Agent Skills Hub

context-engineering-collection

一套用於上下文工程、多代理架構及生產級代理系統優化的結構化代理技能集。

wiki-llms-txt

自動產生 llms.txt 與 llms-full.txt 檔案，為專案文件提供人工智慧友善的閱讀格式與專案上下文。

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。

evaluation

為 AI 代理構建系統化的評估框架，利用多維評分標準、LLM-as-a-judge 與回歸測試，量測代理效能、品質及上下文工程的有效性。

context-management

為 AI 代理提供主動式上下文視窗管理，透過智慧令牌監控、快照建立與選擇性狀態恢復，確保長會話期間的連續性。

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。

update-llm-model-list

根據 litellm 註冊表審核並同步 assets.py 中的支援 LLM 模型列表。

langchain-chat-models

為 LangChain 應用程式提供統一介面，整合並管理 OpenAI、Anthropic、Google、Azure 與 Bedrock 等 LLM 聊天模型服務。

massive-context-mcp

透過遞迴分塊、子查詢與聚合結果處理超過 1,000 萬 tokens 的大型檔案與程式碼庫，突破 LLM 上下文視窗限制。

context-fundamentals

情境工程基礎指南：為 AI 代理優化 Token 預算、注意力機制及系統架構。

java-test

執行基於 Gradle 的 Java 測試，過濾失敗結果與關鍵統計數據，並提供精簡報告以簡化後端開發與除錯。

FastMCP Development

使用 FastMCP 框架建構與管理 MCP 伺服器。提供工具開發、資源配置、Prompt 設計、Claude Desktop 整合及 Python/TypeScript 部署指南。