Agent Skills Hub

pr-demo

为 Pull Request 与文档制作精美的终端动画演示，支持使用 asciinema、agg 与 svg-term-cli 进行录制与转换。

ragcode-sse

通过 SSE 协议直接连接 RagCode MCP，无需繁琐的配置文件或二进制文件依赖。

gtm-mcp

通过 MCP 操作 Google Tag Manager。直接从您的 LLM Agent 处理 OAuth 认证、资源发现以及代码 (Tags)、触发器 (Triggers) 与变量 (Variables) 的 CRUD 操作。

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。

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。

mobile-android-design

掌握 Material Design 3 与 Jetpack Compose 进行原生 Android 界面开发。利用 Google 最新标准构建响应式且无障碍的应用程序界面。

karpathy-guidelines

为 LLM 设置的程序开发行为准则，旨在减少错误、落实最佳实践，并通过强调简洁性、精确修改与目标导向验证来提升代码质量。

Quality Assurance

自动化质量保证系统，根据定义的检查清单验证 PB-000 市场研究工作流程中的 Markdown 交付物。

clarity-gate

通过预注入验证强化 RAG 系统的认知质量，确保文档在进入知识库前皆经过严格定义与结构化校对。

claude-copilot

分析 Markdown 文件以确保符合预定义的 AI Token 预算，并优化内容以利于 AI 高效摄取。

mutation-testing

通过引入代码变异并测量杀灭率，验证测试套件的有效性并找出薄弱断言。对于证明测试能真正捕捉错误，而非仅仅满足覆盖率指标至关重要。

autoresearch

自动化多团队代码库改进代理，具备狭义（目标导向）、广义（假设发散）及全面（质量扫描）三种模式。