Agent Skills Hub

Extract structured data from unstructured files (PDF, PPTX, DOCX...)

使用 LlamaExtract 实现从 PDF、DOCX 和 PPTX 等非结构化文件中提取结构化数据的方案，并通过 Pydantic 定义数据架构。

mcp-development

提供模型上下文协议 (MCP) 服务器开发指南，涵盖工具设计、资源处理及 AI/ML 整合模式。

speckit-plan

执行实现规划工作流程，生成技术设计产出物，并为 Spec Kit 项目构建研究任务。

markdown-token-optimizer

分析 Markdown 文件以识别浪费 Token 的模式，并提供具体优化建议，以提升文档对 AI 的 Token 使用效率与清晰度。

trulens-evaluation-workflow

使用 TruLens 对 LLM 应用程序进行检测、评估与监控的系统化工作流程，支持 LangChain、LangGraph 与 LlamaIndex 等框架。

semantic-compression

积极精简输入内容中的语法结构与冗余文字，在保留核心语义的同时优化 LLM 的 Token 使用效率。

self-improve

OpenCode 代理的自我维护技能，用于更新文档、捕捉学习成果并动态扩展工具与代理功能。

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。

test-delete-skill

统一的 AI 网关，支持超过 100 种大语言模型，提供兼容 OpenAI 的 API、模型回退、负载均衡及企业级管理工具。

agent-architecture

实现生产级 AI 代理。包含 LangGraph、工具调用护栏、SSE 流式传输、情节记忆与 pgvector。提供反模式分析与修正代码。

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。

prompt-estruturado

一个结构化的提示工程框架，能将随意输入转换为包含角色、背景、任务、格式及防护机制的专业模块化提示词。