Agent Skills Hub

shift-right-testing

生產環境測試策略，包含功能旗標、金絲雀部署、合成監控與混沌工程，確保線上系統的持續可靠性。

anthropic-api

為構建 Claude API 生產級應用提供專家指導，涵蓋 SDK 使用、提示詞緩存、批量處理、串流傳輸、工具調用及成本優化策略。

senior-data-engineer

世界級資深資料工程技能，用於構建可擴展的資料管道、ETL/ELT 系統及現代化資料基礎架構，精通 Python、Spark、dbt 與 Kafka。

training-data-curation

用於 LLM 後訓練（SFT/DPO/RLHF）的高品質數據集策劃指南，涵蓋數據格式、品質過濾與收集策略。

spawn-decision

專為協調系統設計的決策代理，用於處理複雜的架構選擇、任務規劃與錯誤排除。

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。

stable-baselines3

使用 Stable Baselines3 進行生產級強化學習。透過類 scikit-learn API 訓練智能體、設計自定義環境、實作訓練回調函數並優化工作流程。

debug-distributed

AReaL 分散式訓練除錯指南，涵蓋 FSDP2/TP/CP/EP 環境下的掛起、NCCL 錯誤、記憶體不足與數值一致性問題。

technical-writing

根據實際工程經驗撰寫清晰、專業的技術文檔、部落格文章與教學指南，優先考慮價值傳遞與可執行的見解。

cohort-analysis

執行使用者參與數據的世代分析。識別留存趨勢、功能採用率、流失模式，並透過定量數據分析生成可執行的研究建議。

ai-llm-patterns

Anthropic Claude 整合模式：串流、使用 pgvector 的 RAG、工具使用、模型選擇（Haiku/Sonnet/Opus）、提示詞快取及 AI 工程成本管理。

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。