langchain4j-tool-function-calling-patterns
提供 LangChain4j 的工具与函数调用模式，包含注解与执行流程约定。
▸ 推荐理由规范工具注册与参数校验，便于构建可靠的 Agent 功能。
▸ 风险提示工具执行可能调用外部资源，需注意权限控制与错误处理。
全部收录
相关性达标的全量 Skills（含未精选长尾）· 共 8087 个
langchain4j-testing-strategies
提供 LangChain4j 的单元、集成与端到端测试策略与 Mock 模式。
▸ 推荐理由帮助构建可复现的 AI 服务测试，减少生产故障风险。
▸ 风险提示集成测试依赖 Testcontainers 与 Docker，需网络和容器权限。
langchain4j-spring-boot-integration
将 LangChain4j 与 Spring Boot 集成，提供自动配置与 AI 服务 Bean。
▸ 推荐理由适合在 Spring 生态中生产化部署 AI 服务与 RAG 管线。
▸ 风险提示会涉及模型 API 凭证与管理端点配置，需注意安全与凭证管理。
langchain4j-rag-implementation-patterns
提供基于 LangChain4j 的 RAG 实现：文档摄取、向量存储与语义检索。
▸ 推荐理由快速搭建文档问答与聊天检索管线，适合 Java 后端。
▸ 风险提示依赖外部向量数据库与模型 API，需配置凭证和网络访问。
langchain4j-mcp-server-patterns
提供实现 MCP（Model Context Protocol）服务器和在 Java 中暴露工具调用能力的设计模式。
▸ 推荐理由适合需要实现模型上下文协议与工具调用的 Java 后端与代理服务开发者。
▸ 风险提示可能暴露工具调用能力，需做好能力过滤与访问控制
langchain4j-ai-services-patterns
为 LangChain4j 提供声明式 AI 服务、工具与内存管理的模式与类型化接口方案。
▸ 推荐理由便于在 Java 中快速构建类型安全的 LLM 服务与对话式应用，降低低层耦合成本。
aws-sdk-java-v2-lambda
使用 AWS SDK for Java v2 在应用中管理或调用 AWS Lambda 的实践与示例。
▸ 推荐理由包含部署、配置与与 Spring Boot 集成的常见模式，适合后端服务调用 Lambda。
▸ 风险提示需要 AWS 权限并注意调用成本与执行时间限制。
aws-sdk-java-v2-dynamodb
提供使用 AWS SDK for Java 2.x 操作 DynamoDB（CRUD、查询、事务、批量）的示例与模式。
▸ 推荐理由含增强客户端和事务/批量示例，能加速常见 NoSQL 操作开发。
▸ 风险提示需要 AWS 权限并注意大规模操作可能产生费用或吞吐限制。
aws-sdk-java-v2-core
提供 AWS SDK for Java v2 的客户端配置、凭证解析、超时与重试等生产实践。
▸ 推荐理由覆盖常见故障排查与生产默认值，适合构建健壮的 AWS 客户端。
▸ 风险提示需配置 AWS 凭证，错误配置可能造成安全或调用失败。
aws-sdk-java-v2-bedrock
使用 AWS SDK for Java 2.x 调用 Amazon Bedrock 的基础模型并处理流式与嵌入。
▸ 推荐理由适合在 Java 后端中集成生成式模型与 RAG，含流式与容错示例。
▸ 风险提示需要 AWS 凭证并可能产生模型调用费用。
aws-rds-spring-boot-integration
为 Spring Boot 应用提供 AWS RDS（Aurora/MySQL/Postgres）配置与最佳实践。
▸ 推荐理由包含 HikariCP、读写分离和 Secrets Manager 集成，适合生产数据库接入。
▸ 风险提示需要 AWS 权限并会修改数据库连接配置，注意凭证与网络安全。
pr-review-comments
将 JSON 格式的审查发现作为逐行内联评论发布到 GitHub PR 上。
