Agent Skills Hub

prompt-engineering-patterns

掌握先進的提示工程技術，以最大化生產環境中大型語言模型（LLM）的性能、可靠性和可控性。

ReasoningBank Intelligence

透過 ReasoningBank 實現代理程式的自適應學習，進行模式識別、策略優化與持續改進。

prompt-estruturado

一個結構化的提示工程框架，能將隨意輸入轉換為包含角色、背景、任務、格式及防護機制的專業模組化提示詞。

skill-template

為建立與記錄模組化代理技能所設計的標準化模板，確保在 AI 代理系統中實現一致且高效的上下文工程。

creative-thinking-for-research

應用認知科學框架於計算機科學與人工智慧研究，透過系統化的創造力策略生成具備原創性的研究方向。

flow-nexus-neural

使用 Flow Nexus 平台在分佈式 E2B 沙盒中訓練與管理神經網路，支援 Transformer、LSTM 和 GAN 等自定義架構。

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。

ascii-art

一個用於生成 ASCII 藝術的代理技能，針對無需反覆修改的一次性藝術輸出進行了優化。

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。

evaluating-code-models

使用 BigCode Evaluation Harness 評估代碼生成模型。包含 HumanEval、MBPP 和 MultiPL-E 等基準測試，並提供多語言編碼模型的 pass@k 指標評估。

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。

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。