apifox-mock-script-gen
|
cli-creator
创建生产级 Node.js CLI 工具的完整解决方案,包含 15+ 个优化点和 104KB 专业模板。当用户需要构建命令行工具时使用:(1)创建新的 CLI 项目,(2)选择合适的框架和依赖,(3)实现完整 CLI 功能(配置管理、进度条、版本检查、输出格式化等),(4)配置测试和打包,(5)应用最佳实践(POSIX 兼容、TTY/CI 检测、错误处理、Shell 补全)
doc-learner
智能文档学习和内容模仿技能。当需要：(1) 分析和学习优秀文档的结构、风格和写作模式，(2) 从文档中提炼关键要素和模板，(3) 基于学习内容生成模仿材料，或 (4) 创建新的提示词或技术文档时使用此技能。支持提示词工程、技术文档、API文档、用户手册等多种文档类型的学习和模仿。
hook-creator
创建和配置 Claude Code 钩子以自定义代理行为。当用户需要以下操作时使用：(1) 创建新钩子，(2) 配置自动格式化、日志记录或通知，(3) 添加文件保护或自定义权限，(4) 设置工具执行前后的操作，(5) 询问钩子事件如 PreToolUse、PostToolUse、Notification 等。
mcp-builder
指南：创建高质量的 MCP（模型上下文协议）服务器，使 LLM 能够通过精心设计的工具与外部服务交互。在构建 MCP 服务器以集成外部 API 或服务时使用，无论是 Python（FastMCP）还是 Node/TypeScript（MCP SDK）。
plugin-creator
将用户提供的 skills、agents、commands、hooks、MCP 配置等组件整理打包成标准 Claude Code 插件。当用户需要：(1) 将现有技能/代理转换为可分发插件，(2) 组织多个组件为统一插件结构，(3) 创建符合插件规范的项目，(4) 从独立配置迁移到插件格式时使用。
prompt-engineering-patterns
掌握高级提示工程技术，以最大化生产环境中LLM的性能、可靠性和可控性。在优化提示、改进LLM输出或设计生产提示模板时使用。
semantic-compressor
|
skill-creator
创建有效技能的指南。当用户想要创建新技能（或更新现有技能）来扩展Claude在专门知识、工作流程或工具集成方面的能力时，应该使用此技能。
deepagents-skills
在 Deep Agents 中创建和使用自定义技能，实现渐进式披露、SKILL.md 格式和 Agent Skills 协议。
subagent-creator
创建具有自定义系统提示和工具配置的专业化 Claude Code 子代理。当用户要求创建新的子代理、自定义代理、专业助手，或为 Claude Code 配置特定任务的 AI 工作流时使用。
agent-browser
AI 代理的浏览器自动化 CLI 工具。当用户需要与网站交互时使用，包括导航页面、填写表单、点击按钮、截图、提取数据、测试 Web 应用或自动化任何浏览器任务。触发场景包括"打开网站"、"填写表单"、"点击按钮"、"截图"、"从页面抓取数据"、"测试这个 Web 应用"、"登录网站"、"自动化浏览器操作"或任何需要编程式 Web 交互的任务。
changelog
基于 git commits 自动生成 CHANGELOG.md 变更日志。支持语义化版本、分类整理、多格式输出。触发场景包括"生成变更日志"、"更新 CHANGELOG"、"版本记录"。
cli-developer
构建CLI工具、实现参数解析或添加交互式提示时使用。用于CLI设计、参数解析、交互式提示、进度指示器、Shell自动补全。
code-fragment-extractor
仔细彻底阅读探索用户提供的代码目录/文件，分析拆解出对应的代码片段以供参考，颗粒度细到功能级别，只做片段提取不改变代码内容和页面布局结构，提取到./fragment-extractor目录下，按照指定模板格式生成代码片段模板文件，确保功能完整性和代码片段的实际性。
component-docs-batcher
批量生成和维护前端组件库文档的自动化工具。专为 Monorepo 组件库设计（如 atom-ui-mobile），通过对比组件文件和文档的修改时间，自动生成任务清单并批量生成符合规范的完整组件文档。支持以下场景：(1) 定期批量更新组件文档，(2) 单个组件文档维护，(3) 新组件文档初始化。自动识别主要组件文件，跳过 index.ts、store、hooks 等辅助文件，文档路径为组件目录下的 index.zh-CN.md。
doc-coauthoring
引导用户通过结构化的工作流协作编写文档。当用户想要编写文档、提案、技术规范、决策文档或类似的结构化内容时使用。此工作流帮助用户高效地传递上下文、通过迭代优化内容,并验证文档是否适合读者阅读。当用户提到编写文档、创建提案、起草规范或类似文档任务时触发。
docx
当用户想要创建、读取、编辑或操作 Word 文档（.docx 文件）时使用此技能。触发条件包括：任何提到 'Word doc'、'word document'、'.docx' 的内容，或要求生成带有目录、标题、页码或信头的专业文档的请求。也用于从 .docx 文件中提取或重组内容、在文档中插入或替换图片、在 Word 文件中执行查找和替换、处理修订追踪或批注，或将内容转换为精美的 Word 文档。如果用户要求将 '报告'、'备忘录'、'信函'、'模板' 或类似交付物作为 Word 或 .docx 文件，请使用此技能。不适用于 PDF、电子表格、Google Docs 或与文档生成无关的一般编码任务。
Humanizer
|
deepagents-cli
使用 Deep Agents CLI - 终端界面、持久化内存（AGENTS.md）、项目约定、技能目录和 CLI 命令。
deepagents-filesystem
使用 FilesystemMiddleware 实现虚拟文件系统、后端（State、Store、Filesystem、Composite）和 Deep Agents 的上下文管理。
deepagents-hitl
在 Deep Agents 中实现人工审批工作流，使用 interruptOn 参数对敏感工具操作进行人工干预。
deepagents-memory
在 Deep Agents 中实现长期内存，使用 StoreBackend、CompositeBackend 和 InMemoryStore 进行跨会话的持久化数据存储。
deepagents-overview
理解 Deep Agents 框架 - 它们是什么、如何使用 createDeepAgent 创建，以及 agent harness 架构，包括内置的规划、文件系统和子代理中间件。
deepagents-subagents
在 Deep Agents 中使用 SubAgentMiddleware 启动子代理进行任务委托、上下文隔离和专门工作。
deepagents-todolist
Using TodoListMiddleware for task planning and tracking progress with the write_todos tool in Deep Agents for complex multi-step workflows.
