Llm

regex-vs-llm-structured-text 技能可協助你在結構化文字擷取時判斷該用 regex 還是 LLM。先從可預測的解析開始，再針對低信心的邊界情況加入 LLM 驗證，適合用更便宜、更可靠的流程處理文件、表單、發票與資料分析。

llm-trading-agent-security 是一份實用指南，專注於如何保護具錢包權限的自主交易代理。內容涵蓋提示注入、防止超額支出限制、送出前模擬、熔斷機制、考量 MEV 的執行，以及金鑰隔離，協助在 Security Audit 中降低財務損失風險。

foundation-models-on-device 協助你在 iOS 26+ 上打造 Apple FoundationModels 功能，包含裝置端文字生成、透過 `@Generable` 的引導式輸出、工具呼叫、串流式 snapshot，以及可用性檢查，適合重視隱私的 App。

cost-aware-llm-pipeline 協助你建立可控 API 支出的 LLM 工作流程，透過模型路由、不可變成本追蹤、重試處理與提示快取來管理成本。特別適合批次作業、文件處理管線與 Workflow Automation，當輸出量與品質取捨需要明確規則時尤其實用。

fact-checker 是一款以提示驅動的技能，適合用於結構化主張驗證、來源評估，以及產出附帶信心等級與脈絡說明的清楚結論。你可從 Shubhamsaboo/awesome-llm-apps 安裝 fact-checker，用可重複執行的流程查核陳述、傳聞、統計數字與具誤導性的說法。

deep-research 是一個輕量型 agent skill，適合用於結構化網路研究。它能協助釐清研究範圍、蒐集多方來源、評估可信度，並透過單一 `SKILL.md` 工作流程整理出附引註的研究結論。

cso 是一款給代理使用、偏向 Chief Security Officer 風格的安全稽核技能。它可協助檢視程式碼庫與工作流程中的機密外洩、相依套件與供應鏈風險、CI/CD 安全，以及 LLM/AI 安全，並採用 OWASP Top 10 與 STRIDE。適合用 cso 來進行結構化的 Security Audit 檢視，搭配信心門檻、主動驗證與趨勢追蹤。

evaluation-methodology 技能說明 Model Evaluation 中的 PluginEval 評分方法，涵蓋評估層級、評分規準、綜合計分、徽章門檻，以及如何解讀結果並改善較弱面向的實務建議。

prompt-engineering-patterns 是一套著重實務的生產級提示設計技能，涵蓋安裝脈絡、可重用範本、few-shot 範例、結構化輸出，以及適用於 Context Engineering 的提示優化流程。

rag-implementation 是一項實用技能，適合規劃包含向量資料庫、embeddings、檢索模式與 grounded-answer 流程的 RAG 系統。可用來比較技術堆疊選項、釐清架構決策，並為文件問答、知識助理與語意搜尋提供安裝與使用方向。

similarity-search-patterns 可協助你為語意搜尋與 RAG 工作流程選擇距離度量、索引類型與混合式檢索模式。適合用來規劃正式環境中的向量搜尋取捨，平衡召回率、延遲與擴充規模。

hybrid-search-implementation 技能說明如何在 RAG 與搜尋系統中，結合向量檢索與關鍵字檢索，並運用 RRF、線性融合、reranking 與 cascade 等模式。

langchain-architecture 是一份用於規劃 LangChain 1.x 與 LangGraph 應用的設計指南。可在實作前協助你判斷應採用 chains、agents、retrieval、memory 與 stateful orchestration 等模式。

使用 llm-evaluation skill，為 LLM 應用、提示詞、RAG 系統與模型變更設計可重複執行的評估方案，涵蓋指標、人工作業審查、基準測試與回歸檢查。

embedding-strategies 協助你為語意搜尋與 RAG 工作流程選擇並最佳化 embedding 模型，並提供實用指引，涵蓋 chunking、模型取捨、多語內容，以及檢索評估。

ai-prompt-engineering-safety-review 是一項提示詞稽核技能，可在正式上線、評估或面向客戶使用前，檢查 LLM 提示詞的安全性、偏誤、資安弱點與輸出品質。

agentic-eval 是一個 GitHub Copilot skill，示範如何運用反思、依 rubric 進行評論，以及 evaluator-optimizer 模式，為 AI 輸出建立評估迴圈。

develop-ai-functions-example 可協助你在 vercel/ai 的 `examples/ai-functions/src/` 下建立或修改可執行的 AI SDK 範例。適合用來判斷正確的範例類別、對齊 repo 慣例，並建立精簡範例，以供 provider 驗證、展示或測試 fixtures 使用。

huggingface-papers 可協助你以 markdown 方式閱讀 Hugging Face 論文頁面，並從 papers API 擷取結構化中繼資料，包括作者、連結的模型、資料集、Spaces、GitHub repo 與專案頁面。適合用於 Hugging Face 論文網址、arXiv 網址或 ID，以及需要論文頁面佐證的學術研究工作流程。

huggingface-llm-trainer 可協助你在 Hugging Face Jobs 上使用 TRL 或 Unsloth 訓練或微調語言與視覺模型。這個 huggingface-llm-trainer 技能適用於 SFT、DPO、GRPO、reward modeling、資料集檢查、GPU 選擇、Hub 儲存、Trackio 監控，以及供後端開發流程使用的 GGUF 匯出。

huggingface-local-models 協助你找出可搭配 llama.cpp 與 GGUF 在本機執行的 Hugging Face 模型，挑選實用的量化版本，並在 CPU、Apple Metal、CUDA 或 ROCm 上啟動。內容涵蓋模型搜尋、精確的 GGUF 檔案查找、server 與 CLI 設定，以及適合後端開發與私有本機推論的快速路徑。

huggingface-community-evals 可協助你在本機使用 inspect-ai 或 lighteval 執行 Hugging Face Hub 模型評測。適合用於後端選擇、冒煙測試，以及了解 vLLM、Transformers 或 accelerate 的實作指南。不適用於 HF Jobs 協調、model-card PR、.eval_results 發佈，或 community-evals 自動化。

llm-patterns 幫助你設計 AI 優先的應用邏輯：由 LLM 負責推理、擷取與生成，程式碼則負責驗證、路由與錯誤處理。適合用 llm-patterns 技能建立更清晰的 prompt 結構、可測試的 LLM 工作流程，以及 Skill Authoring 的實用指引。

detecting-ai-model-prompt-injection-attacks 是一項資安技能，用於在未受信任的文字送入 LLM 之前先行篩檢。它結合多層正則表達式、啟發式評分與基於 DeBERTa 的分類，來標記直接與間接的 prompt injection attacks。適合用於聊天機器人輸入驗證、文件匯入，以及 Threat Modeling。