Skills
收录 96,981 个为 Agent 打包的专项能力与操作指引，复制一行命令即可安装。
云与 DevOps
使用 orbit CLI 管理 GoCD 的流水线、流水线组、Agent、环境、配置仓库、服务器管理、用户、角色、授权配置、插件、备份、材料、制品库、弹性 Agent 配置、集群配置、阶段、作业、服务器配置、模板、包、包仓库、通知过滤器、仪表盘、访问令牌、密钥配置和服务器版本。每当用户询问 GoCD 的流水线、Agent、环境、配置仓库、服务器健康、维护模式、CI/CD 操作、流水线组、用户、角色、认证配置、插件、备份、材料、制品库、弹性 Agent、阶段、作业、模板、包、包仓库、通知过滤器、仪表盘、访问令牌、密钥配置或服务器版本时，都使用此技能。触发短语如“列出流水线”“创建流水线”“删除流水线”“流水线状态”“流水线配置”“流水线材料”“哪个分支”“触发构建”“暂停流水线”“列出 Agent”“启用 Agent”“禁用 Agent”“终止运行中的任务”“Agent 作业历史”“列出环境”“创建环境”“修补环境”“配置仓库状态”“创建配置仓库”“预检”“服务器健康”“维护模式”“加密某个值”“列出用户”“创建用户”“列出角色”“认证配置”“列出插件”“安排备份”“列出材料”“制品库”“弹性 Agent 配置”“集群配置”“取消阶段”“运行阶段”“运行作业”“站点 URL”“作业超时”“邮件服务器配置”“流水线组”“列出模板”“创建模板”“仪表盘”“访问令牌”“密钥配置”“比较流水线”“锁定流水线”“解锁流水线”“服务器版本”“通知过滤器”“列出包”“包仓库”“当前用户”，或任何与 GoCD 相关的任务——即使是“正在运行哪些流水线”“Agent 是否空闲”“检查构建”“安排一次运行”“将服务器置于维护模式”“检查配置仓库同步”“谁有访问权限”“安装了哪些插件”或“GoCD 状态”这类随口提及的表述。orbit CLI 的别名是 `cd`。
将自行编写的应用部署为 Raspberry Pi 上的 Home Assistant OS (HAOS) 本地加载项（现已在 HA UI/CLI 中标记为“app”），以实现 24/7 运行，例如将轮询器或监视器从会休眠的工作站迁出。部署、更新或调试 HAOS 本地加载项／HA app 时，或用户提及“部署到 RPi / HAOS / HA add-on / HA app”时使用。加载项更新未被检测到（update_available 始终为 false，version_latest 显示旧版本），或重建后仍运行旧代码时也可参考。
调查 Microsoft Azure（资源和订阅控制平面）中的安全事件：根据 Azure Activity Log 和资源／数据平面诊断日志还原攻击者活动，以发出调用的身份（用户、服务主体或托管身份）为调查起点，通过角色分配追踪权限提升，排查托管身份令牌滥用和 VM run-command 代码执行，并在关联 Entra 登录日志的同时检测存储或 Key Vault 数据窃取。适用于响应疑似 Azure 资源遭入侵、异常 Azure Activity Log 条目、Microsoft Defender for Cloud 警报、托管身份或服务主体滥用、加密货币挖矿 VM 或存储帐户数据外传事件。
引导式工作流，将任意机器学习代码库——包括完全没有实验跟踪的代码库，或满是 MLflow 2 时代惯用写法的代码库——迁移到生产级开源 MLflow 3 环境，包含 dev/staging/prod 环境、基于 registry 的晋级以及已部署的模型。与可能毫无 MLflow 3 经验的开发者一起走完七个阶段——评估代码库（脚本化只读审计）、为 registry 领域建模（按环境的模型名、别名、门槛）、为每个环境搭建 tracking、将训练代码重构为 MLflow 3 惯用写法、接上带评估门槛的晋级、部署并冒烟测试，然后运行持续的 MLOps 循环。在被要求搭建 MLflow、迁移到 MLflow 3、将模型训练与服务生产化，或设计 dev/staging/prod 的 MLOps 周期时使用。与同系列的 mlflow-3 规则包配合，用于每一个 API 决策。
在终端或脚本中使用 ul cloud 命令行（ul cloud RESOURCE OPERATION key=value，PyPI 包 ultralytics-platform）操作 Ultralytics Platform 时使用——列出、创建、更新、克隆或移动项目、数据集和模型；查看数据集图像、统计信息、元数据、重复项和相似图像；启动并监控云端训练运行；逐图模型验证分析；下载权重；导出、部署、上传、回收站与恢复、存储集成，以及账户用量、存储和计费；以及构建 Agent（YOLO、LLM、门控和告警工作流）。关于 Platform Web 界面或本地 yolo 命令，参见 yolo；关于选择训练什么以及如何改进，参见 yolo-training 和 yolo-tuning。
