Agent Skills Hub

Extract structured data from unstructured files (PDF, PPTX, DOCX...)

使用 LlamaExtract 實作從 PDF、DOCX 與 PPTX 等非結構化檔案中擷取結構化資料的解決方案，並透過 Pydantic 定義資料架構。

mcp-development

提供模型上下文協議 (MCP) 伺服器開發指南，涵蓋工具設計、資源處理及 AI/ML 整合模式。

speckit-plan

執行實作規劃工作流程，產生技術設計產出物，並為 Spec Kit 專案建構研究任務。

markdown-token-optimizer

分析 Markdown 檔案以識別浪費 Token 的模式，並提供具體優化建議，以提高文件對 AI 的 Token 使用效率與清晰度。

trulens-evaluation-workflow

使用 TruLens 對 LLM 應用程式進行檢測、評估與監控的系統化工作流程，支援 LangChain、LangGraph 與 LlamaIndex 等框架。

semantic-compression

積極精簡輸入內容中的語法結構與冗餘文字，在保留核心語義的同時優化 LLM 的 Token 使用效率。

self-improve

OpenCode 代理的自我維護技能，用於更新文檔、捕捉學習成果並動態擴展工具與代理功能。

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。

test-delete-skill

統一的 AI 閘道，支援超過 100 種大語言模型，提供相容 OpenAI 的 API、模型備援、負載平衡及企業級管理工具。

agent-architecture

實作生產級 AI 代理。包含 LangGraph、工具調用護欄、SSE 串流、情節記憶與 pgvector。提供反模式分析與修正代碼。

rag-implementation

使用向量資料庫、語意搜尋與 LangGraph 構建生產級 RAG 系統，為 LLM 提供外部知識基礎。

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。