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 Pydantic Logfire 监控主机、Docker 容器、Kubernetes 集群、数据库/队列/缓存服务器以及云服务商指标，无需修改应用代码。用户要求“监控我的主机/服务器/VM”“监控我的 Docker 容器”“监控我的 Kubernetes 集群”“将基础设施指标发送到 Logfire”“监控我的数据库/Postgres/Redis/MongoDB/Kafka”“收集云指标”（AWS/GCP），或在 Logfire 语境中提到 OpenTelemetry Collector 时使用。本技能仅用于基础设施；如需为应用代码（追踪、日志、AI/Agent spans）添加遥测，请改用 logfire-instrumentation 技能。
Catalyst Job Scheduling——作业池、即时/后台作业，以及执行 Job 函数、Webhooks、Circuits、AppSail 的 cron（Periodic、OneTime、Calendar、CronExpression）。在出现 'job scheduling'、'job pool'、'jobpool_id'、'submit a job'、'immediate job'、'cron job'、'scheduled function'、'submitJob'、'createCron'、'retry_interval'、'time_of_execution'，或错误 'not a job function'、'job_name must contain only alphanumeric' 时触发。替代已弃用的 Cron。
将用于 Python 的 SAP Cloud SDK for AI（sap-ai-sdk-gen，原名 generative-ai-hub-sdk）集成到 Python 应用中。适用于基于 SAP AI Core、Generative AI Hub 或 Orchestration Service 构建 Python 应用：聊天补全、嵌入、流式输出、LangChain 集成、模板化、内容过滤、数据脱敏和文档依据。通过 SAP BTP 支持 OpenAI GPT 模型、Llama、Gemini、Amazon Nova 等基础模型。
1. 创建华为云 Skill 的六阶段流水线——苏格拉底式需求收集、CLI→SDK→API 调研、MD 生成、测试准备、详细测试，以及最终的清理与合规检查 2. 阶段链式依赖：每个阶段都基于上一阶段的产出，任何阶段都不可跳过 3. 支持 CLI、SDK 和 REST API 三种执行模式，并自动检测回退方案 4. 生成完整的 Skill 目录结构，包含 SKILL.md、references/、scripts/、templates/ 5. 依据华为云Skill检查规范进行校验 触发词包括："创建华为云Skill"、"新建华为云Skill"、"华为云skill创建器"、"创建 Skill"、"新建 Skill"、"skill 创建器"、"create skill"、"build skill"、"new skill"、"skill creator"、"scaffold a Huawei Cloud skill"、"wrap CLI or OpenAPI into a skill"、"package cloud operations into a skill"、"帮我创建华为云Skill"、"帮我新建一个Skill"、"封装华为云CLI为Skill"、"华为云Skill脚手架"、"帮我创建一个skill"、"我需要一个skill"、"建一个skill"、"生成skill"、"帮我建一个华为云skill"。
创建 SageMaker 端点（实时、实时缩容至零或异步），默认启用自动扩缩容、CloudWatch 告警和标签。只要准备创建 SageMaker 端点、编写调用 `create_endpoint` 的部署代码，或在镜像 URI 和 IAM 角色确定后收尾部署，就应使用此技能。为实时端点提供 deploy.py，为通过推理组件缩容至零实例的实时端点提供 deploy_ic.py，为异步端点（同样可缩容至零）提供 deploy_async.py。这是 SageMaker 部署工作流的最后一步。绝不要在缺少这些默认配置的情况下生成裸的 `create_endpoint` 调用——没有自动扩缩容或告警的端点只是演示，不是部署。
为 SageMaker / AWS 相关工作搭建隔离的 Python 环境，配置正确的 Python 版本和最新的 boto3。只要 Python 代码将用于 SageMaker 部署、训练任务或任何 AWS 自动化，都应使用此技能——包括即将执行 `pip install`、即将调用 boto3、创建或激活 virtualenv，或用户要求“set up the environment”时。绝不使用系统 Python，也绝不向其中 `pip install`。始终保持隔离。该技能可避免最常见的失败模式：Python 版本错误、依赖冲突和 SDK 过期。
当用户想设置 lint、配置编辑后的自动检查、创建部署清单、设置推送前检查、配置 CI 流水线、添加质量门禁、设置类型检查钩子、启用编辑后验证，或自动验证代码更改时使用此技能。触发短语包括：“set up linting”“auto check after edits”“deploy checklist”“pre-push checks”“CI pipeline”“quality gates”“hook for typecheck”“post-edit validation”“auto-validate”。