在开源 Ray（锁定 2.57）上运行 LLM 工作负载——用 ray.serve.llm（基于 vLLM 的 LLMConfig + build_openai_app）做 OpenAI 兼容的服务，用 ray.data.llm（build_processor）做批量推理。纠正模型产出的过时默认写法——已归档的 ray-llm 仓库及其 YAML 配置、在普通 Serve deployment 里手写 vLLM 引擎、已被移除的 build_llm_processor 名称、已废弃的布尔 stage 标志、顶层 LLMServer/LLMRouter 导入、自由形式的加速器字符串、每个 LoRA 适配器一个 deployment 的设计——改用 2.57 的惯用写法（stage 配置、用 placement_group_config 替代手写 PG、deployment_config 自动扩缩容、动态 LoRA 多路复用、prefix-cache-affinity 路由、完整的 OpenAI 端点面）。在编写、评审或在 Ray 上生产化 LLM 服务或批量推理时使用。经典机器学习的 Ray（Train/Tune/Data/Serve/集群）见同系列的 ray skill。
通过 OpenShift CI Gangway REST API 按需运行 RHDH 夜间 ProwJob，适用于 `periodic-ci-redhat-developer-rhdh-*-nightly` 和 `periodic-ci-redhat-developer-rhdh-plugin-export-overlays-*-nightly` 作业，并可选覆盖镜像仓库/仓库/标签、catalog-index、Helm chart、Playwright、fork 和 Slack 告警。适用于 "trigger the nightly"、"run the e2e job now"、"kick off the AKS operator job on 1.9"、RC 或 GA 镜像验证运行，或列出可用的夜间作业和 quay.io 标签。
用于生成 Terraform 解决方案的工作流,这些方案由一个或多个 Terraform IBM Modules (TIM) 组合而成。在使用 IBM Cloud 基础设施即代码、Terraform 模块、基础设施自动化或云资源预配时使用。提供模块发现、组合模式、代码生成和验证的工作流。对于涉及 IBM Cloud VPC、计算、网络、安全、数据库、可观测性或任何 IBM Cloud 服务部署的任务必不可少。触发关键词包括 "terraform"、"IBM Cloud"、"infrastructure"、"IaC"、"modules"、"deploy"、"provision" 或特定 IBM Cloud 服务 (VPC、VSI、OpenShift 等)。
为多种硬件后端（包括 NVIDIA、Ascend 等）安装和配置 vLLM-Plugin-FL。在搭建 vllm-plugin-fl、为特定硬件后端配置环境、安装依赖、检查依赖是否安装成功、解决运行时问题，以及启动推理以验证模型服务是否成功时使用。当用户说 "setup vllm-plugin-fl"、"install vllm-plugin-fl"、"configure FL plugin"、"set up FlagGems" 或 "set up FlagCX" 之类的话时触发。
当用户询问阿里云 AgentLoop 平台时使用本技能，内容涵盖将应用接入可观测性、使用 loongsuite-genai-utils 与 OpenTelemetry SDK 进行高代码埋点（高代码埋点、LLM Trace 字段、上下文传递与链路串联）、Live-Debug 运行时诊断、管理 Datasets、构建 pipelines 以及评估。Live-Debug 涵盖 ServiceTask 动态日志、快照、指标、span 与 JVM 检查。
针对阿里云 CDN 刷新与预热问题的只读诊断。当 URL/文件/目录的刷新或预热看似无效时使用——刷新失败、预热失败、缓存未清除或任务失败。核验任务记录与边缘节点缓存状态，并生成诊断报告；绝不提交刷新/预热任务。触发词："refresh failed"、"preload failed"、"cache not cleared"、"purge not working"、"prefetch not cached"、"warm up ineffective"、"invalidation unsuccessful"、"pre-warming failure"、"pre-fetching"。
一个开放协议，规定了 AI 应用如何以统一方式连接外部工具与数据源。客户端负责与模型对话，MCP 服务负责提供工具、资源和提示模板，两者通过标准消息通信，同一个服务可以被不同客户端复用。