Agent Skills Hub

scikit-learn

使用 scikit-learn 进行经典机器学习。适用于分类、回归、聚类、降维、数据预处理、模型评估，以及构建 Python 机器学习流程。

training-data-curation

用于 LLM 后训练（SFT/DPO/RLHF）的高质量数据集策劃指南，涵盖数据格式、质量过滤与收集策略。

ReasoningBank Intelligence

通过 ReasoningBank 实现代理程序的自适应学习，进行模式识别、策略优化与持续改进。

pymc

使用 PyMC 进行贝叶斯建模与概率编程。构建分层模型，执行 MCMC 采样 (NUTS) 与变分推断，并透过 LOO/WAIC 进行严谨的模型比较与后验检查。

linear

LobeHub 的 Linear 问题管理与同步工具，支持自动化 PR 关联、子任务树状拆解与进度更新。

tweet-rl-tracker

基于 Notion 的推文性能追踪系统，通过强化学习原理实现数据驱动的内容实验与优化。

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。

paper-reproduce

提供论文复现的系统性方法论，支持数据清洗、统计验证、样本筛选及自动化产出学术复现报告（Markdown 与 LaTeX）。

multi-agent-patterns

架构多代理系统以突破上下文限制，运用监督者、群体与分层模型等模式来管理复杂工作流程。

language-learning

AI 语言学习导师，提供对话练习、语法教学、单词训练及字卡记忆。支持超过 100 种语言，包含西班牙语、法语、日语及中文等。

explain-concepts

利用费曼技巧、苏格拉底教学法与认知负载理论等大师级教学策略，将复杂概念转化为清晰易懂的解释。

stable-baselines3

使用 Stable Baselines3 进行生产级强化学习。通过类 scikit-learn API 训练智能体、设计自定义环境、实现训练回调函数并优化工作流程。