Agent Skills 目录

为用户的代码库生成自定义设计系统规则。当用户说"创建设计系统规则"、"为我的项目生成规则"、"设置设计规则"、"自定义设计系统指南"，或想为 Figma 转代码工作流建立项目专属约定时使用。需要连接 Figma MCP 服务器。

创建新的空白 Figma 文件。当用户想创建新的 Figma 设计或 FigJam 文件时使用，或者在调用 use_figma 之前需要新文件时使用。如需要可通过 whoami 解析套餐。用法 — /figma-create-new-file [editorType] [fileName]（例如 /figma-create-new-file figjam My Whiteboard）

当任务涉及将应用的页面、视图或多区域布局转化为 Figma 时，将此技能与 figma-use 配合使用。触发词：'写入 Figma'、'从代码在 Figma 中创建'、'把页面推送到 Figma'、'把这个应用/页面在 Figma 中搭建出来'、'创建一个屏幕'、'在 Figma 中构建落地页'、'更新 Figma 屏幕以匹配代码'。当用户想根据代码或描述在 Figma 中构建或更新完整页面、屏幕或视图时，这是首选的工作流技能。通过 search_design_system 发现设计系统组件、变量和样式，导入它们并进

基于代码库在 Figma 中构建或更新专业级设计系统。当用户想创建变量/token、构建组件库、设置主题（浅色/深色模式）、记录设计基础，或弥合代码与 Figma 之间的差距时使用。此技能教授构建什么以及按什么顺序构建——它与 `figma-use` 技能互补，后者教授如何调用 Plugin API。两个技能应一起加载。

使用 Skill Seekers 自动检测源类型并构建 AI 技能。当用户想从文档、代码仓库、PDF、视频或其他知识来源创建技能时使用。

使用 Skill Seekers 自动检测源类型并构建 AI 技能。当用户想从文档、代码仓库、PDF、视频或其他知识来源创建技能时使用。

测试 golden_chat 黄金构建时使用

测试 golden_chat_empty 黄金构建时使用

测试 golden_chat_single 黄金构建时使用

测试 golden_chat_topics 黄金构建时使用

测试 epub 黄金构建时使用

测试关键词分类时使用

测试 html 黄金构建时使用

Use Hugging Face Hub via MCP server tools. Search models, datasets, Spaces, papers. Get repo details, fetch documentation, run compute jobs, and use Gradio Spaces as AI tools. Available when connected to the HF MCP server.

当用户询问如何为某任务寻找最佳、顶级或推荐的模型,想知道该用什么 AI 模型,或想按基准分数比较模型时使用。触发词包括:"X 的最佳模型"、"我该用什么模型"、"[任务] 的顶级模型"、"哪个模型能在我的笔记本/机器/设备上运行"、"推荐一个模型"、"我该用什么 LLM"、"比较模型"、"最新最先进的是什么",或任何为特定用途选择 AI 模型的问题。当用户想要模型推荐或比较时务必使用本 skill,即使没有明确提及。

Hugging Face Hub CLI (`hf`) for downloading, uploading, and managing models, datasets, spaces, buckets, repos, papers, jobs, and more on the Hugging Face Hub. Use when: handling authentication; managing local cache; managing Hugging Face Buckets; running or scheduling jobs on Hugging Face infrastructure; managing Hugging Face repos; discussions and pull requests; browsing models, datasets and spaces; reading, searching, or browsing academic papers; managing collections; querying datasets; configuring spaces; setting up webhooks; or deploying and managing HF Inference Endpoints. Make sure to use this skill whenever the user mentions 'hf', 'huggingface', 'Hugging Face', 'huggingface-cli', or 'hugging face cli', or wants to do anything related to the Hugging Face ecosystem and to AI and ML in general. Also use for cloud storage needs like training checkpoints, data pipelines, or agent traces. Use even if the user doesn't explicitly ask for a CLI command. Replaces the deprecated `huggingfa

Discover the user's local AWS context (active profile, region, account ID, caller identity) at the start of any AWS task. Use this skill before any other AWS work — deploying to SageMaker, creating resources, calling AWS APIs, or anything that touches an AWS account. Use it especially when the user has not specified a region or profile explicitly, when they say things like "use my AWS account", "deploy to AWS", "use my profile", or when about to make any AWS CLI or SDK call. Never guess the region or account ID — always use this skill to read it from the local configuration first.

为 SageMaker / AWS 工作搭建隔离的 Python 环境,配备正确的 Python 版本和最新的 boto3。只要将为 SageMaker 部署、训练任务或任何 AWS 自动化执行 Python 代码时使用本 skill——包括准备运行 `pip install`、准备调用 `boto3`、创建或激活 virtualenv,或用户要求"搭建环境"时。绝不使用系统 Python,也绝不向其 `pip install`。务必隔离。本 skill 可防止最常见的失败:Python 版本错误、依赖冲突和 SDK 过期。

规划并协调将模型部署到 Amazon SageMaker AI。只要用户想在 SageMaker 或 AWS 上部署、托管、serve 或开放模型时使用本 skill——包括"部署一个模型"、"在 AWS 上托管这个 LLM"、"serve 这个 embedding 模型"、"部署 reranker"、"部署 text-to-image / diffusion 模型"、"托管这个做异步推理"、"创建一个 endpoint"、"serve 我微调的模型"等表述,或任何涉及让模型在 AWS 上可进行推理的请求。即使用户表达模糊(如"我只想让它在 AWS 上跑起来,你看着办")也要使用。

在部署或训练前确保存在可用的 SageMaker 执行角色。只要准备创建 SageMaker endpoint、模型、训练任务或任何需要执行角色的资源时使用本 skill。尤其在用户未明确提供角色 ARN、脚本即将调用 `iam:CreateRole`,或 AccessDenied 错误涉及 IAM 操作时使用。绝不要盲目调用 `iam:CreateRole`——务必先检查现有角色。本 skill 可防止最常见的 SageMaker 部署失败:试图从没有 IAM 写权限的 SSO 主体创建 IAM 资源。

创建 SageMaker endpoint(实时、实时缩容到零或异步),默认启用自动扩缩、CloudWatch 告警和标签。只要准备创建 SageMaker endpoint、编写调用 `create_endpoint` 的部署代码,或在确定 image URI 和 IAM 角色后收尾部署时使用本 skill。提供 deploy.py(实时 endpoint)、deploy_ic.py(通过 inference components 缩容到零实例的实时 endpoint)和 deploy_async.py(异步 endpoint,同样支持缩容到零)。这是 SageMaker 部署工作流的最后一步。绝不生成

为 SageMaker 模型部署选择合适的 serving 容器并查找其当前 image URI。只要准备将模型部署到 SageMaker endpoint 且需要选择 image URI 时就使用本 skill——包括用户说"部署这个 LLM"、"托管这个 HuggingFace 模型"、"serve 这个微调模型"、"部署这个 embedding 模型"、"托管 reranker"、"serve 这个 sentence-transformers 模型",或在部署代码中准备硬编码任何容器 URI 时。始终优先使用 HuggingFace 官方精选的 Deep Learning Containers:HuggingFace vLLM(用于 LLM 和生成式 reranker)、HuggingFace

Hugging Face CLI,用于估算从 Hugging Face Hub 加载 Safetensors 或 GGUF 模型权重进行推理所需的内存。

Search Remotion documentation