Agent Skills Hub

ocr

使用 Tesseract OCR 引擎從圖片中提取文字，支援多種語言、影像預處理以及多種輸出格式。

ai-multimodal

使用 Google Gemini 處理與生成多媒體內容。支援音訊轉錄、影像辨識、影片分析、PDF 解析及 AI 圖像生成，具備超長上下文窗口，適用於複雜的多模態 AI 任務。

image-generation

使用結構化 JSON 提示詞與自動化 Python 腳本生成高品質的圖像、角色與場景，支援參考圖像以進行精確的視覺創作。

gemini-vision

實作 Google Gemini API 影像分析功能，包含圖片標註、物件偵測、圖像分割、視覺問答及多圖比較分析。

pattern-detection

分析並識別代碼庫模式（命名、架構、測試），以確保開發過程中的一致性與標準執行。

image-fetcher

從網際網路擷取、下載並批次處理各種格式（JPG, PNG, WebP, SVG 等）的圖片，適用於嵌入文件、網頁存檔或聊天應用。

fiftyone-find-duplicates

使用電腦視覺相似度嵌入技術，在 FiftyOne 資料集中尋找、檢視並移除重複或高度相似的圖像。

generate-image

使用 AI 模型（如 FLUX 和 Gemini）生成或編輯影像。適用於照片、插圖、概念藝術和視覺素材，不包含技術圖表或原理圖。

robot-perception

機器人感知系統設計、配置與優化，涵蓋攝影機、光達與感測器融合管線。包含相機校正、3D 重建與生產環境部署的最佳實踐。

nanaban

透過 nanaban CLI 使用 Gemini API 生成與編輯影像。適用於製作插圖、標誌、圖示，以及執行背景移除、風格轉換等照片編輯任務。

screenshot-capture

為 Enzo 設計的自動化截圖轉知識工作流。從截圖中捕捉、分類、提取內容並記錄模式，構建結構化的參考庫。

pix

一個自動化的 UI 實作代理，利用 Figma MCP 和瀏覽器渲染驗證，將 Figma 設計轉換為像素級精確的程式碼。