Agent Skills Hub

rag-engineer

架構與優化生產級別的 RAG 系統。精通嵌入模型、向量資料庫、分塊策略及檢索管線，提升 LLM 應用的精確度。

upstash-vector-db-skills

Upstash Vector DB 設定、語意搜尋、命名空間與向量嵌入模型。專為在 Next.js 16 與 Vercel 專案中建構高效向量搜尋功能而設計。

qras

基於 Qdrant 和 Ollama 的本地 RAG 語義記憶系統。適用於高效檢索工作區文件、筆記、決策記錄與用戶偏好，提供精確的向量語義搜索。

backend-rag-implementation

建立 RAG 系統以運用專有數據增強 LLM。包含向量資料庫整合、嵌入策略、混合搜尋及 FastAPI 後端的高級檢索模式。

rag-implementation

使用向量資料庫、語意搜尋與 LangGraph 構建生產級 RAG 系統，為 LLM 提供外部知識基礎。

postgresql-table-design

為 PostgreSQL 資料庫設計高效能與可維護架構的綜合指南，涵蓋最佳實踐、資料類型、索引策略及進階功能。

nano-pdf

透過 nano-pdf 指令列工具，使用自然語言指令編輯與修改 PDF 文件。

ReasoningBank with AgentDB

使用 AgentDB 的超快速向量後端實作 ReasoningBank 自適應學習。具備軌跡追蹤、判斷評估、記憶蒸餾與模式識別功能，適用於構建自我學習的自主智能體。

basic-usage

llmemory 文件儲存與搜尋入門：涵蓋安裝、pgvector 資料庫設定、文件導入、混合/語義檢索，以及具備多租戶支援的 RAG 系統建構。

llm-integration

一套用於建構穩健 LLM 整合的工具包：包含 API 模式、串流、函數調用、RAG 管線及具成本效益的模型路由。

exa

基於 Exa AI 的神經網絡搜尋與程式碼上下文檢索。適用於技術文件查詢、程式碼範例搜尋、研究報告及企業資訊搜集。

qmd

用於 Markdown 筆記、文件和代碼庫知識庫的本地混合搜尋引擎，旨在降低 Token 消耗並提升檢索效率。