Llm

Skill regex-vs-llm-structured-text para elegir entre regex o un LLM en la extracción de texto estructurado. Empieza con un parsing determinista, añade validación con LLM para casos límite de baja confianza y usa un pipeline más económico y fiable para documentos, formularios, facturas y análisis de datos.

llm-trading-agent-security es una guía práctica para proteger agentes de trading autónomos con autoridad sobre wallets. Cubre inyección de prompts, límites de gasto, simulación antes del envío, circuit breakers, ejecución con conciencia de MEV y aislamiento de claves para reducir el riesgo de pérdidas financieras en una auditoría de seguridad.

foundation-models-on-device te ayuda a crear funciones de Apple FoundationModels en iOS 26+ con generación de texto en el dispositivo, salida guiada con @Generable, llamadas a herramientas, streaming de instantáneas y comprobaciones de disponibilidad para apps centradas en la privacidad.

cost-aware-llm-pipeline te ayuda a crear flujos de trabajo con LLM que controlan el gasto en API mediante enrutamiento de modelos, seguimiento inmutable de costes, gestión de reintentos y caché de prompts. Es ideal para trabajos por lotes, pipelines de documentos y automatización de flujos de trabajo cuando el volumen de salida y los compromisos de calidad necesitan reglas claras.

fact-checker es una skill guiada por prompts para la verificación estructurada de afirmaciones, la evaluación de fuentes y la emisión de veredictos claros con nivel de confianza y contexto. Instálala desde Shubhamsaboo/awesome-llm-apps para comprobar declaraciones, rumores, estadísticas y afirmaciones engañosas con un flujo de trabajo repetible.

deep-research es una skill ligera para agentes orientada a la investigación web estructurada. Ayuda a definir el alcance, reunir varias fuentes, evaluar su credibilidad y sintetizar hallazgos con citas a partir de un único flujo de trabajo en SKILL.md.

cso es una habilidad de auditoría de seguridad, orientada al estilo de un Chief Security Officer, para agentes. Ayuda a revisar bases de código y flujos de trabajo en busca de exposición de secretos, riesgos de dependencias y cadena de suministro, seguridad de CI/CD y seguridad de LLM/IA usando OWASP Top 10 y STRIDE. Usa cso para revisiones estructuradas de auditoría de seguridad con puertas de confianza, verificación activa y seguimiento de tendencias.

La skill evaluation-methodology explica la puntuación PluginEval para Model Evaluation, incluidas las capas, las rúbricas, la puntuación compuesta, los umbrales de insignias y la orientación práctica para interpretar resultados y mejorar las dimensiones más débiles.

prompt-engineering-patterns es una skill práctica para diseñar prompts en producción. Cubre el contexto de instalación, plantillas reutilizables, ejemplos few-shot, salidas estructuradas y flujos de optimización de prompts para Context Engineering.

rag-implementation es una skill práctica para planificar sistemas RAG con bases de datos vectoriales, embeddings, patrones de recuperación y flujos de respuestas fundamentadas. Úsala para comparar opciones del stack, orientar decisiones de arquitectura y guiar la instalación y el uso en Q&A sobre documentos, asistentes de conocimiento y búsqueda semántica.

similarity-search-patterns te ayuda a elegir métricas de distancia, tipos de índice y patrones de recuperación híbrida para búsqueda semántica y flujos de trabajo de RAG. Úsalo para planificar en producción los compromisos de la búsqueda vectorial entre recall, latencia y escalabilidad.

La skill hybrid-search-implementation muestra cómo combinar recuperación vectorial y por palabras clave con RRF, fusión lineal, reranking y patrones en cascada para sistemas de búsqueda y RAG.

langchain-architecture es una guía de diseño para crear aplicaciones con LangChain 1.x y LangGraph. Úsala para decidir entre cadenas, agentes, retrieval, memoria y patrones de orquestación con estado antes de implementar.

Usa la skill llm-evaluation para diseñar planes de evaluación repetibles para apps con LLM, prompts, sistemas RAG y cambios de modelo, con métricas, revisión humana, benchmarking y controles de regresión.

embedding-strategies te ayuda a elegir y optimizar modelos de embeddings para búsqueda semántica y flujos de trabajo RAG, con orientación práctica sobre chunking, compromisos entre modelos, contenido multilingüe y evaluación de recuperación.

ai-prompt-engineering-safety-review es una skill de auditoría de prompts para revisar prompts de LLM en busca de riesgos de seguridad, sesgos, debilidades de seguridad y problemas de calidad de salida antes de su uso en producción, evaluación o entornos de cara al cliente.

agentic-eval es una skill de GitHub Copilot que muestra cómo crear bucles de evaluación para salidas de IA mediante reflexión, crítica basada en rúbricas y patrones evaluator-optimizer.

develop-ai-functions-example te ayuda a crear o modificar ejemplos ejecutables del AI SDK en vercel/ai dentro de `examples/ai-functions/src/`. Úsalo para elegir la categoría adecuada, seguir las convenciones del repositorio y crear ejemplos mínimos para validación de proveedores, demos o fixtures.

huggingface-papers te ayuda a leer páginas de papers de Hugging Face en markdown y a extraer metadatos estructurados desde la API de papers, incluidos autores, modelos enlazados, datasets, Spaces, repositorios de GitHub y páginas de proyecto. Úsalo para URLs de papers de Hugging Face, URLs o IDs de arXiv, y flujos de trabajo de investigación académica que necesitan evidencias de la página del paper.

huggingface-llm-trainer te ayuda a entrenar o ajustar modelos de lenguaje y visión en Hugging Face Jobs con TRL o Unsloth. Usa esta skill de huggingface-llm-trainer para SFT, DPO, GRPO, modelado de recompensas, comprobación de datasets, selección de GPU, guardado en Hub, monitorización con Trackio y exportación a GGUF para flujos de trabajo de desarrollo backend.

huggingface-local-models te ayuda a encontrar modelos de Hugging Face que se ejecutan en local con llama.cpp y GGUF, elegir una cuantización práctica y ponerlos en marcha en CPU, Apple Metal, CUDA o ROCm. Cubre la खोज de modelos, la localización exacta del archivo GGUF, la configuración de servidor frente a CLI y una vía rápida para desarrollo de backend e inferencia local privada.

huggingface-community-evals te ayuda a ejecutar localmente evaluaciones de modelos de Hugging Face Hub con inspect-ai o lighteval. Úsalo para elegir backend, hacer pruebas rápidas y consultar una guía práctica de vLLM, Transformers o accelerate. No sirve para orquestación de HF Jobs, PRs de model cards, publicación de .eval_results ni automatización de community-evals.

llm-patterns te ayuda a diseñar la lógica de aplicaciones AI-first, donde los LLM se encargan del razonamiento, la extracción y la generación, mientras el código se ocupa de la validación, el enrutamiento y el manejo de errores. Usa la skill llm-patterns para una estructura de prompts más clara, flujos de trabajo de LLM que se pueden probar y orientación práctica para la creación de skills.

detecting-ai-model-prompt-injection-attacks es una skill de ciberseguridad para filtrar texto no confiable antes de que llegue a un LLM. Usa regex en capas, puntuación heurística y clasificación basada en DeBERTa para detectar ataques directos e indirectos de prompt injection. Es útil para validación de entradas en chatbots, ingesta de documentos y threat modeling.