Agent Skills Hub

basic-usage

llmemory 文档存储与搜索入门：涵盖安装、pgvector 数据库配置、文档导入、混合/语义检索，以及构建具备多租户支持的 RAG 系统。

postgresql-table-design

为 PostgreSQL 数据库设计高性能与可维护架构的综合指南，涵盖最佳实践、数据类型、索引策略及高级功能。

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。

backend-rag-implementation

构建 RAG 系统以利用私有数据增强 LLM。包含向量数据库集成、嵌入策略、混合搜索及 FastAPI 后端的高级检索模式。

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。

migrate-postgres-tables-to-hypertables

将标准 PostgreSQL 数据表迁移至 TimescaleDB 超表，并优化分区、分块与压缩策略，以提升时间序列数据效能。

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。

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。

upstash-vector-db-skills

Upstash Vector DB 设置、语义搜索、命名空间与向量嵌入模型。专为在 Next.js 16 与 Vercel 项目中构建高性能向量搜索功能而设计。

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。

memory-hygiene

为 Clawdbot 审计、清理和优化向量内存。防止 Token 浪费，清除无效垃圾数据，并通过 LanceDB 维护自动化内存清洁。

geopandas

用于地理空间向量数据分析的 Python 库。利用 GeoPandas、shapely 及交互式工具进行空间连接、几何运算、坐标转换与地图绘制。