本技能用于将静态网站以 SFTP 方式部署到生产服务器，包括把项目从 Docker/Express 转换为静态托管、部署 Vue/React/Angular 构建产物、发布 Slidev 演示文稿，或配置 Hugo/Jekyll/Gatsby 站点。当用户要求“setup SFTP deployment”、“deploy static site to server”、“configure Nginx for static files”、“convert from Docker to static hosting”、“deploy Vue build to production”、“setup subdomain hosting”或“configure SFTP in VS Code”时使用。提供 SFTP 配置模板，以及带安全响应头与缓存配置、可直接用于生产的 Nginx 配置。
调试 OpenShell 网关部署状态不健康、无法访问或无法创建沙箱的原因。适用于网关健康状态故障、Docker/Podman 运行时问题、Helm 故障、Kubernetes 调度、TLS 或身份验证、网关拦截器、supervisor 中间件启动或运行时故障、外部计算驱动套接字、VM 驱动或沙箱启动问题。触发关键词：debug gateway、gateway failing、deployment failing、helm install failing、cluster health、gateway health、gateway not starting、health check failed、sandbox pending、docker driver、podman driver、kubernetes driver、external driver、compute driver socket、gateway interceptor、supervisor middleware、middleware failed、vm driver。
规划并协调将模型部署到 Amazon SageMaker AI。只要用户希望在 SageMaker 或 AWS 上部署、托管、提供服务或开放某个模型，就应使用此技能，包括“部署一个模型”“在 AWS 上托管这个 LLM”“提供这个 embedding 模型的服务”“部署 reranker”“部署文生图 / diffusion 模型”“为此进行异步推理托管”“创建 endpoint”“提供我的微调模型的服务”等说法，或任何涉及在 AWS 上让模型可用于推理的请求。即使用户表述模糊（例如“我只想让它在 AWS 上跑起来，你来想办法”）也使用此技能。适用于文本生成 LLM、embedding 模型、reranker、分类器、文生图 / diffusion 模型——会选择合适的 serving stack，并在实时推理和异步推理之间做出选择。这是 SageMaker 部署工作的入口技能——它会提出澄清问题、选择部署路径，并协调其他部署技能。
为 SageMaker 模型部署选择合适的 serving 容器，并查找其当前的 image URI。只要准备把模型部署到 SageMaker endpoint、需要选择 image URI 时，就应使用此技能，包括用户说“部署这个 LLM”“托管这个 HuggingFace 模型”“提供这个微调模型的服务”“部署这个 embedding 模型”“托管 reranker”“提供 sentence-transformers 模型的服务”，或准备在部署代码中硬编码任何容器 URI 的情况。始终优先使用 HuggingFace 维护的 Deep Learning Containers：HuggingFace vLLM（LLM 和生成式 reranker）、HuggingFace vLLM-Omni（多模态）、TEI（embedding / cross-encoder reranker）、HF Inference Toolkit（其他 transformers）。只有在没有兼容的 HuggingFace 镜像时才使用通用镜像（AWS vLLM、DJL-LMI、SGLang）——绝不因为版本更新就选用它们。绝不凭记忆硬编码容器 URI，也绝不默认使用 TGI。可避免镜像过期导致的失败和区域错误的 URI。
阿里云 RAM 权限诊断与修复助手。当 Agent 在操作阿里云资源时遇到任何权限相关错误（403、NoPermission、Forbidden、AccessDenied、InvalidSecurityToken 等），或用户描述阿里云 RAM 权限问题时，请立即使用此技能。不要等待用户明确要求 —— 一旦出现权限错误就主动开始诊断流程。同样适用于：开发者编写阿里云 SDK 代码时遇到权限问题、用户询问如何为某项操作配置最小权限，或用户想了解当前身份缺少哪些权限。
在部署或训练之前，确保存在可用的 SageMaker 执行角色。每当即将创建 SageMaker 端点、模型、训练作业或任何需要执行角色的资源时，使用这个 skill。尤其当用户没有明确提供角色 ARN、脚本即将调用 `iam:CreateRole`，或 AccessDenied 错误提到 IAM 操作时使用。绝不盲目调用 `iam:CreateRole`——一定要先检查现有角色。这个 skill 可防止最常见的 SageMaker 部署失败：尝试从没有 IAM 写权限的 SSO 主体创建 IAM 资源。
