Agent Skills Hub

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。

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。

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。

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。

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。

basic-usage

llmemory 文档存储与搜索入门：涵盖安装、pgvector 数据库配置、文档导入、混合/语义检索，以及构建具备多租户支持的 RAG 系统。

postgresql-table-design

为 PostgreSQL 数据库设计高性能与可维护架构的综合指南，涵盖最佳实践、数据类型、索引策略及高级功能。

llm-integration

一套用于构建稳健 LLM 集成的工具包：包含 API 模式、流式传输、函数调用、RAG 流水线及具成本效益的模型路由。

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。

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。

gemini-interactions-api

专门用于实现 Gemini Interactions API 的技能。适用于状态化多轮对话、后台 Deep Research 代理任务、函数调用、结构化输出，以及现代 Python 与 TypeScript SDK 的整合。

langchain-chat-models

为 LangChain 应用程序提供统一接口，整合并管理 OpenAI、Anthropic、Google、Azure 和 Bedrock 等 LLM 聊天模型服务。