Skills
收录 98,067 个为 Agent 打包的专项能力与操作指引，复制一行命令即可安装。
开发
Drizzle ORM 专家知识——面向边缘与无服务器的轻量、类型安全的 SQL ORM。当提到 "drizzle, drizzle orm, drizzle-kit, drizzle schema, drizzle migration, drizzle relations, sql orm typescript, edge database, d1 database, orm, database, typescript, sql, edge, serverless, d1, postgres, mysql, sqlite" 时使用。
企业级系统，涵盖微服务、Kubernetes、Terraform 和 AI Native 方法论。对于跨发布时间线的多功能计划，可与 /sprint master-plan（v2.1.13）结合，将功能归入单个 8 阶段 Sprint 容器，共享范围/预算并设有 4 个自动暂停触发器（QUALITY_GATE_FAIL / ITERATION_EXHAUSTED / BUDGET_EXCEEDED / PHASE_TIMEOUT）。触发词：microservices、k8s、terraform、monorepo、AI native
从自然语言需求生成可直接用于生产的 FastGPT 工作流 JSON。使用 AI 驱动的语义模板匹配，从内置工作流（文档翻译、销售培训、简历筛选、财经新闻）中选取模板。执行三层校验（格式、连接、逻辑完整性）。支持增量修改以新增/删除/修改节点。当用户要求 "create FastGPT workflow"、"generate workflow JSON"、"design FastGPT application"，或提及工作流自动化、多 Agent 系统或 FastGPT 模板时激活。
将图片上传到 img402.dev，以便在 GitHub PR、issue 和评论中嵌入。1MB 及以下的图片免费且永久——无需付费、无需认证——这几乎覆盖了所有截图。更大的图片（最大 10MB）免费 30 天，或通过 x402 以 0.01 USDC 永久保存。当 Agent 需要在 GitHub 场景中分享图片——截图、模型图、示意图或任何视觉内容——时使用。触发词："screenshot this"、"attach an image"、"add a screenshot to the PR"、"upload this mockup"，或任何为 GitHub 生成图片的任务。
通过 AutoGPTQ 和 transformers，使用分组量化（默认组大小为 128）将 LLM 量化为 4 位（也支持 3 位），采用 GPTQ。涵盖加载预量化 GPTQ 模型、量化自有模型、选择组大小、选用 ExLlamaV2、Marlin 或 Triton 内核，以及使用 PEFT 进行 QLoRA 微调。适用于将 70B 级模型部署到受限或消费级 GPU、相比 FP16 将内存占用降低约 4 倍、加快推理、在 HuggingFace 查找预量化检查点，或使用 LoRA 微调量化模型。较新的 GPU 上若需略高精度，请改用 AWQ；简单的 8 位或即时量化则使用 bitsandbytes。
介绍如何使用 TRL 库对语言模型进行 GRPO（Group Relative Policy Optimization）微调，包括 GRPOTrainer 配置、组合多个奖励函数（正确性、格式、长度、风格）、准备聊天格式的数据集、设置 Unsloth、合并 LoRA，以及监控 reward、reward_std 和 KL。适用于训练模型遵循 XML 或 JSON 等严格输出格式；通过客观正确性奖励训练数学或代码等可验证任务；使用自定义奖励函数改进思维链推理；或排查 GRPO 运行中的奖励平坦、模式崩塌或 OOM。纯监督微调请勿使用（使用 SFT）；存在高质量偏好对时也请勿使用（使用 DPO 或 PPO）。
使用 Guidance (Microsoft Research) 在生成时约束 LLM 输出，支持正则表达式、select() 选项、上下文无关文法、token 修复和 @guidance 函数，并支持 Anthropic、OpenAI、Transformers 和 llama.cpp 后端。需要生成文本符合正则表达式或日期、电子邮件、ID 等固定格式时使用。需要模型保证生成有效的 JSON、XML 或代码时使用。构建多步生成工作流或使用 Python 控制流的 ReAct 风格 Agent 时使用。使用 select() 将文本分类到固定类别时使用。在本地运行模型并需要文法约束时使用。不适用于带自动重试的 Pydantic 验证；该场景请使用 Instructor。
使用 HuggingFace Accelerate（Accelerator 类、accelerate config、accelerate launch）封装现有的 PyTorch 训练脚本，使同一份代码可在 CPU、单 GPU、多 GPU、多节点、TPU 或 Apple MPS 上运行。涵盖设备放置、FP16/BF16/FP8 混合精度、梯度累积、分布式检查点，以及在 DDP、DeepSpeed ZeRO、FSDP 和 Megatron 后端之间切换。适用于将单 GPU 脚本转换为多 GPU、启用混合精度、配置 DeepSpeed ZeRO 或 FSDP，或设置梯度累积；也适用于需要让同一脚本在不同硬件上运行的情况。不适用于大量使用回调的训练循环（使用 PyTorch Lightning），也不适用于带超参数调优的多节点编排（使用 Ray Train）。
提供 HuggingFace Tokenizers 库（Rust 核心，带 Python 和 Node.js 绑定），用于训练和使用 BPE、WordPiece 和 Unigram 分词器。涵盖标准化器、预分词器、模型、后处理器和解码器组成的处理流水线、填充和截断、批量编码、对齐跟踪，以及转换为 transformers PreTrainedTokenizerFast。在新语料上训练自定义分词器或词汇表、快速分词大型文本语料、为 NER 或问答将 token 映射回字符偏移，或配置标准化和特殊 token 时使用。将自定义分词器封装以供 transformers 使用时也可使用。SentencePiece 模型或 tiktoken 请使用相应工具；仅加载预训练分词器时，AutoTokenizer 即可满足需求。
使用 Instructor Python 库和 Pydantic 响应模型，从 LLM 响应中提取结构化且经过验证的数据，包括嵌套模型、枚举、自定义验证器、根据验证错误反馈自动重试，以及流式输出部分对象或可迭代对象。支持 Anthropic、OpenAI 和本地 Ollama 模型。适用于从自由文本中提取带类型的字段或实体、将文本分类到固定类别、要求 LLM 返回通过模式验证的 JSON、提取失败时自动重试，或流式获取部分结构化结果。不可用于提示词优化（使用 DSPy）或构建多步骤链（使用 LangChain）。
Node.js Redis 客户端 ioredis v5 参考 — 连接配置、RedisOptions、管道、事务、Pub/Sub、Lua 脚本、Cluster 和 Sentinel。适用场景：(1) 创建或配置 Redis 连接（单机、集群、哨兵），(2) 使用 ioredis 编写 Redis 命令（get/set、管道、multi/exec），(3) 设置 Pub/Sub 或 Streams，(4) 配置 retryStrategy、TLS 或自动管道，(5) 使用 Redis Cluster 选项（scaleReads、NAT 映射），或 (6) 调试 ioredis 连接问题。重要：在 NodeNext 下使用具名导入 `import { Redis } from 'ioredis'` 以获得正确的 TypeScript 类型。
一个开放协议，规定了 AI 应用如何以统一方式连接外部工具与数据源。客户端负责与模型对话，MCP 服务负责提供工具、资源和提示模板，两者通过标准消息通信，同一个服务可以被不同客户端复用。