Agent Skills Hub

ocr

使用 Tesseract OCR 引擎从图片中提取文字，支持多种语言、图像预处理以及多种输出格式。

ai-multimodal

使用 Google Gemini 处理与生成多媒体内容。支持音频转录、图像识别、视频分析、PDF 解析及 AI 图像生成，具备超长上下文窗口，适用于复杂的多模态 AI 任务。

image-generation

使用结构化 JSON 提示词与自动化 Python 脚本生成高质量的图像、角色与场景，支持参考图像以进行精确的视觉创作。

gemini-vision

实现 Google Gemini API 图像分析功能，包含图像描述、对象检测、图像分割、视觉问答及多图对比分析。

pattern-detection

分析并识别代码库模式（命名、架构、测试），以确保开发过程中的一致性与标准执行。

image-fetcher

从互联网获取、下载并批量处理各种格式（JPG, PNG, WebP, SVG 等）的图像，适用于文档嵌入、网页归档或聊天场景。

fiftyone-find-duplicates

使用计算机视觉相似度嵌入技术，在 FiftyOne 数据集中查找、查看并移除重复或高度相似的图像。

generate-image

使用 AI 模型（如 FLUX 和 Gemini）生成或编辑图像。适用于照片、插图、概念艺术和视觉素材，不包含技术图表或原理图。

robot-perception

机器人感知系统设计、配置与优化，涵盖摄像头、激光雷达与传感器融合管线。包含相机校准、3D 重建与生产环境部署的最佳实践。

nanaban

通过 nanaban CLI 使用 Gemini API 生成与编辑图像。适用于制作插图、标志、图标，以及执行背景移除、风格转换等照片编辑任务。

screenshot-capture

为 Enzo 设计的自动化截图转知识工作流。从截图中捕捉、分类、提取内容并记录模式，构建结构化的参考库。

pix

一个自动化的 UI 实现代理，利用 Figma MCP 和浏览器渲染验证，将 Figma 设计转换为像素级精确的代码。