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。
开发
使用最新文档构建、审查、调试、配置、迁移或规划 Storybook 10 UI workshop。适用于 storybook、create storybook、CSF3、CSF Next、Meta、StoryObj、definePreview、preview.meta、args、argTypes、decorators、parameters、tags、autodocs、play functions、storybook/test、@storybook/react-vite、@storybook/nextjs-vite、@storybook/addon-docs、@storybook/addon-a11y、@storybook/addon-vitest、portable stories、composeStories、main.ts、preview.ts、ESM 配置、Chromatic、@storybook/addon-mcp、componentsManifest、storybook skills/tools agent CLI，以及从 Storybook 8/9 升级（当前为 10.6.x）。
全面介绍如何实现 Syncfusion EJ2 JavaScript Notification 组件，包括 Message、Skeleton 和 Toast。适用于显示带有严重程度指示（Normal、Success、Info、Warning、Error）和展示样式（Text、Outlined、Filled）的上下文消息；创建具有不同形状（Circle、Square、Rectangle、Text）和闪烁效果（Wave、Pulse、Fade）的动画加载占位符；配置带定位、动画、模板和关闭模式的 Toast 通知；或自定义通知外观和无障碍支持。
强制采用可移植的 TanStack Start 应用架构：文件路由树、带 index.tsx 的页面文件夹、路由同置（-components/-hooks/-lib）、以复用为前提的 src/modules、命名和导入边界。在搭建 Start 应用或功能、添加页面/布局、审查或重组路由/模块布局时使用，或当用户要求 tanstack-start-architecture / Start 房屋风格时使用。可选的 with-* 叠加层，用于生成的 OpenAPI 客户端、Better Auth 客户端、TanStack Query、路由门禁、TanStack Form、env、客户端授权、UI 包、Effect 和 Vitest。
在 NGC PyTorch 容器内的本地 NVIDIA GPU 上微调任意 HuggingFace CV / VLM / LLM 模型。当用户希望微调 HuggingFace 模型（全量或 LoRA）、端到端训练视觉 / VLM / LLM 模型、生成可复现的 HF 训练流水线、在扩规模前于本地冒烟测试 HuggingFace 模型、将微调后的模型连同模型卡推送到 HF Hub，或为现有 HuggingFace 微调输出可独立重跑的技能时使用。支持图像分类、目标检测、语义 / 实例 / 全景分割、深度估计、图像-文本到文本的 VLM（SFT / LoRA）以及 LLM 的 SFT / DPO / GRPO。六步工作流：检查与资格判定、硬件与 NGC 镜像、调研、生成与冒烟、训练 + 评估 + 推理、推送并输出重跑技能。
将 HuggingFace 计算机视觉模型集成到 NVIDIA TAO Toolkit 生态系统中（tao-core 配置、tao-pytorch 训练器、tao-deploy TensorRT 流程）。适用于用户要求“将 HuggingFace 模型集成到 TAO”“向 TAO Toolkit 添加 HF 模型”“将 HuggingFace ViT/DETR/ SegFormer 接入 tao-pytorch”“为 HF CV 模型构建 TAO 训练器和部署流程”，或粘贴 HuggingFace 模型 URL/ID 并希望将其转换为 TAO 模型的情况。涵盖完整的 7 个阶段：前置条件检查、HuggingFace 检查与验证、代码库探索、tao-core 配置和原生训练器实现、ONNX 导出及 TensorRT 部署集成、打包和 L0 测试、基于容器的端到端验证，以及（有条件的）准确率／延迟调优。支持分类、目标检测、语义／实例／全景分割、零样本检测和深度估计。
运行规范的 NVIDIA AOI 三阶段训练流水线——阶段 1 AutoML 基线（HPO），阶段 2 DEFT 循环（RCA → SDG → 挖掘 → plain-train 重训），阶段 3 在 DEFT 增强数据集上进行 AutoML 精调。这是任何“运行 AOI 工作流”“端到端微调我的 PCB AOI 模型”“改进我的 AOI ChangeNet 模型”或“带 AutoML 的 AOI 工作流”请求的默认入口——除非用户明确要求仅使用 DEFT 循环（例如“只运行 DEFT 循环”“跳过 AutoML，只做 DEFT”），否则应路由到此处而非直接使用 tao-run-deft-aoi。也处理非 AOI DEFT 应用的相同三阶段模式——AutoML 基线，然后从 AutoML 获胜超参热启动 DEFT 循环，再在迭代增强数据集上进行 DEFT 后 AutoML 精调。触发短语包括“运行 AOI 工作流”“AOI 端到端”“AutoML + DEFT”“先 AutoML 再 DEFT”“先调超参再 DEFT”“两端都是 AutoML 的 DEFT”“热启动 DEFT”“改进我的 AOI 模型”。
TeamLead 编排——当 Human 需要对产品代码、测试、配置、基础设施、功能、缺陷修复、重构，或行为/UI/API 变更进行协调式实现/委派时使用。对于只读检查/状态/解释/轻量摘要/不改动审查/研究，无需触发，除非 Human 明确要求 TeamLead 编排或委派确实有益。创建或修改行为的工作必须通过 Research Gate（分类后立即 spawn 研究 Agent），并始终先调用 `superpowers:brainstorming`，然后 Lead 才在委派前进行 Spec/Plan gate；禁止 Lead 自己编写产品代码。每次 spawn 都必须选择 spawn 模式（one-shot Agent 还是 teammate），并按 Model Policy 指定模型（Fable 仅用于思考/规划类工作，Dev/QA/research 使用 Opus）。执行按 Commit Plan 分批进行，测试按 fast/heavy 策略运行（完整套件 + E2E 仅在最后运行一次），Human checkpoint 仅 3 处，每个 prompt 都包含仓库的 Convention Anchor。
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。