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
231,394 个结果
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。
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。
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。
Career-Ops 是一个基于 Claude Code 构建的求职管理流水线，旨在把求职过程集中到一个命令行工作台中。它通过 14 个技能模式（skill modes）提供从职位评估、门户扫描到简历生成和进度跟踪的完整流程。用户粘贴职位链接或职位描述后，系统会自动抓取信息、匹配个人简历与偏好配置，并按 10 个加权维度给出 A-F 评分。其能力包括扫描 45 个以上公司招聘门户、并行批量评估多个职位、生成针对申请人跟踪系统（ATS）优化的 PDF 简历、输出 LinkedIn 外联消息、进行公司深度调研、评估课程或作品集匹配度，以及通过 Go 语言编写的终端仪表盘（TUI）查看和筛选申请状态。项目以 Markdown 配置文件定义候选人画像、目标职位、薪资范围、门户列表和流水线状态，数据保存在 TSV 文件中。使用前需要安装 Node.js 18+、Go 1.21+ 和 Claude Code CLI 并配置 Anthropic API 密钥。
用于在浏览器/Web 应用（React、Vue、Next、Nuxt、静态站点、SPA、仪表盘、AI 聊天界面等）中通过 @cloudbase/js-sdk 调用 AI 模型的技能，支持文本生成与流式响应，可调用混元、DeepSeek、GLM、Kimi、MiniMax 等模型。
这是一个面向 Claude 的 PDF 处理技能工具包，涵盖文本与表格提取、创建新 PDF、合并与拆分文档以及表单处理等操作。工具包以 Python 库（pypdf、pdfplumber、reportlab、pytesseract、pdf2image）和命令行工具（poppler-utils 的 pdftotext 与 pdfimages、qpdf、pdftk）为基础，提供读写 PDF、按页拆分、合并、旋转页面、读取元数据、加水印、提取图片、设置密码保护以及 OCR 识别扫描件等能力。高级功能、JavaScript 库与详细示例见 REFERENCE.md，PDF 表单填写见 FORMS.md。
Tailwind CSS 最佳实践技能，提供面向 Tailwind CSS v3.4+ 与 v4.0+ 的约定与模式参考，共 29 条规则、分为 8 个类别，版本 1.0.0，采用 MIT 许可。内容覆盖响应式设计、暗色模式、组件模式、自定义配置、v4 与迁移、间距与排版、动画、性能等主题，用于编写响应式布局、实现暗色模式、创建可复用组件样式、配置 Tailwind 以及从 v3 迁移到 v4 等场景。该技能强调先检测项目使用的 Tailwind 版本：v3 与 v4 存在根本差异，v3 适用 resp-、dark-、comp-、config- 规则，v4 适用 v4- 规则且不再使用 tailwind.config.js 而改用 CSS 中的 @theme {}。资料中给出了版本判断信号（如是否存在 tailwind.config.js、CSS 中的 @import "tailwindcss"、@tailwindcss/vite、@tailwindcss/postcss 依赖、@theme {} 块），并包含移动优先响应式设计、暗色模式切换、clsx/cn 条件类名、主题配置、响应式网格、表单样式、尊重减弱动效偏好等示例代码，以及如何使用各规则文件的说明。
fal-image-edit 是 fal-ai-community/skills 提供的一项 AI 图像编辑技能，基于 fal.ai 平台实现。用户提供图片 URL 和编辑指令后，脚本会自动选择合适的模型，向 fal.ai API 发送请求，并返回编辑后的图片 URL。支持风格迁移、对象移除、背景更换、局部重绘（inpainting）以及基于指令的通用编辑等操作。使用方式为通过命令行脚本 edit-image.sh 传入图片地址、提示词、操作类型、蒙版地址和编辑强度等参数，也可借助 search-models.sh 或 search_models MCP 工具检索最新模型，再调用 mcp__fal-ai__generate 完成生成。适用于需要以自然语言指令快速修改图片的场景，如将照片转为动漫风格、移除画面中的人物、替换人像背景、用蒙版填充指定区域等。
wechat-article-to-markdown 是一个用于抓取微信公众号文章并转换为 Markdown 的工具。它从 mp.weixin.qq.com 的公开文章链接获取内容，输出干净的 Markdown 文件，并将文章中的图片下载到本地。该工具适合将微信文章保存为个人存档、作为 AI 摘要的输入，或导入知识库。使用前需要 Python 3.8+ 环境，可通过 uv 或 pipx 安装。运行时传入微信公众号文章 URL，输出文件位于当前工作目录的 output 文件夹下，包含以文章标题命名的 Markdown 文件和 images 图片目录。
