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。

training-data-curation

用於 LLM 後訓練（SFT/DPO/RLHF）的高品質數據集策劃指南，涵蓋數據格式、品質過濾與收集策略。

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。

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。

linear

LobeHub 的 Linear 問題管理與同步工具，支援自動化 PR 關聯、子任務樹狀拆解與進度更新。

tweet-rl-tracker

基於 Notion 的推文效能追蹤系統，透過強化學習原理實現數據驅動的內容實驗與優化。

manufacturing-failure-reason-codebook-normalization

根據產品代碼手冊將測試工程師的缺陷描述標準化，修正錯別字、縮寫錯誤與歧義，並執行站點驗證。

paper-reproduce

提供論文復現的系統性方法論，支援數據清理、統計驗證、樣本篩選及自動化產出學術復現報告（Markdown 與 LaTeX）。

multi-agent-patterns

架構多代理系統以突破上下文限制，運用監督者、群體與分層模型等模式來管理複雜工作流程。

language-learning

AI 語言學習導師，提供對話練習、文法教學、單字訓練及字卡記憶。支援超過 100 種語言，包含西班牙語、法語、日語及中文等。

explain-concepts

利用費曼技巧、蘇格拉底教學法與認知負荷理論等大師級教學策略，將複雜概念轉化為清晰易懂的解釋。

stable-baselines3

使用 Stable Baselines3 進行生產級強化學習。透過類 scikit-learn API 訓練智能體、設計自定義環境、實作訓練回調函數並優化工作流程。