streaming-architecture
LiteLLM-RS 的流式架构说明，介绍如何用统一 SSE 解析与转换层处理 66+ 家提供商的流式响应，并输出 OpenAI 兼容格式。
Skill 广场
找到适合任务的 Agent Skill，阅读介绍并复制安装命令。
更新于 11-11 00:16
智能体与模型
26,098 个结果
mcp-audit
mcp-audit 是一个用于对 MCP 服务器执行可复现审计的技能，依据版本化的最佳实践目录（120 项检查、十二个类别、两个规范基线）进行。适用于需要按统一方法审计多个 MCP 服务器的场景。
codex-issue-digest
用于为 openai/codex 生成 GitHub issue 摘要报告的技能，按功能区域标签、全部标签及可配置时间窗口统计 bug 与改进类 issue，默认覆盖过去 24 小时，输出以标题为先的简明情报。
mcp-csharp-publish
用于发布和部署 C# MCP 服务器的技能，覆盖 stdio 服务器的 NuGet 打包、HTTP 服务器的 Docker 容器化、Azure Container Apps 与 App Service 部署，以及可选的官方 MCP Registry 登记。
mcp-csharp-test
面向 C# MCP 服务器的测试技能，覆盖工具方法的单元测试与基于 MCP 客户端 SDK 的集成测试，支持 xUnit、NUnit、MSTest，并包含评估问题设计与 CI 验证要点。
team-brain-sync
Team Brain Sync 是 team-brain 技能集中的同步技能，用于根据团队大脑条目重新生成 BRAIN.md，并可按配置生成 .cursorrules 与 AGENTS.md。适用于用户说 sync、regenerate、update brain 等场景。
setup
用于为代码仓库初始化或搭建标准化项目基线的技能，涵盖 README、许可证、测试、类型检查、Lint、AGENTS.md、pre-commit、CI 与技能安装等，强调先理解仓库类型与栈、确认计划后再动手，避免过度配置。
atomic-blocks
Atomic Blocks 是分类元提示（categorical meta-prompting）框架中的可组合原子块集合，定义 4 层共 16 个可复用块（评估、变换、精炼、组合），为 /meta、/rmp、/route 等命令提供显式、可测试、可缓存的底层原语。
categorical-meta-prompting
基于范畴论的元提示框架，用函子、单子、余单子和[0,1]-富化范畴组织任务路由、迭代精炼与上下文提取，并附带可验证的范畴律。
categorical-structure-builder
面向元提示框架的通用范畴结构模板，用于把函子、单子、余单子、自然变换、伴随、Hom等价、极限与余极限、富化范畴等结构实现为命令或技能，并统一规定操作、定律、命令语法、组合行为与质量传播规则。
dspy-categorical
DSPy 是一个用于声明式 LLM 编程的框架，通过类型化签名（Signature）与可组合模块（Module）构建程序，并支持自动化提示优化。本技能介绍其分类学概念、模块组合、优化器与评估用法，适用于构建可组合、可优化的 LLM 流水线。
dynamic-prompt-registry
dynamic-prompt-registry 是一个面向元提示（meta-prompting）框架的动态提示注册与组合扩展，提供统一的 @skills: 语法，支持技能发现、张量积组合、Reader monad 运行时查找与延迟解析，并带质量评分追踪。
effect-ts-ai
基于 @effect/ai 与 Effect 生态的 AI 集成模式，用于构建类型安全、可组合的生产级 AI 应用，涵盖文本与结构化生成、工具调用、错误处理、重试、遥测、资源管理与测试。
guidance-grammars
基于 Microsoft Guidance 库的语法约束生成技能，用范畴结构组织 LLM 输出。适用于需要结构化输出、语法约束、正则提取、选择分类与可组合生成流程的场景。安装：pip install guidance。
hasktorch-typed
Hasktorch 的 Haskell 类型安全张量绑定，用依赖类型在编译期校验张量形状，并以范畴论结构组织线性层、组合与反向传播。资料给出安装依赖、类型级形状运算、Para 与 Lens 等模式示例。
llm4s-scala
LLM4S Scala 提供函数式 LLM 接口，结合 ZIO 与 Cats Effect 等范畴效应系统，用于在 Scala 中构建类型安全、可组合的 LLM 应用，支持结构化输出、流式处理与工具调用。
lmql-constraints
LMQL 是一个基于约束的 LLM 生成 DSL，用类型、语法与逻辑条件限制模型输出，适合需要结构化、可校验结果的主题建模与提示工程场景。安装命令为 pip install lmql。
mcp-categorical
mcp-categorical 是一套面向 Model Context Protocol（MCP）服务器设计的范畴论模式集合，用态射、函子、自然变换等概念组织工具组合、资源管理与类型化上下文协议，并提供 TypeScript 与 Python 的 MCP 服务器示例。
meta-self
categorical-meta-prompting 框架的统一语法参考技能，汇总全部修饰符、组合运算符、执行协议与分类学基础，供所有命令与技能对齐该规范。
prompt-benchmark
prompt-benchmark 是一个系统化提示词评估框架，用 MATH、GSM8K、Game of 24、HumanEval、MMLU 等标准基准测试提示词效果，支持对比不同提示策略并做统计分析。
prompt-dsl
prompt-dsl 是一个基于范畴论的可组合提示词工程领域特定语言（DSL），提供函子组合子与自然变换算子，用于构建可组合的提示词。
quality-enriched-prompting
Quality-Enriched Prompting 是一个基于 [0,1]-enriched category（[0,1]-富化范畴）理论实现提示词质量优化的技能。它把提示词、响应和上下文视为范畴中的对象，把对象之间的转换质量视为取值在 [0,1] 区间的 Hom-object，并通过乘法或最小值进行组合，从而对提示词质量进行连续、可量化的建模与优化。该技能提供 EnrichedHom、QualityVector、EnrichedPromptCategory、QualityOptimizer、QualityFunctor 等核心结构，支持多维度质量评估（清晰度、具体性、完整性、连贯性、相关性）、路径质量组合、最佳路径搜索、基于梯度的迭代优化以及 Pareto 前沿提取。它还可结合 LLM 进行质量评估与改进，适用于构建质量感知的提示词系统、提示词自动优化流程以及需要可解释质量度量的 AI 应用。
recursive-meta-prompting
递归元提示（RMP）技能，用统一范畴语法实现提示词的迭代式自我改进，支持 @quality 阈值、@max_iterations、@budget、@variance 等修饰符与 >=> Kleisli 组合，通过质量门控循环逼近收敛提示。
git-guardrails-claude-code
为 Claude Code 配置 PreToolUse 钩子，在危险 git 命令执行前拦截并阻止，如 git push、reset --hard、clean、branch -D 等。可选择仅对当前项目或全局生效，并支持自定义拦截列表。