langchain-agents
Create and use LangChain agents with createAgent - includes agent loops, ReAct pattern, tool execution, and state management
langchain-human-in-the-loop
Add human oversight to LangChain agents using HITL middleware - includes interrupts, approval workflows, edit/reject decisions, and checkpoints
langchain-chat-models
使用 LangChain 中的聊天模型集成指南，包括 OpenAI、Anthropic、Google、Azure 和 Bedrock
langchain-document-loaders
使用 LangChain 中的文档加载器集成指南，用于处理 PDF、网页、文本文件和 API
langchain-embeddings
使用 LangChain 中的嵌入模型集成指南，包括 OpenAI、Azure 和本地嵌入
langchain-text-splitters
使用 LangChain 中的文本分割器集成指南，包括递归、字符和语义分割器
langchain-tools
LangChain 工具集成使用指南，包括预构建工具包、Tavily、Wikipedia 和自定义工具
langchain-vector-stores
LangChain 向量存储集成使用指南，包括 Chroma、Pinecone、FAISS 和内存向量存储
langchain-models
Initialize and use LangChain chat models - includes provider selection (OpenAI, Anthropic, Google), model configuration, and invocation patterns
langchain-multimodal
Work with multimodal inputs/outputs in LangChain - includes images, audio, video, content blocks, and vision capabilities
langchain-rag
Build Retrieval Augmented Generation (RAG) systems with LangChain - includes embeddings, vector stores, retrievers, document loaders, and text splitting
langchain-streaming
Stream outputs from LangChain agents and models - includes stream modes, token streaming, progress updates, and real-time feedback
langchain-structured-output
使用 Zod 模式、类型安全响应和自动验证从 LangChain 代理和模型获取结构化的验证输出
langchain-tool-calling
聊天模型如何调用工具 - 包括 bindTools、工具选择策略、并行工具调用和工具消息处理
langgraph-graph-api
使用 StateGraph、节点、边、START/END 节点和 Command API 构建图，结合控制流与状态更新
langgraph-interrupts
人机交互与动态中断和断点：暂停执行以供人工审查和使用 Command 恢复
langgraph-memory
LangGraph 中的内存：短期（线程范围）vs 长期（跨线程）内存，使用检查点器和存储
langgraph-overview
理解 LangGraph：用于构建有状态、长期运行 Agent 的低级编排框架，具有持久执行、流式传输和人机交互能力
langgraph-persistence
在 LangGraph 中实现持久化和检查点：保存状态、恢复执行、线程 ID 和检查点器库
langgraph-state
在 LangGraph 中管理状态：模式、reducer、通道和消息传递，用于协调 Agent 执行
langgraph-streaming
从 LangGraph 流式传输实时更新：流式模式（values、updates、messages、custom、debug）用于响应式 UX
langgraph-workflows
理解工作流 vs Agent、预定义 vs 动态模式，以及使用 Send API 的编排器-工作器模式
mac-maintenance-cleanup
macOS 系统深度清理和优化工作流。当用户需要以下操作时使用：(1) 清理系统缓存、日志和临时文件，(2) 卸载应用及其残留文件，(3) 分析磁盘空间使用情况，(4) 清理开发项目构建产物，(5) 系统优化和性能提升，(6) 任何关于 Mac 清理和维护的请求。提供交互式菜单、智能诊断和混合模式（指导+自动执行）。
macos-cleaner
分析并通过智能清理建议回收 macOS 磁盘空间。当用户报告磁盘空间问题、需要清理 Mac 或想了解什么占用了存储空间时，应使用此技能。专注于安全的交互式分析，在执行任何删除操作前需要用户确认。
Page 1 of 2 · 61 results