Agent Skills Hub

scikit-learn

使用 scikit-learn 進行經典機器學習。適用於分類、迴歸、分群、降維、資料預處理、模型評估，以及構建 Python 機器學習流程。

risk-based-testing

利用風險評估與優先級排序，將測試重點集中在最高風險區域。適用於規劃測試策略、配置測試資源或進行覆蓋率決策。

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。

test-reporting-analytics

高階測試報告與品質儀表板，提供 QE 指標、程式碼覆蓋率與部署就緒度分析，透過預測性洞察協助團隊進行數據導向的品質決策。

ml-pipeline-workflow

建構並協調從資料準備、模型訓練、驗證到自動化部署的端到端 MLOps 管線。

pymc

使用 PyMC 進行貝葉斯建模與機率編程。構建分層模型，執行 MCMC 採樣 (NUTS) 與變分推斷，並透過 LOO/WAIC 進行嚴謹的模型比較與後驗檢查。

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。

milady-development

透過管理插件來自我修改 Milady 代理。編輯程式碼、重建並重新啟動運行環境，以開發新功能或本地優化代理工作流程。

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。

claude-code-guide

Claude Code 高級開發指南，涵蓋 REPL 環境、MCP 整合、開發工作流及 AI 輔助編程最佳實踐，助力提升開發效率。

pyhealth

全方位 Python 醫療 AI 工具包，用於臨床數據處理、醫學編碼轉換，以及開發用於 EHR、生理訊號和臨床預測任務的深度學習模型（如 RETAIN 與 Transformer）。

pytdc

提供用於藥物開發的 AI 就緒數據集、基準測試與分子預測工具，涵蓋 ADME、毒性、藥物-目標交互作用及分子生成任務。