Skills
收录 101,174 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。
全部
为 Figma 组件生成完整的 Markdown 文档——结构/图层树、设计令牌（颜色、间距、排版）、状态/变体矩阵、无障碍说明、内容指南，以及可选的代码一致性 + YAML frontmatter。当用户想要为某个组件或组件集制作文档页或交接规格时使用。触发词：'为这个组件写文档'、'生成组件文档/规格'、'为 Button 创建文档页'、'写出结构和变体'、'从 Figma 生成组件交接文档'、'把这个组件转成 Markdown 文档'。读取节点树、绑定的变量/令牌和设计师标注，然后由 Agent 组装 Markdown。需要 Figma Desktop 应用（Plugin API）。
通过 gget 命令行工具和 Python 包查询 20 多个生物信息学数据库及分析服务，涵盖 Ensembl 基因搜索、信息和序列（ref、search、info、seq）、BLAST、BLAT、MUSCLE、DIAMOND、PDB、AlphaFold、ELM、ARCHS4、CELLxGENE、Enrichr、Bgee、OpenTargets、cBioPortal、COSMIC、病毒序列下载（virus），以及 8cube 小鼠特异性和表达数据。适用于查询基因或转录本详情、快速运行 BLAST/BLAT 搜索、获取 AlphaFold 或 PDB 结构、对基因列表进行富集分析、筛选并下载病毒序列，或交互式探索疾病与药物关联。不适用于批处理或精细控制 BLAST（请使用 biopython），也不适用于多数据库 Python 工作流（请使用 bioservices）。
通过 AutoGPTQ 和 transformers，使用分组量化（默认组大小为 128）将 LLM 量化为 4 位（也支持 3 位），采用 GPTQ。涵盖加载预量化 GPTQ 模型、量化自有模型、选择组大小、选用 ExLlamaV2、Marlin 或 Triton 内核，以及使用 PEFT 进行 QLoRA 微调。适用于将 70B 级模型部署到受限或消费级 GPU、相比 FP16 将内存占用降低约 4 倍、加快推理、在 HuggingFace 查找预量化检查点，或使用 LoRA 微调量化模型。较新的 GPU 上若需略高精度，请改用 AWQ；简单的 8 位或即时量化则使用 bitsandbytes。
介绍如何使用 TRL 库对语言模型进行 GRPO（Group Relative Policy Optimization）微调，包括 GRPOTrainer 配置、组合多个奖励函数（正确性、格式、长度、风格）、准备聊天格式的数据集、设置 Unsloth、合并 LoRA，以及监控 reward、reward_std 和 KL。适用于训练模型遵循 XML 或 JSON 等严格输出格式；通过客观正确性奖励训练数学或代码等可验证任务；使用自定义奖励函数改进思维链推理；或排查 GRPO 运行中的奖励平坦、模式崩塌或 OOM。纯监督微调请勿使用（使用 SFT）；存在高质量偏好对时也请勿使用（使用 DPO 或 PPO）。
将当前线上 GTM 容器与 gtm-implementation-log.json 中的上次已知状态进行比较。显示自上次运行该 skill 以来新增、删除或修改了哪些 tag、trigger 和 variable。只读，不做任何更改。避免意外覆盖手动 GTM 更改。触发词——"what changed in GTM"、"gtm diff"、"check for manual changes"、"gtm drift"、"what's different in my container"、"has anything changed"。
使用 Guidance (Microsoft Research) 在生成时约束 LLM 输出，支持正则表达式、select() 选项、上下文无关文法、token 修复和 @guidance 函数，并支持 Anthropic、OpenAI、Transformers 和 llama.cpp 后端。需要生成文本符合正则表达式或日期、电子邮件、ID 等固定格式时使用。需要模型保证生成有效的 JSON、XML 或代码时使用。构建多步生成工作流或使用 Python 控制流的 ReAct 风格 Agent 时使用。使用 select() 将文本分类到固定类别时使用。在本地运行模型并需要文法约束时使用。不适用于带自动重试的 Pydantic 验证；该场景请使用 Instructor。
Harness Engineering 第二阶段：建立跨 session 状态管理，解决 agent 每次对话失忆的问题。 创建 tasks.json（任务清单）、progress.md（进度记录）、init.sh（环境初始化脚本）三个文件。 当用户说"建立任务管理"、"让 agent 记住进度"、"创建 tasks.json"、"跨 session 保持状态"、 "agent 每次都不记得上次做了什么"、"建立 progress 文件"、"初始化状态管理"时，立即使用此 skill。 前置条件：harness-step1 和 harness-step2 已完成（项目有 AGENTS.md 和 docs/ 知识库）。
使用 HuggingFace Accelerate（Accelerator 类、accelerate config、accelerate launch）封装现有的 PyTorch 训练脚本，使同一份代码可在 CPU、单 GPU、多 GPU、多节点、TPU 或 Apple MPS 上运行。涵盖设备放置、FP16/BF16/FP8 混合精度、梯度累积、分布式检查点，以及在 DDP、DeepSpeed ZeRO、FSDP 和 Megatron 后端之间切换。适用于将单 GPU 脚本转换为多 GPU、启用混合精度、配置 DeepSpeed ZeRO 或 FSDP，或设置梯度累积；也适用于需要让同一脚本在不同硬件上运行的情况。不适用于大量使用回调的训练循环（使用 PyTorch Lightning），也不适用于带超参数调优的多节点编排（使用 Ray Train）。
跨 REST、GraphQL、gRPC 和 tRPC 模式的 API 设计与实现。适用于构建后端服务、公开 API 或服务间通信。涵盖 REST 框架（FastAPI、Axum、Gin、Hono）、GraphQL 库（Strawberry、async-graphql、gqlgen、Pothos）、gRPC（Tonic、Connect-Go）、面向 TypeScript 的 tRPC、分页策略（基于游标、基于偏移量）、限流、缓存、版本管理以及 OpenAPI 文档生成。包含面向表单、表格、仪表盘和 ai-chat 技能的前端集成模式。
使用 Instructor Python 库和 Pydantic 响应模型，从 LLM 响应中提取结构化且经过验证的数据，包括嵌套模型、枚举、自定义验证器、根据验证错误反馈自动重试，以及流式输出部分对象或可迭代对象。支持 Anthropic、OpenAI 和本地 Ollama 模型。适用于从自由文本中提取带类型的字段或实体、将文本分类到固定类别、要求 LLM 返回通过模式验证的 JSON、提取失败时自动重试，或流式获取部分结构化结果。不可用于提示词优化（使用 DSPy）或构建多步骤链（使用 LangChain）。
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。