面向已埋点 ml_app 的端到端 Agent 可观测性流水线：分类生产 trace、定位失败根因、引导创建评估器，然后（可选）采样并发布数据集、生成并运行实验、分析结果。共六个带解说的阶段，每个阶段之间都有标准化的横幅提示和“继续”检查点。完全基于 agent-observability 子技能（`agent-observability-session-classify`、`agent-observability-trace-rca`、`agent-observability-eval-bootstrap`、`agent-observability-experiment-bootstrap`、`agent-observability-experiment-analyzer`）进行编排。当用户说“run the eval pipeline”、“go from traces to evals”、“bootstrap evals end to end”、“classify then RCA then bootstrap”、“build an eval set from scratch”、“onboard me to datasets and experiments”、“walk me through experiments”、“I have an ml_app, now what”、“Agent Observability onboarding”、“guided experiment setup”、“from traces to experiments”，或希望从生产数据经由评估器、数据集到实验获得确定性且带解说的完整体验时使用。可用 `--stop-after <phase>` 在评估器或数据集阶段提前中止以缩短流程，也可用 `--start-at <phase>` 从中途恢复。
华为云技能的端到端功能测试框架——三级流水线，覆盖单技能单元测试、多技能编排和端到端全流程测试。每个阶段都会输出带链路校验的结构化 JSON。支持技能安装验证、功能分析、CLI→SDK→API 可行性研究、测试用例生成、含资源生命周期的真实环境执行、资源清理、多技能场景编排、触发冲突检测以及汇总报告。触发词包括：测试技能, 执行技能测试, 跑测试流程, 技能回归测试, skill test, run skill tests, test huawei cloud skill, verify skill, 测试华为云skill, 全流程测试, 编排测试, 技能完整性检查, skill-tester, 跑测试, 回归测试, 组合测试, 多skill编排, verification, e2e.
根据通俗语言描述的需求和可选的 REST API 文档生成沙箱安全策略。生成 L4 或细粒度 L7 网络策略，以及有序的网络中间件配置。适用于 API 访问规则、中间件主机选择、故障行为，或附加内置及由操作员运行的中间件。触发关键词：generate policy、create policy、update policy、change policy、sandbox policy、network policy、API policy、security policy、allow API、restrict API、network middleware、supervisor middleware。
并排比较两个 Salesforce 组织并生成包含差异分数的比较报告，或分析单个组织，生成涵盖元数据组件、组织权限、系统权限、配置档案、已安装软件包、许可证和组织限制的清单。当用户想比较组织、对组织做差异比较、审计配置差异、查找两个环境之间的变更、比较沙盒与生产环境，或分析单个组织时使用此技能。触发短语包括：“compare orgs”、“compare these 2 orgs”、“compare my orgs”、“diff orgs”、“org diff”、“what is different between these orgs”、“compare metadata”、“org comparison”、“audit org differences”、“compare sandbox to production”、“introspect org”、“org inventory”、“what is in my org”、“analyze org”、“org analysis”、“analyze my org”、“analyze my Salesforce org”。不要用于检索元数据（使用 platform-metadata-retrieve）、部署元数据（使用 platform-metadata-deploy）或切换组织（使用 dx-org-switch）。
提供 Dynatrace OneAgent 在 VM／服务器、Kubernetes（Operator + DynaKube）、AWS Lambda（layer + 环境变量，还可选择配置新的函数）、Windows 主机、通过 SSH 连接的远程 Linux 主机／EC2 实例以及 Azure VM／VM Scale Sets 上的安装、卸载或创建并安装的参考知识。返回文档中列出的端点、环境变量、令牌作用域和可直接复制粘贴的命令。提供应执行的确切命令，而不会代为执行。适用于用户询问如何安装或卸载 OneAgent，或提出“如何……”“需要什么 URL／作用域／变量……”，或“说明 X 的 OneAgent 部署”等问题。
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。