Agent Skills Hub

basic-usage

llmemory 文件儲存與搜尋入門：涵蓋安裝、pgvector 資料庫設定、文件導入、混合/語義檢索，以及具備多租戶支援的 RAG 系統建構。

postgresql-table-design

為 PostgreSQL 資料庫設計高效能與可維護架構的綜合指南，涵蓋最佳實踐、資料類型、索引策略及進階功能。

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。

backend-rag-implementation

建立 RAG 系統以運用專有數據增強 LLM。包含向量資料庫整合、嵌入策略、混合搜尋及 FastAPI 後端的高級檢索模式。

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。

migrate-postgres-tables-to-hypertables

將標準 PostgreSQL 資料表遷移至 TimescaleDB 超表，並優化分區、分塊與壓縮策略，以提升時間序列數據效能。

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。

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。

upstash-vector-db-skills

Upstash Vector DB 設定、語意搜尋、命名空間與向量嵌入模型。專為在 Next.js 16 與 Vercel 專案中建構高效向量搜尋功能而設計。

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。

memory-hygiene

為 Clawdbot 審核、清理與優化向量記憶體。防止 Token 浪費，清除無效垃圾資料，並透過 LanceDB 維護自動化記憶體清潔。

geopandas

用於地理空間向量數據分析的 Python 庫。利用 GeoPandas、shapely 及交互式工具進行空間連接、幾何運算、坐標轉換與地圖繪製。