▸ 推荐理由适合自动化大规模 review 结果发布，借助 gh CLI 无需显式管理 token。
▸ 风险提示需已安装并认证 gh CLI，脚本会对仓库 PR 写入评论权限。
memory-md-management
审计并改进项目记忆文件（如 CLAUDE.md），提升代理上下文质量。
▸ 推荐理由帮助维护高质量的项目上下文文件，利于智能代理理解项目背景。
▸ 风险提示会读取并修改项目文档，需仓库访问与写入权限
learn
自动分析代码库以提取开发惯例并生成项目规则文件(.claude/rules/)。
▸ 推荐理由能让智能代理快速适应项目惯例，减少人为教学成本，有利于长期维护。
▸ 风险提示需要深度读取代码库，可能会写入规则文件并需相应权限
github-issue-workflow
提供完整的八阶段 GitHub Issue 解决工作流并协助实现 PR 流程。
▸ 推荐理由把从需求到 PR 的解决流程结构化，适合需要端到端问题修复的团队与代理人。
▸ 风险提示通常需使用 gh CLI 与 GitHub 权限（读写、PR 权限）
drawio-logical-diagrams
生成符合 draw.io XML 的逻辑流程与系统架构图文件（.drawio）。
▸ 推荐理由直接输出可导入 draw.io 的 XML，便于快速制作专业架构图。
docs-updater
基于 git 变更自动分析并更新 README、CHANGELOG 等文档。
▸ 推荐理由自动识别发布相关改动并按标准更新文档，减轻发布准备工作量。
▸ 风险提示需读取仓库历史并可能修改文档，需写入权限
bug-fix-brief
生成结构化的 Bug Fix Brief，包含根因、复现和修复清单。
▸ 推荐理由让 bug 修复文档化、标准化，便于追踪与审计修复过程。
▸ 风险提示可能需要访问代码与 issue 系统以收集详细信息
adr-drafting
以一致模板生成并管理项目的 Architecture Decision Record (ADR)。
▸ 推荐理由规范化架构决策记录流程，方便团队保留技术决策历史与可追溯性。
▸ 风险提示需要读写仓库文件权限以创建/提交 ADR
rag
实现文档分块、嵌入生成、向量存储与检索的 RAG 管道。
▸ 推荐理由把常见的检索增强生成流程模块化，适合快速搭建文档问答与知识库接入。
▸ 风险提示通常需调用外部嵌入/向量存储服务并使用 API Key
prompt-engineering
提供提示设计、调试与优化的流程与示例策略。
▸ 推荐理由一套可复用的提示实战方法，能显著提升模型表现。
chunking-strategy
为检索增强生成系统提供文档切分与重叠策略建议。
▸ 推荐理由直接提升检索质量与召回/精确率评估，实用性强。
ios-simulator-skill
基于可访问性驱动的 iOS 模拟器测试、构建与自动化脚本集合。
▸ 推荐理由为 AI agent 优化的模拟器操作与语义化 UI 导航，适合移动测试自动化场景。
▸ 风险提示仅在 macOS/Xcode 环境可用，运行脚本会调用本地命令。
awq-quantization
AWQ 提供激活感知的 4-bit 权重量化，在显存受限时提升推理速度并尽量保留精度。
▸ 推荐理由比传统量化更保精度，适合在受限 GPU 上部署大模型以显著降成本与加速推理。
▸ 风险提示量化可能导致精度下降或与特定模型/任务不兼容
skypilot-multi-cloud-orchestration
使用 SkyPilot 在多云环境中自动调度并按成本最优运行 ML 训练与批处理任务。
▸ 推荐理由能自动选择云/区域并利用 spot 资源节省成本，适合跨云扩展与调度需求。
▸ 风险提示需要管理跨云凭据与权限，涉及密钥和账号安全风险
modal-serverless-gpu
介绍在 Modal 无服务器平台上运行 GPU 工作负载并部署自动扩缩的模型 API。
▸ 推荐理由无需管理底层基础设施，适合快速部署按需 GPU 推理与批处理任务。
▸ 风险提示依赖第三方服务并可能产生费用与外部网络调用
lambda-labs-gpu-cloud
