用途：该技能用于开发和整理 AI Agents 与 LLM 相关技能，适用场景包括查找或新增 AI/LLM 技能、理解智能体架构模式、处理 RAG/嵌入/向量数据库、实现多智能体系统。
主要内容分类： 一、智能体框架：LangGraph（有状态、多参与者 AI 应用）、CrewAI（基于角色的多智能体编排）、AutoGen（微软多智能体框架）。 二、RAG：嵌入（文本嵌入模型、分块策略）、向量数据库（Pinecone、Weaviate、Chroma、Qdrant）、检索（混合搜索、重排序、上下文优化）。 三、可观测性与追踪：Langfuse（开源 LLM 可观测性）、LangSmith（LangChain 追踪与调试）、Weights & Biases（ML 实验跟踪）。 四、记忆系统：短期（对话缓冲、滑动窗口）、长期（向量存储持久化、实体记忆）、情景记忆（基于经验的记忆召回）。 五、上下文工程：上下文基础概念、上下文退化（lost-in-middle、污染、分心模式）、上下文压缩（摘要、裁剪策略）、上下文优化（缓存、掩码、压缩）。 六、多智能体模式：编排器模式、点对点协作、层级委派、工具使用型智能体。
使用方式与最佳实践：按模块化设计分离检索、生成与编排；加入基准与测试用例进行评估；记录 token 用量与 API 成本；优雅处理 API 失败；尽量支持流式响应。资源在 README 中按分类放置：智能体框架、可观测性归入“AI Agents & LLM Development”，RAG 工具可归入该类或“Data & Analysis”，上下文工程归入“Context Engineering”。如需完整链接列表或最新信息，可用 WebFetch 获取 README.md：https://raw.githubusercontent.com/gmh5225/awesome-skills/refs/heads/main/README.md
限制：该资料为技能索引与指南性质，未提供具体安装命令、代码示例或价格信息；具体实现步骤需参考各工具自身文档。