该技能是一套用于 AI 辅助开发中故障诊断与应对的流程工具，核心主张是「不是每个问题都是 bug，不是每个 bug 都需要调试」。它要求开发者先描述出错情况（期望发生什么、实际发生了什么、已经尝试修复过几次），再据此把故障归入三种失败模式之一：一是具体某个组件/函数/路由坏了、错误信息明确的普通 bug，对应「定向修复」；二是多次修复反而越改越糟、上下文被污染，对应「硬重置」，此时需先写一份 Reset Note 记录原功能目标、出错经过、应避免的做法和下次起点，然后结束会话、在干净上下文中重来；三是代码能跑但行为从根本上错误、属于假设或架构层面的问题，对应「重新思考」，需先指出错误假设、提出正确方案，等开发者确认后再重建。该技能强调先诊断后动手、根因优先、不叠加补丁，并规定若一次修复无效应先重新审视根因诊断，两次根因判断都错误则应重新归为失败模式 2 或 3。其用途是减少 AI 编码会话中因盲目重试导致的上下文污染与代码劣化。
该技能用于评测 MAX 所服务文本模型在标准数据集上的任务准确率，覆盖 GSM8K、MMLU、HellaSwag、ARC、AIME、GPQA、TruthfulQA、WinoGrande、BABILong 等基准，可在每次运行前检查端点兼容性，区分服务故障与答错，并输出可复现的分任务分数。
LLaMA-Factory 是一个用于大语言模型微调的工具，本技能为其提供基于官方文档的专家指导。内容涵盖 WebUI 无代码操作、100 多种模型支持、2/3/4/5/6/8 位 QLoRA 量化微调以及多模态支持。技能在用户使用 LLaMA-Factory、询问其功能或 API、实现相关方案、调试代码或学习最佳实践时触发，并附带从官方文档提取的参考文件，包括图像、进阶、入门及其他文档，便于查阅详细说明与代码示例。
SentencePiece 是一个与语言无关的分词器，将文本视为原始 Unicode 处理，无需针对特定语言做预处理。它支持 BPE 和 Unigram 两种分词算法，可用于构建多语言模型、处理中日韩（CJK）文本，并支持在原始文本上直接训练。其特点是速度快（约 50,000 句/秒）、内存占用低（加载模型约 6MB），且分词结果可复现。它被 T5、ALBERT、XLNet、mBART 等模型采用。可通过 pip 安装 Python 包，或从 GitHub 源码编译 C++ 版本，并提供命令行与 Python API 两种训练、编码、解码方式。
合成监控（Synthetic Monitoring）是一套关于「发布后持续运行的计划探测」的 QA 技能资料，来源于 petrkindlmann/qa-skills。它围绕关键用户旅程的探针设计、告警集成、SLA 验证与多区域监控展开，帮助团队在真实用户不活跃时（例如凌晨流量为零）仍能持续确认应用可用。资料涵盖探针设计原则（探针应短小、快速、单一关键路径）、非破坏性探测模式、专用合成测试账号要求、平台选型（Checkly、Datadog、Grafana、AWS CloudWatch、New Relic、Better Stack、Uptime Kuma 及基于 Playwright/k6/Puppeteer 的自建方案）、告警分级与路由规则、可用性与响应时间 SLA/错误预算计算、多区域与 CDN 校验，以及常见反模式。
k2f-media-kit 是一个面向 AI 代理的技能，用于根据已核实的公司、产品和领导层信息，编写面向记者与合作伙伴的媒体资料包（media kit），产出可扫描的事实、标准公司简介与素材指引，而非融资演示文稿。
review 是一个用于代码审查的 AI 技能，针对用户指定的固定点（commit、branch、tag 或 merge-base）与 HEAD 之间的 diff，进行双轴并行审查。第一轴为 Standards，检查代码是否符合仓库中记录的编码规范；第二轴为 Spec，检查代码是否忠实实现了来源 issue、PRD 或 spec。两个轴线分别由并行的 sub-agents 运行，避免互相污染上下文，最后聚合各自的发现，并在最终报告中分别以 ## Standards 和 ## Spec 标题展示，同时用一行总结各轴发现数量及最严重问题。
reference-compiler-cli 是 Angular 官方仓库中关于 packages/compiler-cli 包（即 Angular 编译器 Ivy，通常称为 ngtsc）的架构说明技能。它解释了 ngtsc 的心智模型与内部结构：ngtsc 是对 TypeScript 编译器（tsc）的封装，为其扩展 Angular 特有能力，核心目标是把 @Component、@Directive、@Pipe 等 Angular 装饰器编译为类上的静态属性（Ivy 指令，如 static ɵcmp = ...），同时执行模板类型检查和预编译（AOT）。该技能描述了编译器的惰性、增量、部分编译流水线，包括 Wrapper 模式、Traits 状态机（Pending、Analyzed、Resolved、Skipped）、惰性分析、Output AST 等概念，并梳理了核心编排、Trait 编译、装饰器处理器、模板类型检查、元数据与作用域、发射与转换等关键子系统，以及构造、分析、解析、类型检查、发射等编译阶段和重要文件位置。当计划处理 packages/compiler-cli 下的代码时，应使用此技能。
