Agent Skills Hub

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。

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。

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。

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。

exa

基于 Exa AI 的神经网络搜索与代码上下文检索。适用于技术文档查询、代码示例搜索、研究报告及企业信息搜集。

supermemory

Supermemory 是 AI 代理的长期记忆基础设施，提供持久上下文、用户画像及跨多模态知识库的语义 RAG 搜索功能。

zotero-mcp-code

通过 Python 代码执行高效搜索 Zotero 文献库。支持全面的多策略查询、自动去重和相关性排序，有效避免上下文溢出或系统崩溃。

maestro

智能 RAG 知识网关，将编程任务路由至专业的 Swift/iOS 领域知识。通过 MCP 从 100 多种索引技能中提取精准模式，优化开发上下文使用率。

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。

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。