create-skill-agent
根据工作流描述创建新的技能+智能体组合
共 420734 条已上架资产
根据工作流描述创建新的技能+智能体组合
当用户说“review my agent”(审查我的智能体)、“is this LangGraph code current”(这段 LangGraph 代码是否是最新的)、“audit this for footguns”(审计这段代码是…
自由发言的智能体,使用哈萨克语
使用 Mergiraf 以确定性的方式初步解决 Git 合并、变基、挑选提交或回退操作中的冲突,然后再对剩余的合并冲突使用智能体推理进行处理
Workflow and guidelines for generating or refining agent skills
审计系统提示和智能体流水线中的补偿性复杂性——围绕先前模型限制构建的脚手架、流程技巧和临时修补,应在模型升级前测试其可删除性
为任意代理工作流建模令牌成本及优化机会,输出每项任务成本、月度消耗以及模型路由节省
记录并实现捕获用户对智能体输出进行修正的模式,将其作为结构化事件(user_correction_submitted)
分析智能体自我报告的任务完成率与实际接受率(用户或下游验证者未作修改而保留的任务)之间的差距
将现有面向人类的文档(如 README、操作手册、架构文档、入职指南)转换为机器可读的等效版本,明确界定边界、声明权限,并提供“遇到阻碍时该怎么办”的指引
对现有工具栈中的某个工具依据语义深度评估标准进行审计,并输出明确决策——扩展(Extend)、封装(Wrap)、替换(Replace)或暂缓(Wait)——以一份一页备忘录的形式呈现
对任何智能体提示或规范进行压力测试,检查其是否存在歧义、缺失约束以及可能导致大规模随机行为的边缘情况
根据“苦涩教训”(Bitter Lesson)原则对智能体系统设计进行评分——评估系统中“如何做”(how)与“做什么”(what)的编码比例,衡量对模型能力提升的押注程度 versus 对当前局限性的固化程度
根据工作流程描述和历史示例,生成一个基于大语言模型作为评判者的质量评分标准
构建一个内部评估体系,反映工程师实际如何向编码智能体发出提示——包括需求模糊、上下文缺失、前提错误等情况,而非仅针对定义良好的基准问题;评估重点应放在模型是否真正理解了请求,而不仅仅是答案是否正确
发布一个非确定性商业代理,采用快照评估而非对话模拟
创建一个领域专家合作计划,以基准测试并提升模型在专业化智能体任务中的性能
在批准部署代理型 AI 前,评估并限定其安全风险
为软件开发生命周期设计和实施安全控制,其中大部分代码由智能体(agent)编写
模型生成的输出看似正确,但解决的是另一个任务——通常是对模糊任务的不同但相关的解释