Loading...
Loading...
共找到 351 个 Skills
使用此Skill操作Microsoft Foundry（Azure AI Foundry）：从模型库部署AI模型、借助知识索引构建RAG应用、创建并评估AI Agent、管理RBAC权限与角色分配、管理配额和容量、创建Foundry资源。 适用场景：Microsoft Foundry、AI Foundry、模型部署、模型库、RAG、知识索引、创建Agent、评估Agent、Agent监控、创建Foundry项目、新建Foundry项目、配置Foundry、Foundry入门、部署Foundry基础设施、创建Foundry资源、创建AI Services、多服务资源、AIServices类型、注册资源提供程序、启用认知服务、配置AI Services账户、为Foundry创建资源组、RBAC、角色分配、托管标识、服务主体、权限、配额、容量、TPM、部署失败、QuotaExceeded。 不适用场景：Azure Functions（请使用azure-functions）、App Service（请使用azure-create-app）、通用Azure资源创建（请使用azure-create-app）。
通过inference.sh CLI使用Tavily和Exa进行网页搜索与内容提取。应用包括：Tavily Search、Tavily Extract、Exa Search、Exa Answer、Exa Extract。功能：AI驱动搜索、内容提取、直接答疑、调研。适用场景：调研、RAG流水线、事实核查、内容聚合、Agent。相关触发词：网页搜索、tavily、exa、搜索API、内容提取、调研、互联网搜索、AI搜索、搜索助手、网页抓取、rag、Perplexity替代方案
使用Firebase Genkit构建可投入生产的AI工作流。适用于创建流程、工具调用Agent、RAG管道、多Agent系统，或将AI部署到Firebase/Cloud Run的场景。支持TypeScript、Go和Python，同时兼容Gemini、OpenAI、Anthropic、Ollama和Vertex AI插件。
inference.sh 的 Python SDK - 运行AI应用、构建Agent，并集成150+种模型。包名称：inferencesh（可通过 pip install inferencesh 安装）。支持同步/异步、流式传输、文件上传功能。可通过模板或自定义模式构建Agent，具备工具构建器API、Skills以及人工审批机制。适用场景：Python集成、AI应用开发、Agent开发、RAG流水线、自动化。相关关键词：python sdk, inferencesh, pip install, python api, python client, async inference, python agent, tool builder python, programmatic ai, python integration, sdk python
使用网页搜索与LLM构建RAG（Retrieval Augmented Generation，检索增强生成）管道。工具包括：Tavily Search、Exa Search、Exa Answer，以及通过OpenRouter调用的Claude、GPT-4、Gemini。核心能力：调研、事实核查、基于事实的响应、知识检索。适用场景：AI Agent、调研助手、事实核查工具、知识库。相关触发词：rag、retrieval augmented generation、grounded ai、搜索与回答、调研Agent、事实核查、知识检索、AI调研、搜索+LLM、基于网页的AI、Perplexity替代方案、带来源的AI、引用、调研管道
为Convex应用添加AI Agent/RAG后端（@convex-dev/agent）
dontbesilent 文件夹知识库。把用户已有的本地文件夹变成 Agent 能稳定查找、收录和维护的知识库；用户没有资料时建立最小知识库，有资料时生成知识库导航，后续支持放入新资料、查找答案、识别当前版本和检查知识库健康状况。用户提到「搭建知识库」「我的文件夹就是知识库」「让 AI 读懂这些文件」「把资料放进知识库」「从知识库找东西」「哪个文件是最新版」「资料太乱」「建立 Source of Truth」时都应使用。用户无需理解 Source of Truth、RAG 或 Agent 配置。 Folder-based knowledge base for AI agents. Use whenever the user wants to build, populate, query, organize, audit, or connect a local folder as a knowledge base, including source-of-truth navigation and version resolution.
基于OWASP LLM应用Top 10 2025的大语言模型（LLM）应用安全指南。适用于构建LLM应用、审查AI安全、实现RAG系统，或询问如“提示注入”或“检查LLM安全性”等LLM漏洞相关场景。
使用由xAI开源的For You算法推广的六阶段Source→Hydrator→Filter→Scorer→Selector→SideEffect框架，设计可组合的推荐、排序和信息流管道。当用户构建任何需要为（用户，上下文）选择“前K个项目”的系统时，均可使用此技能——包括社交信息流、内容CMS、RAG重排序器、任务优先级分配器、通知分类、搜索重排序、广告排序等场景。
基于Amazon Bedrock构建生成式AI应用。涵盖模型调用（Converse API、InvokeModel）、基于Knowledge Bases的RAG、Bedrock Agents、Guardrails以及AgentCore。适用于模型调用、Knowledge Bases搭建、Agent创建、Guardrails应用、部署至AgentCore、Bedrock错误排查（ThrottlingException、AccessDeniedException）或模型选择（Claude、Llama、Nova、Titan）场景。也适用于提示词缓存的搭建与调试、配额健康检查与限流诊断、成本归因与追踪、Claude模型版本迁移（4.5至4.6至4.7）、分块策略、API选择（Converse vs InvokeModel）、Guardrails功能以及模型选择场景。不适用于自定义模型训练、Rekognition或Comprehend相关场景。
Redis Cloud 上用于LLM响应语义缓存的Redis LangCache指南——通过SDK或REST API调用搜索/设置操作、调整相似度阈值、按任务类型分离缓存以及使用自定义属性进行过滤。适用于缓存LLM补全内容或RAG答案以降低API成本与延迟、在OpenAI/Anthropic等模型前构建旁路缓存层、调整命中率与精度的平衡，或是将单个应用的LLM工作负载拆分到多个LangCache缓存中。
使用RAG（PaperQA2或LEANN）查询论文。适用于用户需要从论文中获取综合回答、询问“论文X关于Y有何论述”或需要带引用的回复的场景。