介绍如何在 Lambda Labs 上启动与管理 GPU 实例及一键集群来运行 ML 作业。
▸ 推荐理由适合需要简单 SSH 访问与持久文件系统的训练任务，定价透明且无出站流量费。
▸ 风险提示涉及账户与计费权限，需谨慎管理 API 密钥与费用
ray-train
使用 Ray Train 在单机到数千节点集群上编排分布式训练与超参调优。
▸ 推荐理由便于横向扩展、容错与超参搜索，适合跨节点大规模训练场景。
▸ 风险提示需要集群端口与远程资源权限，部署与网络配置可能复杂
pytorch-lightning
提供高层 Trainer API，简化 PyTorch 训练代码并无缝扩展到分布式与加速后端。
▸ 推荐理由显著减少样板代码并平滑扩展到多卡/多节点，适合快速开发与实验迭代。
pytorch-fsdp2
教你在训练脚本中正确集成 PyTorch FSDP2，实现模型分片、混合精度与分布式检查点。
▸ 推荐理由解决单卡内存瓶颈并支持混合精度与 checkpoint，适合大模型训练工程师。
▸ 风险提示需要配置分布式环境与权限，调试复杂且依赖特定 PyTorch 版本
training-llms-megatron
使用 Megatron-Core 在多GPU集群上高效训练 2B–462B 参数的语言模型。
▸ 推荐理由针对超大模型的并行策略与高 MFU 优化，适合追求极致 GPU 利用的研究/工程团队。
▸ 风险提示依赖 NVIDIA 驱动与专有镜像，安装可能拉取外部容器镜像并需高端 GPU
deepspeed
DeepSpeed 的分布式与内存优化实践指南与开发支持。
▸ 推荐理由覆盖 ZeRO、并行策略与精度技巧，适合大模型训练与性能优化工程师。
▸ 风险提示部署与调优复杂，需大量 GPU/集群资源且配置繁琐。
huggingface-accelerate
将 PyTorch 脚本快速转换为多后端分布式训练的轻量工具。
▸ 推荐理由将分布式训练抽象为少量改动，极大降低上手与工程成本。
▸ 风险提示需正确配置集群与资源，错误设置可能导致性能或稳定性问题。
prompt-guard
用于检测与拦截 prompt 注入和越狱攻击的小型多语种分类模型。
▸ 推荐理由模型小且速度快，适合在请求入口做实时安全判断与过滤。
▸ 风险提示需下载模型权重并可能出现误判，影响可用性。
nemo-guardrails
NVIDIA 的可编程运行时安全框架，提供输入输出校验与监控规则。
▸ 推荐理由提供可编程 Colang 规则与多种安全检测组件，适合生产级守护链路。
▸ 风险提示依赖 NVIDIA GPU 与外部模型下载，运行环境要求较高。
llamaguard
Meta 的中小型模型用于输入/输出内容安全分类与审查过滤。
▸ 推荐理由高准确率、低延迟的审查模型，便于在 RAG/应用层加入安全过滤。
▸ 风险提示需下载模型权重并登录 HuggingFace，仍存在误判与漏判风险。
constitutional-ai
通过“宪章”让模型自我批评与用 AI 反馈训练以降低有害输出。
▸ 推荐理由无需大量人工标注即可改进安全性，适合对齐研究与工程落地。
▸ 风险提示自动化反馈可能放大偏差，仍需人工审查与监控。
verl-rl-training
verl 提供面向大规模 LLM 的高效 RL 训练与混合流框架实现。
▸ 推荐理由针对生产级 RLHF 与大规模训练优化，适合有集群需求的研发团队。
▸ 风险提示常需企业级后端与大规模算力，部署复杂且依赖私有基础设施。
fine-tuning-with-trl
用 TRL 对语言模型进行 SFT/DPO/PPO 等后训练调优与奖励模型训练。
▸ 推荐理由面向 RLHF 的全流程工具链，适合需要偏好对齐与奖励优化的团队。
▸ 风险提示需要大量 GPU 资源并可能涉及 HuggingFace 权限与模型权重下载。
torchforge-rl-training
Meta的PyTorch原生RL库，分离基础设施与算法以便于快速实验与扩展。
▸ 推荐理由适合做算法迭代和接入分布式训练工具链的开发者。
▸ 风险提示可能依赖Meta内部组件或特定版本，需注意兼容性与依赖。