Loading...
Loading...
共找到 351 个 Skills
一款用于构建由LLM驱动、集成Agents、Chains和RAG的应用程序框架。支持多个提供商（OpenAI、Anthropic、Google）、500+种集成、ReAct智能体、工具调用、内存管理以及向量存储检索功能。可用于构建聊天机器人、问答系统、自主智能体或RAG应用程序，非常适合快速原型开发和生产部署。
使用LangChain和LangGraph构建大语言模型（LLM）应用。适用于创建RAG管道、Agent工作流、链式调用或复杂LLM编排场景。触发关键词包括LangChain、LangGraph、LCEL、RAG、信息检索、Agent链。
设计 AI 架构，编写 Prompt，构建 RAG 系统和 LangChain 应用
结合向量搜索与关键词搜索以提升检索效果。适用于实现RAG系统、构建搜索引擎，或单一搜索方式无法提供足够召回率的场景。
适用于Amazon Bedrock资源的AWS CloudFormation模板，涵盖Agent、知识库、数据源、防护机制（Guardrails）、提示词、工作流（Flow）以及推理配置文件。适用于创建带动作组的Bedrock Agent、通过知识库实现RAG、配置向量存储、设置内容审核防护机制、管理提示词、通过Flow编排工作流，以及配置推理配置文件以优化模型等场景。
实现结合知识图谱与检索功能的GraphRAG模式，以完成复杂推理任务。 当您需要在互联数据上构建RAG系统，或需要具备关系感知能力的检索功能时，可使用此技能。 适用场景关键词：GraphRAG、知识图谱、图检索、实体关系、Neo4j RAG、图数据库、互联数据。
使用此技能可借助pgvector为AI/ML嵌入、RAG应用或语义搜索设置向量相似性搜索。 **当用户提出以下需求时触发：** - 在PostgreSQL中存储或搜索向量嵌入 - 设置语义搜索、相似性搜索或最近邻搜索 - 为向量创建HNSW或IVFFlat索引 - 基于PostgreSQL实现RAG（检索增强生成） - 优化pgvector的性能、召回率或内存使用 - 对大型向量数据集使用二进制量化 **关键词：** pgvector, embeddings, semantic search, vector similarity, HNSW, IVFFlat, halfvec, cosine distance, nearest neighbor, RAG, LLM, AI search 涵盖内容：halfvec存储、HNSW索引配置（m、ef_construction、ef_search）、量化策略、过滤搜索、批量加载以及性能调优。
面向AI/ML系统的数据管道、特征存储与嵌入生成方案。适用于构建RAG管道、ML特征服务或数据转换场景。涵盖特征存储（Feast、Tecton）、嵌入管道、分块策略、编排工具（Dagster、Prefect、Airflow）、dbt数据转换、数据版本控制（LakeFS）以及实验跟踪（MLflow、W&B）。
当用户想要使用Weaviate构建AI应用时，可使用本技能。它包含了架构模式的高级索引、「一键式」蓝图，以及针对常见用例的最佳实践。目前，它涵盖了构建Query Agent聊天机器人、数据探索器、多模态PDF RAG（文档搜索）、基础RAG、高级RAG、基础Agent、智能RAG的参考指南，以及为每个应用构建前端的可选指导。
在Supabase中配置pgvector扩展以实现向量搜索——包括嵌入存储、HNSW/IVFFlat索引、混合搜索设置以及AI优化的查询模式。适用于搭建向量搜索、构建RAG系统、配置语义搜索、创建嵌入存储，或用户提及pgvector、向量数据库、嵌入、语义搜索、混合搜索的场景。
创建或优化任何ADK Agent项目前的必读指南。适用于用户想要构建新Agent（例如：“帮我构建一个搜索Agent”）或优化现有项目（例如：“为我的项目添加CI/CD”、“添加RAG功能”）的场景。
具备MCP集成、Agentic RAG、交接编排、多层防护、可观测性、代币经济性、ROI框架及构建与否决策指导的生产级AI Agent模式（现代最佳实践）