Agent Skills Hub

metacognition

通过结构化的自我评估检查点，确保 AI 在任务执行前、中、后的方案验证与风险管控，提升程序开发质量。

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。

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。

manufacturing-failure-reason-codebook-normalization

根据产品代码手册将测试工程师的缺陷描述标准化，修正错别字、缩写错误与歧义，并执行站点验证。

design-excellence

一套设计系统与反模式指南，让 AI 生成的界面更具人工质感。通过管理色彩、排版、间距与动画，为 Toh Framework 提供专业的视觉品质。

variant-analysis

使用基于模式的分析技术在代码库中寻找类似的漏洞与 Bug。适用于漏洞变体挖掘、建立 CodeQL/Semgrep 查询规则或进行系统性的代码审计。

ring:testing-skills-with-subagents

用于构建健壮 AI Agent 技能的元技能，采用测试驱动开发 (TDD) 方法：定义失败 (RED)、实现技能 (GREEN) 并修补合理化漏洞 (REFACTOR)。

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。

margin-management

监控并管理保证金生活策略，追踪余额、利息成本与覆盖率。根据投资组合与保证金的安全阈值提供自动化扩展建议与安全警报。

feature-prioritization

一种结构化的决策工具，应用 RICE、MoSCoW、Kano 和价值与努力等框架，通过数据驱动的客观性来确定软件功能、产品路线图项目以及开发与否的决策优先级。

using-skills

强制性工作流程技能，用于管理对话状态、执行技能发现，并通过 TodoWrite 清单确保任务执行。

pyhealth

全方位 Python 医疗 AI 工具包，用于临床数据处理、医学编码转换，以及开发用于 EHR、生理信号和临床预测任务的深度学习模型（如 RETAIN 与 Transformer）。