Agent Skills Hub

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。

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。

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。

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。

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。

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。

visual-creative

视觉创意生图提示词生成工具，专为海报、Banner、产品图、社交媒体配图等全场景视觉内容设计，助力高质量 AI 绘图。

kreuzberg

高性能文档智能库，可从 91 种以上文件格式中提取文本、表格、代码及元数据，支持 OCR 及 LLM 友好输出。

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。

digital-brain

为创业者、内容创作者与专业人士设计的个人数字大脑系统，利用 AI 协助管理数字足迹、知识库、人际关系与个人目标。

gemini-video-understanding

使用 Google Gemini API 进行深度视频分析：包含视频摘要、音频转录、时间戳提取、视频片段剪辑，并支持 YouTube 链接或本地文件，适用于多种模型与长文本上下文。

image-enhancer

提升图像质量、分辨率与清晰度，专为屏幕截图与数字媒体设计。适用于专业文档、博客与演示文稿。