Agent Skills Hub

AgentDB Vector Search

为 AI 代理提供的高性能向量搜索引擎，具备毫秒级检索、HNSW 索引与量化技术，适用于 RAG 系统、相似度匹配与知识库管理。

claude-rag-skills

一套专业工具集，用于在 Claude Code 环境中审核、评估、切分文档及构建生产级 RAG 管线。

qras

基于 Qdrant 和 Ollama 的本地 RAG 语义记忆系统。适用于高效检索工作区文件、笔记、决策记录与用户偏好，提供精确的向量语义搜索。

backend-rag-implementation

构建 RAG 系统以利用私有数据增强 LLM。包含向量数据库集成、嵌入策略、混合搜索及 FastAPI 后端的高级检索模式。

grepai-config-reference

GrepAI 配置完整参考，详述 .grepai/config.yaml 架构、嵌入模型设置、存储后端以及优化参数。

upstash-vector-db-skills

Upstash Vector DB 设置、语义搜索、命名空间与向量嵌入模型。专为在 Next.js 16 与 Vercel 项目中构建高性能向量搜索功能而设计。

simplemem-skill

为 AI 代理提供持久的语义长期记忆。通过语义压缩，跨对话存储、查询并检索对话记录、决策与多模态上下文。

rag-implementation

使用向量数据库、语义搜索与 LangGraph 构建生产级 RAG 系统，为 LLM 提供外部知识基础。

rag-engineer

架构与优化生产级别的 RAG 系统。精通嵌入模型、向量数据库、分块策略及检索管线，提升 LLM 应用的精确度。

langchain-architecture

使用 LangChain 1.x 与 LangGraph 构建生产级 LLM 应用程序。实现状态化 AI 代理、多步骤工作流程，并为复杂的对话与自动化任务构建自定义记忆系统。

ReasoningBank with AgentDB

使用 AgentDB 的超快速向量后端实现 ReasoningBank 自适应学习。具备轨迹追踪、判定评估、记忆蒸馏与模式识别功能，适用于构建自我学习的自主智能体。