Fusion Help Integration 是 Equinor fusion-skills 仓库中的一项技能，用于将 Fusion Help Center（帮助中心）接入应用页面。它会为页面创建帮助文章 slug 常量、添加 useHelpCenter hook，并连接 PageLayout 的相关 props，从而让用户可以通过 PageLayout 上的帮助按钮打开上下文相关的帮助文章。该技能适用于为页面添加帮助按钮、在页面组件中接入 useHelpCenter、创建或更新帮助文章常量文件，以及连接 PageLayout 与 Fusion Help Center 等场景。使用前需要收集应用名称、目标页面、文章 slug 等输入；若未提供 slug，则按 {app-name}-{page-kebab} 规则自动推导，但在应用前必须与用户确认，因为 slug 必须与通过 fhelp 发布的内容一致。该技能不会用于撰写 Markdown 帮助文章、直接调用 Help 服务 REST API，也不用于修改 @fra/ui 共享组件或非 Fusion 框架应用。
Agent Skills Creator 是一个用于创建和改进可移植 Agent Skills 的技能，采用 Agent Skills 开放格式。它覆盖从模式选择、目录与前置元数据创建、SKILL.md 正文撰写、参考或规则文件组织，到验证、README 更新、安装冒烟测试与评估迭代的完整生命周期。该技能适用于新建 agent skill，也适用于审计、简化或重写已有 skill（SKILL.md、references、rules、scripts、evaluations）。它内置本地验证脚本，可检查格式要求与仓库约定；并提供路由评估方法，用于判断 skill 是否会在正确提示下触发。它不负责 AGENTS.md/CLAUDE.md 指令文件，也不负责一般文档质量。
crypto-trading-bots 是 omer-metin/skills-for-antigravity 技能库中的一个技能，专注于自动化加密货币交易系统。根据现有资料，该技能涉及 DEX 狙击机器人、套利策略、MEV 保护、Telegram 交易机器人等方向。该技能强调以参考文件作为领域知识的唯一依据：构建时参考 references/patterns.md，诊断问题时参考 references/sharp_edges.md，审查时参考 references/validations.md。当用户需求与参考文件中的指导冲突时，应以参考文件信息礼貌地纠正用户。资料中未提供具体代码、安装命令、收费信息或详细使用步骤。
BigCode Evaluation Harness 是一个用于评估代码生成模型的开源工具，覆盖 HumanEval、MBPP、MultiPL-E 等 15 个以上基准，采用 pass@k 指标衡量功能正确性。它支持 Python 及 18 种编程语言的多语言评测，可评估基础模型、指令微调模型以及填充中间（FIM）能力，常用于代码模型基准测试、模型对比和 BigCode/HuggingFace 排行榜提交。工具通过 accelerate 启动，支持量化加载、批量采样、代码执行与结果保存，并可用 Docker 安全运行多语言评测。
NeMo Curator 是 NVIDIA 推出的 GPU 加速数据整理工具包，用于为 LLM 训练准备高质量数据。它支持文本、图像、视频、音频多模态数据，提供模糊去重（比 CPU 快 16 倍）、质量过滤（30+ 启发式规则）、PII 脱敏、分类器过滤等能力，并可在 GPU 集群上近线性扩展。适用于从网页抓取（如 Common Crawl）构建训练数据、多模态数据集整理、低质或有害内容过滤等场景。安装方式包括 uv pip install "nemo-curator[text_cuda12]"、[all_cuda12] 或 [cpu]。
pyvene 是斯坦福 NLP 团队开发的 PyTorch 模型因果干预库，提供基于字典的声明式干预框架，用于激活修补、因果追踪和交换干预训练，使干预实验可复现、可分享。它支持任意 PyTorch 架构（不限于 Transformer），可对指定层和组件（如 block_output、attention_output、mlp_output 等）施加多种干预类型（如 VanillaIntervention、AdditionIntervention、ZeroIntervention、RotatedSpaceIntervention 等），并支持将干预保存到本地或分享至 HuggingFace。适用于因果追踪、电路分析、模型引导等可解释性研究场景。
slime 是清华大学 THUDM 团队开发的 LLM 后训练框架，用于通过强化学习（RL）扩展大模型训练，支撑了 GLM-4.5、GLM-4.6、GLM-4.7 等模型。它将 Megatron-LM 训练与 SGLang 高吞吐推理生成连接起来，支持 GRPO、GSPO、PPO、REINFORCE++ 等算法，提供灵活的数据缓冲与自定义数据生成工作流。适用于训练 GLM、Qwen3、DeepSeek V3/R1、Llama 3 等模型，支持同步与异步训练、多轮智能体训练、自定义奖励模型与多任务评测。