自定义组件（卡片、标注、胶囊、步骤、标签页、视频）、图片和标题层级等写法。适用于参与 Angular 官方文档撰写或审校的场景。

写作与研究912 次安装

anti-ui-slop

anti-ui-slop 是一项用于约束 AI 编程代理的 UI 技能，目标是阻止编码代理输出千篇一律的通用界面，转而构建与产品自身特点相符的界面。该技能以产品需求说明、已有 UI、组件和本地设计系统为依据进行设计，强调先读需求与现有约束，再动手设计。它提供多份按场景划分的指导手册，包括新界面或大改版、产品与仪表盘、打磨优化、简化提炼、显式审查以及原生 iOS 场景，每次只加载其中一份。资料提到可通过 UIZZE 访问 80 万以上真实网页与 iOS 屏幕素材，但仅为可选能力，需付费 MCP 才可使用，且需按政策文件判断是否引用。免费技能本身无需账号、令牌、MCP 连接、依赖、脚本或可执行文件即可使用。技能还强调保留用户熟悉的交互惯例，避免为求新而新，并在环境允许时渲染检查一次、修复明显破损，交付保持简洁。

前端与建站912 次安装

pdf-generator

pdf-generator 是一个通过程序化方式创建和修改 PDF 文件的技能。它支持两种工作模式：模板模式和从零生成模式。模板模式可分析现有 PDF 的表单字段与结构，填写文本、复选框、下拉框等表单字段，添加文字、图片、形状等覆盖层（水印、印章），以及合并多个 PDF。从零生成模式则通过 JSON 规格文件创建全新 PDF，可添加文本、图片、矩形、线条、圆形和表格等元素，并支持 A4、Letter、Legal 及自定义页面尺寸和多种标准字体。该技能需要安装 Deno 运行环境，脚本通过命令行运行。需要注意的局限包括：不支持表格自动布局、无法嵌入自定义字体、不支持文字自动换页、不能创建新表单字段、不支持加密 PDF、图形能力仅限基础形状，且文本提取效果取决于原 PDF 结构。

办公与效率912 次安装

letzai-api

LetzAI API 集成技能，用于通过 LetzAI 公共开发者 API 调用 AI 图像与视频生成能力。图像生成支持 Nano Banana Pro、Nano Banana 2、Seedream 5 Pro、Flux 2、GPT Image 2 等模型，视频生成支持 Veo 3.1、Kling V3、Seedance 2.0 等模型，并提供图像编辑、放大、文件上传以及自定义模型（LoRA）训练等能力。训练完成的模型可通过 @modelname 标签在提示词中引用。API 基址为 api.letz.ai，使用 Bearer 密钥认证，所有生成任务均为异步，需轮询或使用 webhook 获取结果。需要付费订阅才能访问 API。

智能体与模型912 次安装

chroma

Chroma 是一个面向 AI 应用的开源嵌入数据库，被称为为 LLM 应用提供记忆的 AI 原生数据库。它支持存储嵌入向量与元数据，可进行向量相似度搜索、全文搜索以及基于元数据的过滤，并提供简单的四函数式 API 便于上手。Chroma 采用 Apache 2.0 许可证，适合在构建 RAG（检索增强生成）应用、需要本地或自托管向量数据库、希望使用开源方案、在 Notebook 中做原型验证、对文档进行语义搜索以及存储带元数据的嵌入等场景使用。官方资料显示其 GitHub 星标超过 24,300，fork 超过 1,900，当前稳定版本为 v1.3.3 并保持每周发布。Chroma 提供 Python 与 JavaScript/TypeScript 的安装方式，支持持久化存储、自定义嵌入函数、元数据过滤，并可与 LangChain、LlamaIndex 集成，也可通过服务端模式以 HTTP 方式连接使用。

数据与分析912 次安装

instructor

Instructor 是一个用于从大语言模型（LLM）响应中提取结构化数据的 Python 库。它结合 Pydantic 模型定义输出结构，自动校验 LLM 返回结果，并在校验失败时把错误反馈给模型进行自动重试。它支持解析复杂 JSON、类型安全校验，以及流式返回部分结果，适合需要可靠结构化输出的数据提取、分类、多实体抽取和批量处理等任务。Instructor 提供 Anthropic、OpenAI 以及本地模型（如 Ollama）等多种提供商的统一 API，允许通过 Field、Enum、自定义验证器等方式约束输出内容。资料显示其在 GitHub 上拥有 15,000+ 星标，并被 100,000+ 开发者使用。安装通过 pip 完成，并可按提供商选择相应扩展。

