6884 个 · 按相关度排序
Design AgentSpeak(L)-style BDI agents with context-guarded plans, selection functions, and intention stacks. Use for interruptible autonomy, agent policy, and multi-agent orchestration in dynamic environments. NOT for simple rule engines, static planners, or centralized workflows.
中文简介正在准备中。当前显示原文说明。
Build AI agents with LangChain v1 and LangGraph in Python. Use this skill whenever the user mentions LangChain, LangGraph, create_agent, init_chat_model, @tool, ToolRuntime, agent middleware, human-in-the-loop, structured output, MCP tools (langchain.mcp, MCPAdapter), RAG, multi-agent handoffs or subagents, checkpointers, Deep Agents (create_deep_agent) or Managed Deep Agents (mda, define_deep_agent). Also trigger for migrating from create_react_agent, LLMChain, AgentExecutor or langchain-mcp-adapters, stream_events, SummarizationMiddleware, and langchain-classic.
中文简介正在准备中。当前显示原文说明。
Use when building Hugging Face smolagents, code-executing agents, Python-action agents, Hub-shared tools, or lightweight agent prototypes that need sandboxing and provider flexibility.
中文简介正在准备中。当前显示原文说明。
Splits one big Claude task or automation into a set of focused AI Matrx agents that work on the person's own AI Matrx tables, then builds and test-runs each one. Use when the person says "split my task into agents", "turn my automation into AI Matrx agents", "make agents for my work", or after their data has moved into AI Matrx.
中文简介正在准备中。当前显示原文说明。
Agent-to-Agent (A2A) protocol implementation patterns for Google ADK - exposing agents via A2A, consuming external agents, multi-agent communication, and protocol configuration. Use when building multi-agent systems, implementing A2A protocol, exposing agents as services, consuming remote agents, configuring agent cards, or when user mentions A2A, agent-to-agent, multi-agent collaboration, remote agents, or agent orchestration.
中文简介正在准备中。当前显示原文说明。
This skill should be used when the user asks about "parallel agents", "background tasks", "run_in_background", "non-blocking agents", "check agent progress", "TaskOutput", "retrieve agent results", or discusses running multiple agents concurrently. Covers patterns for launching agents in background, monitoring progress, and retrieving results.
中文简介正在准备中。当前显示原文说明。
用于编写和审查技术文档及面向智能体、贡献者的指令文件，检查说明是否清楚、操作流程是否正确，以及多语言版本是否一致，并修复有充分依据的问题。
将相互独立的缺陷或测试失败分配给不同代理，并行调查和修复。明确各自范围与报告要求，再检查修改冲突、运行完整测试并整合结果。
在单次会话中协调承担不同任务的子智能体，推进长期目标。后台工作与用户对话同时进行，并改进共享规范、工作环境和后续任务所需的信息访问条件。
通过支持规则、中立和与规则冲突的三类指令，检验AI智能体是否遵守技能或规则，检查工具调用顺序，并生成包含各场景遵守率和调用时间线的报告。
通过 Claude DevFleet 将开发工作分配给多个 Claude Code 智能体，在独立工作目录中并行执行，并管理任务依赖、进度以及变更、测试和错误报告。
为大量实现工作由AI智能体承担的开发团队梳理计划、责任分工、评审标准和测试要求，设计以可衡量验收条件为依据的生成代码开发流程。
从中立立场解决两个智能体分别修改代码产生的Git冲突，对照双方差异和意图，记录每处冲突的取舍理由，并通过构建或测试验证合并结果。
按任务整理提供给AI智能体的规则、规范和相关代码，选择所需文件与实现示例，汇总长对话，并记录决定、验证结果和待办问题以交接到新会话。
检查已连接的Paperclip团队中的代理、项目、任务和待审批事项，汇总进行中的工作、阻碍、无法工作的代理及需要人工决策的事项，并附参考链接。
根据多个AI智能体的负载和处理能力分配任务，将待处理任务转移给空闲智能体，调整优先级与执行顺序，并结合等待时间、利用率和成本调整资源分配。
初始化多个AI智能体协作的运行配置，按任务设置连接结构、资源分配和通信方式，并通过共享内存协调进度、成果及依赖检查。
为 AI 智能体的购买设置预算、有效期和商户限制，并验证签名后授权付款。支持高额交易的多智能体审批、付款状态跟踪及支付委托撤销。
协调多个AI智能体直接通信、分散协作的网状网络，支持共同决策、按能力和负载分配任务，以及故障检测、通信路径切换和恢复安排。
为跨文件开发或审计初始化由三个及以上人工智能代理组成的团队，分配专业角色，并配置团队结构、并行执行和代理间通信。
为Claude Code创建插件基础结构，配置文件、技能、命令和智能体，并生成说明文档、设计决策记录及结构检查脚本，接入所需MCP工具。
创建能根据交互和表现调整行为的智能体，查看学习进度、效率和准确率，并支持依据反馈进行调整，以及在智能体之间共享已学知识。
使用Claude Flow为多个AI智能体分配调研、开发、测试和系统分析任务，结合并行与顺序执行，支持信息共享、进度监控、错误恢复及报告编写。
指导安装和运行用于协调多个 AI 编程代理的 Ruflo，支持任务分工、跨会话信息保存与检索、运行状态检查，以及按工作需求选择插件。