O que skills-mcp faz?
Servidor MCP que permite a qualquer agente de IA descobrir, pesquisar e instalar ~7.000 habilidades de agentes de todo o ecossistema GitHub (Anthropic, Superpowers, wshobson, antigravity, Composio e outros).
Servidor MCP que permite a qualquer agente de IA descobrir, pesquisar e instalar ~7.000 habilidades de agentes de todo o ecossistema GitHub (Anthropic, Superpowers, wshobson, antigravity, Composio e outros).
O gengirish/skills-mcp é um servidor de Protocolo de Contexto de Modelo (MCP) que atua como um hub centralizado para agentes de IA descobrirem, pesquisarem e instalarem habilidades de agentes de todo o ecossistema GitHub. Com suporte para cerca de 7.000 habilidades de fontes como Anthropic, Superpowers, wshobson, antigravity, Composio e outras, esta ferramenta elimina a necessidade de os desenvolvedores vasculharem manualmente repositórios em busca de habilidades relevantes. O servidor oferece operações de busca flexíveis, permite a instalação por nome ou URL do repositório GitHub, e fornece informações detalhadas sobre cada habilidade, incluindo descrição, comandos compatíveis, lista de arquivos e instruções de instalação. Ele é compatível com agentes de IA implementados em plataformas como Claude Code, Cursor e Codex, e pode ser integrado ao ambiente de desenvolvimento através de um arquivo de configuração MCP. A ferramenta é particularmente útil para desenvolvedores e usuários de agentes de IA que desejam expandir rapidamente as capacidades de seus assistentes com funcionalidades prontas da comunidade.
npx skills add gengirish/skills-mcpInstalled? Explore more Pesquisa e Análise de Dados skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
Servidor MCP que permite a qualquer agente de IA descobrir, pesquisar e instalar ~7.000 habilidades de agentes de todo o ecossistema GitHub (Anthropic, Superpowers, wshobson, antigravity, Composio e outros).
USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.
Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.
Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.
The agent harness performance optimization system. Skills, instincts, memory, security, and research-first development for Claude Code, Codex, Opencode, Cursor and beyond.
Agent skill repository discovered by 10x-chat research.
Review backend code for quality, security, maintainability, and best practices based on established checklist rules. Use when the user requests a review, analysis, or improvement of backend files (e.g., `.py`) under the `api/` directory. Do NOT use for frontend files (e.g., `.tsx`, `.ts`, `.js`). Supports pending-change review, code snippets review, and file-focused review.