人工智能 Skill技能列表
技能创建器Skill skill-creator
技能创建器是一个专门用于创建、验证和转换技能的AI工具，旨在支持多代理生态系统中的自我进化。它能够从零开始生成新技能、将MCP服务器转换为标准化技能结构、从GitHub安装现有技能、验证技能定义的完整性，并自动将技能分配给相关AI代理。此工具强调自动化、标准化和安全性，包括研究门和安全审查机制，确保技能的质量和一致性。关键词包括：技能开发、AI代理创建、MCP转换、自动化工作流、生态系统集成、安全验证、多代理系统、自我进化。
会话交接Skill session-handoff
这个技能用于在AI助手会话中断或结束时，创建交接文档以捕获当前状态、进展和下一步骤，确保对话的无缝继续。关键词：会话交接、上下文管理、文档生成、AI助手、任务延续、交接文档、会话管理。
顺序思维Skill sequential-thinking
本技能用于顺序思维和结构化问题解决，通过分解复杂问题为步骤，支持修订和分支，适用于多步骤分析、规划和假设验证。关键词：顺序思维，结构化问题解决，多步骤分析，AI辅助思维，假设验证，思维工具。
UMAP降维学习Skill umap-learn
UMAP降维学习是一种用于高维数据的非线性维度降维技术，适用于数据可视化、聚类预处理和机器学习特征工程。它通过保留数据的局部和全局结构，支持监督学习、参数化UMAP和与HDBSCAN等算法的集成。关键词：UMAP、降维、可视化、机器学习、数据科学、聚类、HDBSCAN、参数调优、特征工程、维度降维。
Transformer模型库技能Skill transformers
此技能基于Hugging Face Transformers库，专为处理预训练的Transformer模型设计，覆盖自然语言处理、计算机视觉、音频和多模态任务。可用于文本生成、分类、问答、翻译、摘要、图像分类、物体检测、语音识别及模型微调。关键词：Transformer模型，NLP，计算机视觉，音频处理，多模态AI，Hugging Face，模型微调。
PyTorch几何库Skill torch-geometric
这个技能是用于开发和训练图神经网络（GNN）的Python库，基于PyTorch。它支持节点分类、图分类、链接预测、异构图处理、分子属性预测等应用，适用于社交网络分析、引用网络、3D几何数据等场景，是几何深度学习的强大工具。关键词：图神经网络、深度学习、PyTorch、GCN、GAT、GraphSAGE、节点分类、图分类、链接预测、分子属性预测、异构图。
SHAP（沙普利可加性解释）Skill shap
SHAP技能用于机器学习模型的可解释性和解释性，通过SHAP值计算特征重要性、生成各种图表（如瀑布图和蜂群图）、调试模型、分析偏差和公平性。支持树模型、深度学习模型和线性模型，是实现可解释AI的关键工具。关键词：模型解释、可解释AI、SHAP值、特征重要性、机器学习、数据可视化、偏差分析、深度学习、树模型、线性模型。
Qiskit量子计算框架Skill qiskit
Qiskit 是 IBM 的开源量子计算框架，用于构建、优化和执行量子电路，支持多种量子硬件提供商。适用于量子算法开发、量子模拟、错误缓解，并与人工智能应用集成。关键词：量子计算，Qiskit，IBM，开源框架，量子编程，AI 应用，量子模拟。
PyTorchLightningSkill pytorch-lightning
PyTorch Lightning 是一个深度学习框架，用于将 PyTorch 代码组织成模块化结构，自动化训练流程，支持多 GPU/TPU 训练、数据管理、回调机制、日志记录和分布式训练策略，以实现可扩展的神经网络训练。关键词：深度学习，PyTorch，训练自动化，多设备训练，分布式训练，神经网络，AI框架。
Pymoo多目标优化框架Skill pymoo
Pymoo是一个Python多目标优化框架，提供NSGA-II、NSGA-III、MOEA/D等先进算法，用于解决单目标和多目标优化问题，支持约束处理、基准测试（如ZDT、DTLZ）、遗传算子定制和多标准决策制定，适用于工程设计、量化金融、机器学习等领域的优化任务。关键词：多目标优化、Python框架、NSGA-II、Pareto前沿、约束处理、进化算法、工程设计、量化策略。
PyHealth医疗AI工具包Skill pyhealth
PyHealth医疗AI工具包是一个全面的Python库，用于医疗保健人工智能，提供工具、模型和数据集，支持临床预测任务如死亡率、再入院和药物推荐，并处理电子健康记录、医疗编码和生理信号。关键词：医疗AI、临床数据分析、机器学习模型、EHR处理、医疗编码。
PufferLib高性能强化学习框架Skill pufferlib
PufferLib 是一个高性能强化学习框架，专为加速机器学习实验而设计，支持快速并行训练、向量化环境模拟和多智能体系统开发。它能集成多种游戏环境如Atari、Procgen和PettingZoo，通过优化实现高达2-10倍的速度提升。适用于AI智能体、深度学习、强化学习、机器学习、游戏AI和高速实验等场景。关键词：PufferLib、强化学习、高性能、并行训练、向量化、多智能体、AI智能体、机器学习、深度学习、游戏AI。