登录
下载

Skill UI

浏览并发现 15554+ 精选技能
全部 编程开发 人工智能 设计创意 产品商业 数据科学 市场营销 职场通用 效率工具 硬件工程 语言学习
搜索 AR ，共找到 965 条记录
默认排序 最新上传 最多下载

假设树自主优化系统

arbor
K-Dense-AI/scientific-agent-skills
211
Arbor提供自主优化（AO）循环，用于针对可量化目标持续迭代改进复杂的工件，例如模型、智能体或数据管道。它采用假设树精炼（HTR）方法，将研究过程结构化为持续的假设树，追踪每次实验的假设、洞察和证据。该系统特别适用于长周期的优化任务，并通过保留的测试集来防止过拟合，确保优化过程的累积性和可审计性。
查看详情

目标通过评分记忆循环求解

accint-solve
sickn33/antigravity-awesome-skills
265
本技能指导用户通过AI的评分记忆循环（scored-memory loop）来解决复杂目标。它提供了一个结构化的工作流，用于处理中间的“大脑框架”（brain_frame）结果，进行系统性的推理和持续的提案提交。适用于需要高度结构化、可追溯、多步骤决策的复杂问题解决场景。
查看详情

跨框架推理与证据评审

crossframe-review
sickn33/antigravity-awesome-skills
66
这是一个专业的高级质量门控技能，用于评审由CrossFrame框架生成的复杂、多源输出。它严格检查推理的保真度、证据边界、源锚点和结构连续性。适用于需要对逻辑严谨性和源材料完整性进行高级验证的场景，确保输出符合严格的内部协议规范。
查看详情

人工智能伦理与负责任AI审查

ai-ethics-review
mohitagw15856/pm-claude-skills
283
此技能用于对AI或机器学习模型进行结构化的伦理审查。它全面评估了模型在公平性、偏差、透明度、隐私和潜在社会影响方面的风险，提供风险等级评分、必要的缓解措施和治理文档，适用于部署前的合规性审查和负责任AI文档记录。
查看详情

多模型共识决策流程

llm-council
sickn33/antigravity-awesome-skills
425
本技能实现了LLM委员会（Council）机制，用于对复杂难题进行多角度深度分析。核心流程包括：多个LLM并行独立回答、模型之间相互排名，以及由指定主席LLM进行最终综合提炼。它能确保输出结果权威、全面，适用于需要多方视角达成共识的场景。
查看详情

具界AI代理循环设计

loop-library
sickn33/antigravity-awesome-skills
377
本技能旨在帮助用户定义、调整和设计具有边界的AI代理工作流和反馈循环。无论用户是寻找现有流程、调整既有循环，还是需要从零开始设计全新自动化任务，本工具都能提供结构化的引导。它强调设置明确的退出机制、安全护栏和可验证的步骤，确保自动化流程始终可控且目标明确。
查看详情

检测AWS CloudTrail异常行为

account-manipulation-account-linking
mukul975/Anthropic-Cybersecurity-Skills
290
该技能利用Python和boto3分析AWS CloudTrail日志，建立正常的API活动统计基线。它能检测出异常模式，如不寻常的事件源、首次API调用、地理IP偏差和高频率调用。这对于在安全事件中识别凭证泄露、权限提升和未经授权的资源访问至关重要。
查看详情

粘贴站泄露凭证监控

gather-customer-information
mukul975/Anthropic-Cybersecurity-Skills
119
本工具用于自动化监控Pastebin、GitHub Gists等粘贴站，实时检测泄露的凭证、API密钥和敏感数据。通过结合爬虫技术、关键词匹配和正则表达式，帮助用户尽早发现数据泄露事件，进行有效的安全响应。
查看详情

远程GPU作业编排与生命周期管理

remote-gpu-trainer
sickn33/antigravity-awesome-skills
480
该技能专门用于管理在租用或远程实例（如AutoDL, RunPod, v.ai等）上运行的长时间深度学习训练和推理任务。它解决了租用环境的固有难题，包括处理Spot实例抢占、断点续训、磁盘空间管理、资源异常（如OOM/NaN）以及安全的计费销毁流程，确保工作成果的可靠性和可恢复性。
查看详情

基于护栏的LLM防御系统

defending-llms-with-guardrails
mukul975/Anthropic-Cybersecurity-Skills
294
本技能详细介绍了为生产级大型语言模型（LLM）部署运行时安全防御机制。它涵盖了使用多个主流护栏系统（如Llama Guard、NeMo Guardrails和LLM Guard），用于检测和阻止对抗性攻击，包括越狱（Jailbreaks）、提示注入和有害内容。旨在为实际部署提供一套全面的、深度防御的安全策略。
查看详情

检测数据和模型投毒攻击

detecting-data-and-model-poisoning
mukul975/Anthropic-Cybersecurity-Skills
397
本技能旨在贯穿整个机器学习生命周期，检测数据投毒和模型后门攻击。它通过检查数据来源完整性、识别标签错误（使用Cleanlab），并利用激活聚类和谱特征分析（ART）来检测模型中的恶意触发器或被篡改的权重，保障ML供应链安全。
查看详情

检测间接提示注入载荷

detecting-indirect-prompt-injection
mukul975/Anthropic-Cybersecurity-Skills
429
本工具旨在检测和防御隐藏在不可信多模态内容（如网页、PDF、图片）中的提示注入攻击。它通过结合内容标准化、启发式分析和深度学习模型，扫描混淆的载荷（如隐藏CSS、元数据、零宽字符），确保大型语言模型（LLM）智能体接收的输入是经过清洗和验证的。
查看详情
上一页123...53545556575859...798081下一页
语言
简体中文
English