headroom-compressor
使用 Headroom 的集成上下文压缩层 (v0
共 426379 条已上架资产
使用 Headroom 的集成上下文压缩层 (v0
思维树(Tree of Thoughts, ToT)技术——强制大型语言模型(LLM)扮演3个或更多独立专家角色,进行交叉批判性辩论,并通过投票选出最优方案
LLM-as-a-Judge 人格设定——将 AI 转变为“评估教练”(EvalCoach),依据严格的评分细则对其他 AI 的输出进行评判:逐项打分、说明扣分原因,并自动重写出一份满分(5/5)版本
AI与机器学习专家,专注于大语言模型服务(vLLM、TensorRT-LLM、llama
在针对特定任务选择合适的 LLM 时使用
用于估算或优化代理操作中的大型语言模型(LLM)成本
当用户希望将 D:\Nutstore\Obsidian 下的资料自动处理、转化为 Wiki 格式并内化为 Obsidian 知识库时使用
设置、配置、诊断并在 Steam Deck 的 distrobox 容器中使用 AMD ROCm 运行 vLLM
基于Karpathy方法论安装和管理llm-wiki个人知识库系统
使用 BullMQ 和 Sidekiq 模式设计后台任务,包括重试策略、任务队列和监控
减少常见LLM代码编写错误的行动准则:将静态哲学转化为四大物理拦截器,确保AI始终秉持简洁、精准、测试驱动与防幻觉的原则
通过缓存、模型选择、批处理和提示优化降低LLM成本并提升响应速度
为大型语言模型(LLMs)设计健壮的函数/工具调用模式,包括 JSON 模式、验证策略、类型化接口和调用示例
掌握 BullMQ、Celery、Sidekiq 的模式、重试策略和作业监控
使用可追溯的源/固定数据、实际输出、独立参考以及盲读只读的 Claude 来验证确定性计算或业务规则逻辑
用于将本地AI想法、问题或工作流需求转化为具体系统方案,且主要不确定性仍在于本地技术栈本身的情况
BullMQ 任务队列、后台处理以及基于 Redis 的 Web 应用任务执行基础技能
使用此技能设计一个 ADK 2
使用此技能设计 ADK 2
使用此技能可为 ADK 2