Skills
收录 99,719 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
通过 `orca` CLI 管理 Orca 管理的 worktree、文件夹上下文、终端、仓库、自动化、产物、技能共享、worktree 评论以及 Orca 内嵌浏览器。用户提到“$orca-cli”“Orca worktree”“child worktree”“spawn codex/claude in a worktree”“read/wait/send Orca terminal”“handoff”／“handover”／“give this to another agent”“Orca browser”“orca artifacts”或“share skills”时使用。涉及 Orca 状态时，优先于直接使用 git worktree、临时 PTY 或 Computer Use。仅当可见窗口需要 GUI 控制，且 CLI、文件系统或 API 无法完成时，才使用 Computer Use。
指导用户使用 Aliyun CLI 命令行工具管理阿里云资源。涵盖 CLI 安装、凭证配置、插件管理、命令构建和错误排查。当用户希望从终端操作阿里云服务时使用此 Skill — 包括 ECS（云服务器）、函数计算（无服务器）、RDS（云数据库）、OSS（对象存储）、SLS（日志服务）、VPC（专有网络）、ESS（弹性伸缩）及其他阿里云产品。当用户提到 "aliyun"、"阿里云"、"阿里云CLI"、"命令行"，询问 CLI 插件安装，遇到 Aliyun CLI 错误（InvalidAccessKeyId、SignatureDoesNotMatch、Throttling），或需要帮助构建参数语法正确的 aliyun 命令时，也可使用。
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。
对抗式多 Agent 规划技能。通过 team-mode 自我编排 5 个挑剔的类别成员（unspecified-low、unspecified-high、deep、ultrabrain、artistry），进行无情的交叉批判辩论，只提炼出站得住脚的洞见，然后强制将提炼出的洞见包交给 `plan` Agent 以形成可执行的计划。当规划需要最大严谨度，需要暴露薄弱假设、盲点和过度设计时使用。触发词：'hyperplan'、'hpp'、'/hyperplan'、'adversarial plan'、'hostile planning'、'cross-critique plan'、'하이퍼플랜'、'적대적 계획'、'교차 비평'。
为预算处于劣势的一方设计以草根为先的营销活动——包括初创公司对抗老牌企业、NGO 对抗企业传播部门、运动组织对抗国家支持的机器，以及个人品牌对抗大预算竞争者。构思品牌认知、发布、筹款、动员、社区建设、反叙事、推荐、创始人故事和联盟活动。以下表述会触发使用：“campaign plan”“marketing strategy”“ad budget”“should I advertise”“paid vs organic”“launch plan”“grassroots”“low budget marketing”“NGO campaign”“outspent”“competitor has bigger budget”“how do I compete without money”。即使没有出现“campaign”一词，任何支出不对称、自然触达骤降、CPA 上升或信任/信誉问题也会触发。用户考虑购买广告、推广帖子或聘请网红时，提示启用；他们可能即将把钱浪费在无法说服受众的渠道上。
交互体验设计的基础理论——循环、动机、手感与有意义的游玩艺术。当提到“游戏设计、核心循环、游戏手感、玩家动机、游戏机制、有意义的选择、进度系统、游戏经济、游戏平衡、游戏测试、GDD、游戏文档、趣味性、参与度、心流状态、风险与回报、玩家自主性、juice、游戏润色、8 种乐趣、Bartle 类型、MDA 框架、game-design、player-experience、core-loop、motivation、game-feel、MDA、playtesting、GDD、systems-thinking、player-psychology、engagement、flow-state”时使用。
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。
ListenHub CLI 技能路由器。根据用户意图路由到正确的技能。触发词："make a podcast"、"explainer video"、"read aloud"、"TTS"、"generate image"、"generate video"、"做播客"、"解说视频"、"朗读"、"生成图片"、"生成视频"、"幻灯片"、"slides"、"音乐"、"music"、"generate music"、"翻唱"、"cover song"、"pixverse"、"口型"、"lipsync"、"对口型"、"parse URL"、"解析链接"、"提取内容"。
使用 AssemblyAI API 或 SDK 实现语音转文本、音频转录、实时流式 STT、听写（将口述笔记整理成文本）、文本转语音（TTS、语音合成）、音频智能功能或语音 AI 时使用。用户提及 AssemblyAI、Blurt（AssemblyAI 的 Mac 听写应用）、语音 Agent、转录、听写、文本转语音、说话人分离、音频中的 PII 脱敏、用于音频理解的 LLM Gateway，或将 LLM 应用于转录文本时也适用。使用 LiveKit 或 Pipecat 构建需要语音转文本的语音 Agent 时，或处理任何可从转录中受益的音视频处理流水线时，即使未提及 AssemblyAI，也应使用。
召集结构化的 LLM 议事会——五位不同思维视角的顾问（红队、第一性原理、扩张主义者、局外人、执行者），加上匿名同行评议、对共识的强制辩论、保留异议的双主席综合，以及可选的由 Codex 驱动的决策科学环节——以对高风险决策进行压力测试。自适应模式（快速／标准／深入）可控制成本；持久日志支持跨运行学习。强制触发条件：/claude-council、「召集议事会」、「交给议事会讨论一下」、「我需要议事会」、「council this」、「pressure-test this」、「stress-test this」、「war room this」、「debate this」。强触发条件：「我在 X 和 Y 之间犹豫」、「这是个重大决定」、「帮我从多个角度理清这件事」、「我需要外部视角」、「我该选 X 还是 Y」（且确有风险——如果是答案显而易见的二选一，按第 1 步规则 4 分流拒答）。不要用于事实性问题、编程帮助、调试、快速的 yes/no 决策、情绪支持，或有唯一正确答案的问题——直接回答即可。可选后缀：「with codex」启用决策科学环节；「deep」强制深入模式；「quick」强制快速模式。次级调用：/claude-council outcome <sha1> <note> 记录决策结果。/claude-council meta 运行日志元分析。
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。