Agent Skills Hub

performance-analysis

系統性效能工程：基準測試、效能分析、瓶頸診斷，以及基於實證的應用程式最佳化指導。

recursive-decomposition

透過將大型任務自動拆解為可管理的遞迴子任務，突破上下文視窗限制，提升對大型程式碼庫與文件集的推理準確度。

structured-outputs-advisor

Anthropic 結構化輸出實作專家顧問。協助判斷 JSON 模式與嚴格工具使用之間的取捨，確保 schema 合規性與 Agent 工作流的輸入驗證。

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-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。

google

使用 WebSearch 和 WebFetch 工具搜尋網際網路，獲取即時資訊、技術文件或進行主題研究。

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。

ai-multimodal

使用 Google Gemini 處理與生成多媒體內容。支援音訊轉錄、影像辨識、影片分析、PDF 解析及 AI 圖像生成，具備超長上下文窗口，適用於複雜的多模態 AI 任務。

omc-plan

智能戰略規劃與需求收集，支援多視角共識循環與結構化審議。

kreuzberg

高效能文件智慧程式庫，可從 91 種以上檔案格式中提取文字、表格、程式碼與後設資料，並支援 OCR 與 LLM 格式輸出。

maestro

智慧型 RAG 知識閘道，將程式碼任務路由至專業的 Swift/iOS 領域知識。透過 MCP 從 100 多種索引技能中擷取精準模式，優化開發情境使用率。

code-quality-review

全面的多維度代碼審查技能，針對正確性、安全性、性能、設計和可訪問性提供優先排序的可操作反饋。