Agent Skills Hub

pr-demo

為 Pull Request 與文件製作精美的終端機動畫演示，支援使用 asciinema、agg 與 svg-term-cli 進行錄製與轉換。

ragcode-sse

透過 SSE 協定直接連接 RagCode MCP，無需繁瑣的設定檔或二進位檔案依賴。

gtm-mcp

透過 MCP 操作 Google Tag Manager。直接從您的 LLM Agent 處理 OAuth 認證、資源探索以及代碼 (Tags)、觸發器 (Triggers) 與變數 (Variables) 的 CRUD 操作。

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。

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。

mobile-android-design

掌握 Material Design 3 與 Jetpack Compose 進行原生 Android 介面開發。利用 Google 最新標準構建響應式且無障礙的應用程式介面。

karpathy-guidelines

為 LLM 設定的程式開發行為準則，旨在減少錯誤、落實最佳實踐，並透過強調簡潔性、精確修改與目標導向驗證來提升代碼品質。

Quality Assurance

自動化品質保證系統，根據定義的檢查清單驗證 PB-000 市場研究工作流程中的 Markdown 交付物。

clarity-gate

透過預注入驗證強化 RAG 系統的認知品質，確保文檔在進入知識庫前皆經過嚴格定義與結構化校對。

claude-copilot

分析 Markdown 文件以確保符合預先定義的 AI Token 預算，並優化內容以利於 AI 高效攝取。

mutation-testing

透過引入程式碼變異並測量殺死率，驗證測試套件的有效性並找出薄弱斷言。對於證明測試能真正捕捉錯誤，而非僅僅滿足覆蓋率指標至關重要。

autoresearch

自動化多團隊程式碼庫改進代理，具備狹義（目標導向）、廣義（假設發散）及全面（品質掃描）三種模式。