Agent Skills Hub

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。

search

使用 Tavily 的 LLM 优化搜索 API 进行网络搜索，无需编写代码即可获取带有引用来源的精准内容。

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。

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。

qmd

用于 Markdown 笔记、文档和代码库知识库的本地混合搜索引擎，旨在降低 Token 消耗并提升检索效率。

web-search

自主研究专员，专注于获取验证信息、评估来源并进行结构化综述。

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。

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。

task-search

通过高性能、具备防抖功能的搜索引擎加速任务检索。支持多标记 AND 逻辑、相关性排序，并能实时高亮显示任务标题、描述与标签中的匹配文本。

skill-engineer

为 OpenClaw 技能开发提供多代理迭代优化与品质把关，通过标准化测试与生命周期管理提升技能效能。

component-search

探索并配置 Redpanda Connect 组件（如输入、输出、处理器），以构建高效的流式数据管道。