数据与分析912 次安装

nanogpt

nanoGPT 是由 Andrej Karpathy 开发的极简 GPT 实现，约 300 行代码，用于学习和实验 Transformer。它可以在 OpenWebText 上复现 GPT-2（124M），代码干净、易修改，适合教学、快速原型和有限算力场景。安装依赖包括 torch、numpy、transformers、datasets、tiktoken、wandb、tqdm。支持字符级莎士比亚训练（CPU 约 5 分钟）、多 GPU 复现 GPT-2、微调预训练 GPT-2 以及自定义数据集训练。

智能体与模型912 次安装

cypress-automation

Cypress 自动化测试技能，用于在 TypeScript 中构建 Cypress 测试套件，涵盖 E2E 测试、组件测试、自定义命令、cy.intercept 网络控制、cy.session 登录缓存、Cypress Cloud 与 CI 集成。内容包含项目结构与配置、cy.intercept 各类模式（桩响应、监听、条件响应、错误模拟、修改真实响应、fixture 支持）、组件测试挂载、基于 fixture 的数据驱动测试、跨域流程、GitHub Actions CI 配方，以及常见反模式和失败原因排查。适合需要编写稳定 E2E 或组件测试、控制网络请求、优化登录与 CI 并行执行的团队。

测试与质量912 次安装

performance-engineer

性能工程师技能，用于诊断后端、前端或基础设施的性能瓶颈，通过性能剖析、分布式追踪、负载测试与可观测性手段定位问题，并验证延迟与容量改进效果。该技能覆盖现代可观测性（OpenTelemetry、APM、Prometheus/Grafana、RUM）、应用剖析（CPU、内存、I/O、容器与云剖析）、负载测试（k6、JMeter、Gatling、Locust、混沌工程）、多级缓存、前后端与分布式系统优化、云与数据库性能调优、性能测试自动化及性能分析洞察等。适用于有明确性能目标且可获取指标、追踪或剖析数据的任务；不适用于无性能目标的纯功能开发、无任何度量数据可用的场景，或仅需非技术性快速总结的情况。

部署与运维912 次安装

create-tool

该技能用于通过 Vapi 公开 API 选择、定义、创建、查询、更新、附加、分离并验证可复用的 Vapi 工具，适用于原生呼叫控制工具、受支持的集成工具、apiRequest、function 和 mcp 等类型。它强调依据当前公开的 Create Tool API、OpenAPI schema 或类型专属指南核对类型与字段，禁止用自定义 function 模仿已有 Vapi 能力，禁止编造端点、请求结构、目标、电话号码、assistant ID、tool ID、集成连接、凭据或密钥，并要求把密钥保存在 Vapi credentials 或用户后端中。工具创建与更新不会自动附加到 assistant，附加或分离时需读取完整 assistant 配置后进行合并更新并重新验证。

智能体与模型912 次安装

catalyst-basics

Catalyst Basics 是 Zoho Catalyst 平台的项目基础设置技能，用于指导开发者完成 Catalyst 项目的初始化与配置。它涵盖项目目录结构、开发与生产环境、CLI 命令，以及各类 Catalyst ID（Project ID、ZAID、Table ID、Segment ID、Org ID）的获取与使用。该技能强调先检查 MCP 工具（CatalystbyZoho_*）是否可用，优先通过 MCP 获取组织 ID、项目 ID 及资源 ID，避免让用户手动查找。核心流程包括：预检 .catalystrc 与 catalyst.json 是否存在，缺失时通过 MCP 获取 ID 并运行 catalyst init --org <orgId> -p <projectId> -ni；在初始化前用 catalyst whoami 校验 MCP 与 CLI 账号是否一致，不一致则 catalyst login --force 重新认证。技能还提供多个参考文档，覆盖快速上手、控制台导航、项目结构、CLI 命令、架构选型，以及 Claude Code、Cursor、GitHub Copilot 的安装与 MCP 连接指南。适用于首次搭建 Catalyst 项目、查找各类 ID、理解开发与生产环境差异、配置 IDE 集成等场景。

编程与开发911 次安装

elasticsearch-index-design

Elasticsearch 索引设计技能，用于根据既定的访问模式设计索引映射，并审查现有映射中的字段类型与存储问题。该技能强调先收集每个字段的使用方式（全文搜索、精确过滤、聚合、排序或仅返回），再据此选择最小类型集合，例如纯全文搜索用 text、仅过滤聚合排序用 keyword、同时需要搜索与排序聚合时使用 text 加 keyword 多字段、小数指标用 double/float/scaled_float、时间戳用 date、布尔标志用 boolean、高基数自由键值映射用 flattened。它要求为新索引显式定义映射与分片副本设置，避免依赖动态映射，并防范映射爆炸与存储膨胀，包括为仅展示字段设置 doc_values: false、对 message.keyword 加 ignore_above、在高基数对象上使用 flattened、根映射优先 dynamic strict。当字段类型需要变更时，该技能说明 Elasticsearch 无法原地修改字段类型，必须创建新索引并通过 reindex 迁移数据，然后验证计数与映射并切换读写。所有操作通过 elastic CLI 执行，需先确认已安装，不猜测凭据，不直接调用 HTTP API。

