Agent Skills Hub

context-detection

系統化的專案技術棧檢測、框架特定技能自動載入，以及針對 React + Go 等全端專案的多技術棧分析。

context-fundamentals

情境工程基礎指南：為 AI 代理優化 Token 預算、注意力機制及系統架構。

k0ntext

RPI 規劃階段：從研究文件中建立基於區塊且具有依賴感知能力的實作計劃，以進行結構化、原子化的開發。

context7

透過 Context7 API 獲取 React、FastAPI、Next.js 等框架的即時技術文件、程式碼範例與開發指導。

context-optimization

透過 KV 快取、觀察遮罩、基於摘要的壓縮與內容分割技術，優化代理程式的上下文窗口，以降低成本並減少延遲。

context-driven-development

透過管理 conductor/ 目錄中的專案環境工件（產品、技術棧、工作流程、追蹤）來標準化開發環境。支援專案鷹架建立、工件同步以及針對全新與既有專案的 AI 對齊。

context-cascade

為 Claude Code 設計的巢狀插件架構，透過動態載入 Playbooks、Skills 與 Agents，有效節省超過 90% 的上下文標記空間。

context-compression

透過先進的上下文壓縮、結構化摘要與任務導向的狀態管理，為長期運行的 AI 代理會話優化效能並降低 Token 使用量。

context-management

為 AI 代理提供主動式上下文視窗管理，透過智慧令牌監控、快照建立與選擇性狀態恢復，確保長會話期間的連續性。

context-degradation

診斷、隔離並緩解 LLM 上下文故障（如中間丟失、中毒、干擾及衝突），提升 AI 代理的執行可靠性。

context-driven-testing

運用情境導向測試原則，根據專案目標、風險與限制調整測試策略，而非盲目依賴通用最佳實踐。

semantic-compression

積極精簡輸入內容中的語法結構與冗餘文字，在保留核心語義的同時優化 LLM 的 Token 使用效率。