全部技能分类

Ottermind 技能目录的全部分类,从写代码、处理文档到浏览器自动化和记忆管理。知道要干什么、但不确定该找哪个技能时,从这里开始,每个分类都可按热度继续筛选。

编程

6833

面向代码的技能:评审清单、重构流程、测试生成、迁移脚本、语言规范。大多把团队标准固化下来,让智能体每次都按同一套规则执行,评审和返工都能省下不少来回。

设计与多媒体

3242

图像、视频、音频与设计技能:生成提示词、剪辑流水线、转写、素材准备。大多把创意要求和具体制作步骤绑在一起,让产出更稳定、更可复现。全部附完整文档与真实安装量数据,可在 Ottermind 一键安装。

数据分析

2197

把原始数据变成结论的分析技能:SQL 生成、数据集画像、图表规范、报表流水线。适合智能体已经能连上数据库、但还缺一套稳定分析方法论的场景。全部附完整文档与真实安装量数据,可在 Ottermind 一键安装。

文档

2117

处理文档的技能,覆盖 PDF、Word、幻灯片、表格和长报告。方向是双向的:既能从文件里抽出结构,也能反过来按一份需求写出格式齐整的成品文档。全部附完整文档与真实安装量数据,可在 Ottermind 一键安装。

记忆

1148

记忆与知识技能:智能体该记住什么、怎么存、以后怎么取,而不是把陈旧上下文一股脑塞进每一次对话,长期协作的项目里差别尤其明显。全部附完整文档与真实安装量数据,可在 Ottermind 一键安装。

浏览器

897

浏览器技能:页面导航、表单填写、结构化抓取、自动化框架驱动。当目标数据只存在于界面背后、没有现成 API 可调时,这一类几乎不可替代。全部附完整文档与真实安装量数据,可在 Ottermind 一键安装。

集成

815

告诉智能体某个服务该怎么用的技能:Slack、Notion、Jira、GitHub、Linear 等。它们在原始 API 之上补上了使用惯例和分寸感。

安全

633

用于授权场景的安全技能:代码审计、依赖审查、密钥扫描、合规清单。它们固化的是审查方法,不是攻击手法,适合想把安全评审例行化的团队。全部附完整文档与真实安装量数据,可在 Ottermind 一键安装。

智能体与编排

1

改变智能体工作方式的技能:子智能体编排、评审回路、规划模板、角色设定。当问题出在「智能体怎么做事」而不是「缺哪个工具」时,用这一类,先读文档再决定怎么改。

效率

1

日常工作技能:邮件分拣、会议纪要、任务拆解、写作辅助、个人工作流。这类通常是用户最先装、也最常开着的,装一次之后基本天天都能用上。全部附完整文档与真实安装量数据,可在 Ottermind 一键安装。

其他

1

暂时归不进主分类的技能。当你清楚自己要什么、却不确定它该被归到哪一类时,来这里翻一翻,说不定正好有人已经把它做出来了。全部附完整文档与真实安装量数据,可在 Ottermind 一键安装。

研究与检索

0

研究类技能:决定去哪查、查多深、什么时候停——多源检索、信源评估、结构化总结,让智能体交回来的是有出处的结论,而不是一堆待整理的链接。全部附完整文档与真实安装量数据,可在 Ottermind 一键安装。

关于 Ottermind 技能

这里收录的是大家真正在 Ottermind 里跑起来的技能。每个技能都是一份可复用的指令包,把某类任务该怎么做——文件格式、执行步骤、边界情况——一次性讲清楚,之后你只要描述任务,不用每次重新解释。

技能覆盖 Ottermind 智能体能做的全部工作:生成可编辑的 PowerPoint 演示文稿、产出产品图与品牌视觉、在你接入的机器上写代码并运行、把脚本或静态图变成视频、清洗并分析表格数据。技能的作用,就是把一个通用模型变成能稳定处理「你这一版」具体任务的工具。

技能就是一个带简短 frontmatter 头部的 Markdown 文件,所以你可以在运行前先读清楚它到底会做什么,按自己的规范改写,也可以分享给同事。一旦某个技能跑出了你要的结果,就能把它挂到智能体上或设成定时自动化,同样的活儿下次不用任何人再重写提示词。

Ottermind 技能是什么?
一份用 Markdown 写的可复用指令包。它为某一类任务提供上下文、步骤和约束,让结果保持稳定,而不是取决于你当天提示词写得好不好。
怎么安装和使用技能?
打开任意技能的详情页,读完整份文档,然后安装到你的工作区。之后遇到匹配的任务,智能体可以自动调用它,你也可以直接按名字指定。
我可以自己写技能吗?
可以。技能就是一个 Markdown 文件,frontmatter 里写清楚它叫什么、什么时候该用。如果有个流程你总要反复向智能体解释,把它一次性写成技能,通常是让它变得可复用的最短路径。
技能要额外收费吗?
浏览和安装技能库里的技能本身不收费。运行技能与其他智能体任务一样消耗积分,具体取决于你选择的模型和任务的工作量。