Agent Skills Hub

context-engineering-collection

一套用于上下文工程、多代理架构及生产级代理系统优化的结构化代理技能集。

wiki-llms-txt

自动生成 llms.txt 和 llms-full.txt 文件，为项目文档提供 AI 友好的阅读格式及项目上下文。

prompt-engineering-patterns

掌握先进的提示工程技术，以最大化生产环境中大型语言模型（LLM）的性能、可靠性和可控性。

evaluation

为 AI 代理构建系统化的评估框架，利用多维评分标准、LLM-as-a-judge 与回归测试，量测代理效能、质量及上下文工程的有效性。

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。

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。

update-llm-model-list

根据 litellm 注册表审核并同步 assets.py 中的支持 LLM 模型列表。

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。

massive-context-mcp

通过递归分块、子查询与聚合结果处理超过 1,000 万 token 的大型文件和代码库，突破 LLM 上下文窗口限制。

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。

java-test

执行基于 Gradle 的 Java 测试，过滤失败结果与关键统计数据，并提供精简报告以简化后端开发与调试。

FastMCP Development

使用 FastMCP 框架构建与管理 MCP 服务器。提供工具开发、资源配置、Prompt 设计、Claude Desktop 集成及 Python/TypeScript 部署指南。