Agent Skills Hub

shift-right-testing

生产环境测试策略，包含功能标志、金丝雀部署、合成监控与混沌工程，确保线上系统的持续可靠性。

anthropic-api

为构建 Claude API 生产级应用提供专家指导，涵盖 SDK 使用、提示词缓存、批量处理、流式传输、工具调用及成本优化策略。

senior-data-engineer

世界级资深数据工程技能，用于构建可扩展的数据管道、ETL/ELT 系统及现代化数据基础设施，精通 Python、Spark、dbt 与 Kafka。

training-data-curation

用于 LLM 后训练（SFT/DPO/RLHF）的高质量数据集策劃指南，涵盖数据格式、质量过滤与收集策略。

spawn-decision

专为协调系统设计的决策代理，用于处理复杂的架构选择、任务规划与错误排除。

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。

stable-baselines3

使用 Stable Baselines3 进行生产级强化学习。通过类 scikit-learn API 训练智能体、设计自定义环境、实现训练回调函数并优化工作流程。

debug-distributed

AReaL 分布式训练调试指南，涵盖 FSDP2/TP/CP/EP 环境下的挂起、NCCL 错误、显存溢出与数值一致性问题。

technical-writing

根据实际工程经验撰写清晰、专业的技术文档、博客文章与教学指南，优先考虑价值传递与可执行的见解。

cohort-analysis

执行用户参与数据的同期群分析。识别留存趋势、功能采用率、流失模式，并透过定量数据分析生成可执行的研究建议。

ai-llm-patterns

Anthropic Claude 集成模式：流式传输、基于 pgvector 的 RAG、工具调用、模型选择（Haiku/Sonnet/Opus）、提示词缓存及 AI 工程成本管理。

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。