该技能集合用于按需选择与用户需求匹配的技能，然后读取对应的 SKILL.md 获取详细内容。
用途：面向机器学习实验、模型训练、深度学习、自然语言处理与计算机视觉等研究与实践场景，提供框架使用、基准评测和论文检索类指引。
主要能力（按技能分类）： 一、论文与综述指南：ai-agent-papers-guide（2024-2026 AI 智能体论文精选）、autonomous-agents-papers-guide（自主智能体论文每日更新）、deep-learning-papers-guide（带注释的深度学习论文实现与代码讲解）、anomaly-detection-papers-guide（工业异常检测方法与基准论文）、domain-adaptation-papers-guide（领域自适应论文合集）、graph-learning-papers-guide（图神经网络与图学习会议论文）、kolmogorov-arnold-networks-guide（KAN 可学习激活网络的论文与教程）。 二、模型训练与框架：keras-deep-learning（使用 Keras 与 TensorFlow 后端构建和调试深度学习模型）、pytorch-guide（避免常见 PyTorch 错误并应用稳健训练模式）、pytorch-lightning-guide（用于可扩展模型训练与研究的 PyTorch Lightning 框架）、tensorflow-guide（tf.function、GPU 内存与部署的最佳实践）、dl-transformer-finetune（为分类和生成任务构建 Transformer 微调方案）、llm-from-scratch-guide（用 PyTorch 从零逐步构建类 ChatGPT 的 LLM）。 三、评测与基准：ai-model-benchmarking（跨 60 多个学术评测套件与指标对 AI 模型进行基准测试）、llm-evaluation-guide（面向研究应用评估与基准测试大语言模型）。 四、NLP 与 CV：nlp-toolkit-guide（困惑度评分、突发性与熵指标等 NLP 分析）、computer-vision-guide（应用计算机视觉研究方法、模型与评估工具）、transformer-architecture-guide（面向 NLP 与计算机视觉的 Transformer 架构指南）、generative-ai-guide（涵盖 LLM 与扩散模型的生成式 AI 指南）。 五、Hugging Face：huggingface-api（在 Hugging Face 上搜索与发现模型、数据集和 Spaces）、huggingface-inference-guide（通过 Hugging Face 免费额度 API 运行 NLP 与 CV 模型推理）。 六、工程与其它：ml-pipeline-guide（为研究构建并部署可复现的生产级 ML 流水线）、npcpy-research-guide（面向 NLP、智能体与知识图谱的一体化 Python 库）、prompt-engineering-research（面向 AI 辅助学术研究工作流的系统化提示工程方法）、reinforcement-learning-guide（强化学习基础、算法与研究）、vmas-simulator-guide（向量化多智能体强化学习模拟器）、responsible-ai-guide（可信、公平与合乎伦理的 AI 研究资源）。
使用方式：先根据用户需求选择匹配的技能，再读取该技能的 SKILL.md 文件。具体命令、安装步骤与代码示例暂未提供。
适用场景：ML 实验设计、模型训练与微调、深度学习与 NLP/CV 研究、论文调研、模型评测与 ML 工程化。
限制：资料未说明各技能的依赖版本、运行环境、是否需要额外账号或额度、收费情况与效果保证，均暂未提供。