Loading...
Loading...
共找到 351 个 Skills
运用零样本、少样本、思维链和结构化输出技术设计高效的LLM提示词。适用于构建需要可靠输出的LLM应用、实现RAG系统、创建AI Agent，或优化提示词质量与成本。涵盖OpenAI、Anthropic及开源模型，并提供Python/TypeScript多语言示例。
周期性跨仓库复盘，分析30天的Git历史，通过RAGS循环提取模式并自动创建Skill
适用于构建从私有数据、文档、政策或时效性信息中解答问题的功能场景——涵盖RAG架构、分块策略、混合搜索、重排序、向量数据库、评估、Agentic RAG、多模态RAG等内容...
可通过少量高价值编辑来编写、重写、诊断和改进任何LLM prompt。适用于用户从零创建新prompt、审查或修复输出效果不佳的prompt、简化或收紧指令、重构长prompt、在不同模型间迁移prompt，或扩展现有prompt的场景。涵盖系统prompt、Agent指令、CLAUDE.md规则、SKILL.md prompt主体、聊天模板、结构化输出prompt、RAG上下文模板，以及嵌入代码中的prompt字符串。也可用于编辑任何主要内容为LLM指令的文件。
用于模型生产化、构建MLOps流水线以及集成LLM的机器学习工程技能，涵盖模型部署、特征存储、漂移监控、RAG系统和成本优化。
使用LangChain构建LLM应用，涵盖链（chains）、代理（agents）、记忆（memory）、工具（tools）和RAG管道。当用户请求“LangChain设置”、“LLM链”、“AI工作流”、“对话式AI”或“RAG管道”时可参考本文档。
Amazon Bedrock Agents 用于构建具备基础模型编排、操作组、知识库和会话管理能力的自主AI代理。适用于创建AI代理、编排多步骤工作流、将工具与大语言模型（LLMs）集成、构建对话式代理、实现RAG模式、管理代理会话、部署生产级代理，以及将知识库与代理连接等场景。
使用Supabase pgvector存储实现基于RAG的文档问答系统。
适用于RAG管道的文档分块实现与基准测试工具，包含固定大小、语义化、递归和基于句子的分块策略。可在实现文档处理、优化分块大小、对比分块方法、基准测试检索性能，或者用户提及分块、文本拆分、文档分段、RAG优化、分块评估等场景下使用。
使用此Skill来操作Microsoft Foundry（Azure AI Foundry）：从模型目录部署AI模型、借助知识索引构建RAG应用、创建并评估AI Agent。 适用场景：Microsoft Foundry、AI Foundry、模型部署、模型目录、RAG、知识索引、Agent创建、Agent评估、Agent监控。 不适用场景：Azure Functions（请使用azure-functions）、App Service（请使用azure-create-app）。
构建能够推理、规划并使用工具完成复杂检索任务的自主RAG Agent。 当简单的‘检索-生成’方案不足以满足需求时，可使用该技能。 适用场景：Agentic RAG、RAG Agent、多步骤检索、工具调用型RAG、自主检索、查询分解。
为OpenClaw打造的边缘优化RAG记忆系统，支持语义搜索。可自动加载记忆文件，提供智能回忆功能，并通过相关上下文增强对话体验。非常适合Jetson及边缘设备（内存占用<10MB）。