custom-agent-scaffold
使用此技能来继承 google
共 426379 条已上架资产
使用此技能来继承 google
Andrej Karpathy的思维框架与表达方式
LLM 应用和 AI 系统的实施专家
将此技能用于 AI 与 LLM 工程负责人、RAG 循环及 AI 网关代理(涵盖 AI、机器学习、数据科学和向量数据库)
将此技能用于本地 Ollama 部署、Modelfiles 以及本地 LLM 调优(人工智能、机器学习、数据科学与向量数据库)
根据时间序列的LLM提示执行数据,生成一份高管级别的GEO可见性进展报告
实现基础 RAG 模式(RAG)
分析LLM网关的成本、性能、模型指标和会话
指导基于规范、测试驱动的开发,其中 LLM 代理在不读取测试套件的情况下实现代码
指导团队设计 LangGraph 智能体记忆模式,包括每线程检查点、长期存储、LLM 缓存、检索和压缩
指导团队在 Python LangGraph 工作流中解析和验证 LLM 输出,包括提示工程、输出解析器和受控生成模式
指导团队为特定步骤选择合适的 LLM 自主级别——从单次 LLM 调用,到预定义的链或路由器,再到使用工具的多步骤代理循环或动态工具创建——并有意识地组合工作流和代理(将代理作为较大工作流中的有界节点),而不是默认在所有地方都采用完全自主
保持有限数量的独立阻塞 I/O 请求处于飞行状态(即“N 个请求的队列”,通常为 2),而不是严格按顺序逐个发出请求,以重叠网络往返时间和服务器计算时间,消除空闲等待间隙
基于门的TDD(测试驱动开发)用于分层LLM/ETL流水线
用于处理本地 LLM 生成任务挂起或响应缓慢的情况,涵盖重试策略设计、超时调优以及延迟异常处理的文档说明
迭代式 LLM 生成 → LLM 批判 → LLM 重新生成的循环
将本地 Ollama 模型可靠地接入代理框架(如 pi、opencode、hermes、open-webui),可选择通过 LiteLLM 网关进行连接
通用学术文献检索与整理助手
审查 TensorRT-LLM 部署 — 引擎构建配置、精度/量化选择、动态批处理设置,以及编译开销是否被工作负载的稳定性和规模所证明合理,区别于 vLLM 特定或通用服务架构的审查
审查 vLLM 部署的配置——连续批处理设置、KV 缓存/PagedAttention 内存大小、张量并行配置以及量化选择,区别于通用服务架构或 GPU 集群调度