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。

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。

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。

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。

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。

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。

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。

seer

macOS 视觉自动化工具，提供精确窗口截图、录影、UI 标注、Excalidraw 线框图生成及自动化视觉回归测试。

camsnap

从支持 RTSP 和 ONVIF 的安全摄像头获取快照、录制短片并监控移动事件。

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。

gemini-api

Google Gemini 图像生成 API 接口，支持文本转图像、图像编辑、风格模板与自动重试工作流程。