数据与分析911 次安装

agent-sessions-layout

agent-sessions-layout 是微软 VS Code 仓库中面向 Agents 工作台布局的规范与实现指南。它规定了 Agents 工作台固定的布局结构（网格树、部件位置、默认尺寸）、部件的包含与排除及默认可见性、标题栏配置与自定义菜单 ID、编辑器模态覆盖层的运行方式与尺寸、部件可见性 API 与事件、Agent 会话部件的类与存储键、工作台贡献与生命周期，以及相关 CSS 类与文件结构。该规范强调：修改布局实现时必须阅读并同步更新位于 src/vs/sessions/LAYOUT.md 的权威规格，保持代码与文档一致，并在 LAYOUT.md 底部的 Revision History 表中记录带日期的变更条目。实现上需保持固定位置、不新增基于设置的位置自定义；面板须跨越右侧区域宽度；侧边栏跨满高度；新部件加入右侧水平分支；不支持的功能保持为 no-op；处理窗格组合生命周期；使用 Agent 会话部件类与独立存储键；动作使用 Agent 会话菜单 ID。

编程与开发911 次安装

moe-training

MoE Training 是一个用于训练混合专家（Mixture of Experts, MoE）模型的技能，支持 DeepSpeed 或 HuggingFace 框架。适用于在算力有限的情况下训练大规模模型（相比稠密模型可降低约 5 倍成本），在不按比例增加算力的前提下扩展模型容量，提升单位算力预算下的性能，为不同领域、任务或语言专门化专家，并通过稀疏激活降低推理延迟（如 Mixtral 中仅激活 13B/47B 参数）。可用于实现 Mixtral 8x7B、DeepSeek-V3、Switch Transformers 等前沿 MoE 模型。

智能体与模型911 次安装

openrlhf-training

OpenRLHF 是一个基于 Ray 的高性能 RLHF（基于人类反馈的强化学习）训练框架，通过 vLLM 推理加速针对分布式训练进行优化，构建在 Ray、vLLM 和 ZeRO-3 之上。它支持在 7B 至 70B+ 的大模型上进行 PPO、GRPO、RLOO、DPO 等强化学习训练，适用于拥有多节点 GPU 集群的场景。框架集成了参考模型、奖励模型、评论者模型和 Actor 模型的分布式部署能力，并提供 Hybrid Engine 机制以最小化 GPU 空闲时间，据资料描述其性能可达 DeepSpeedChat 的 2 倍。安装方式为 pip install openrlhf[vllm]，并提供了从 SFT、奖励模型训练到 PPO/GRPO/DPO 训练的完整工作流示例。

智能体与模型911 次安装

sglang

SGLang 是一个面向大语言模型（LLM）和视觉语言模型（VLM）的高性能服务框架，核心创新是 RadixAttention 自动前缀缓存。它适合需要结构化输出（JSON、正则、语法约束）、带重复前缀的智能体工作流、函数调用、多轮对话共享上下文等场景。官方称在智能体负载下可提速约 5 倍，少样本提示约 10 倍，JSON 解码约 3 倍。支持 Llama、Mistral、Qwen、DeepSeek、Gemma、Phi 等文本模型及 LLaVA、Qwen2-VL 等视觉模型，提供 OpenAI 兼容 API，支持多 GPU 张量并行、推测解码和连续批处理。

智能体与模型911 次安装

speculative-decoding

Speculative Decoding 是一个用于加速大语言模型（LLM）推理的技能，涵盖三种主要技术：草稿模型投机解码、Medusa 多头解码和 Lookahead 前瞻解码。该技能适用于需要将推理速度提升 1.5-3.6 倍且不损失质量的场景，例如降低聊天机器人、代码生成等实时应用的延迟，优化高并发服务的吞吐量，以及在受限硬件上高效部署。其核心思路是用小模型或额外预测头生成候选 token，再由大模型并行验证，从而减少串行解码步数。文档提供了 transformers、Medusa、LookaheadDecoding 及 vLLM 的安装方式，并给出各方法的快速开始代码、算法原理、超参数调优建议与生产部署示例。资料显示三种方法均无质量损失，其中 Medusa 需要少量训练（仅训练预测头），Lookahead 则无需草稿模型或训练即可开箱使用。

智能体与模型911 次安装