Agent Skills Hub

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。

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。

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。

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。

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。

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。

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。

kreuzberg

高效能文件智慧程式庫，可從 91 種以上檔案格式中提取文字、表格、程式碼與後設資料，並支援 OCR 與 LLM 格式輸出。

seer

macOS 視覺自動化工具，提供精確視窗截圖、錄影、UI 標註、Excalidraw 線框圖生成及自動化視覺回歸測試。

camsnap

從支援 RTSP 和 ONVIF 的安全攝影機擷取快照、錄製短片並監控移動事件。

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。

gemini-api

Google Gemini 影像生成 API 介面，支援文字轉影像、影像編輯、風格模板與自動重試工作流程。