Agent Skills Hub

context-detection

系统化的项目技术栈检测、框架特定技能自动加载，以及针对 React + Go 等全栈项目的多技术栈分析。

context-fundamentals

情境工程基础指南：为 AI 代理优化 Token 预算、注意力机制及系统架构。

k0ntext

RPI 规划阶段：从研究文件中创建基于区块且具有依赖感知能力的实施计划，以进行结构化、原子化的开发。

context7

通过 Context7 API 获取 React、FastAPI、Next.js 等框架的实时技术文档、代码示例与开发指导。

context-optimization

通过 KV 缓存、观测遮罩、基于摘要的压缩与内容分割技术，优化代理程序的上下文窗口，以降低成本并减少延迟。

context-driven-development

通过管理 conductor/ 目录中的项目环境工件（产品、技术栈、工作流程、跟踪）来标准化开发环境。支持项目脚手架创建、工件同步以及针对全新与既有项目的 AI 对齐。

context-cascade

为 Claude Code 设计的嵌套插件架构，通过动态加载 Playbooks、Skills 与 Agents，有效节省超过 90% 的上下文标记空间。

context-compression

通过先进的上下文压缩、结构化摘要与任务导向的状态管理，为长期运行的 AI 代理会话优化性能并降低 Token 使用量。

context-management

为 AI 代理提供主动式上下文窗口管理，通过智能令牌监控、快照建立与选择性状态恢复，确保长会话期间的连续性。

context-degradation

诊断、隔离并缓解 LLM 上下文故障（如中间丢失、中毒、干扰及冲突），提升 AI 代理的执行可靠性。

context-driven-testing

运用情境导向测试原则，根据项目目标、风险与限制调整测试策略，而非盲目依赖通用最佳实践。

semantic-compression

积极精简输入内容中的语法结构与冗余文字，在保留核心语义的同时优化 LLM 的 Token 使用效率。