RAG

knowledge-ops 是一個用來管理多層知識庫的 knowledge-ops 技能，涵蓋本機檔案、MCP 記憶體、向量儲存與 Git repo。可用來匯入、整理、同步、去重與檢索筆記、對話、文件和專案事實，並清楚區分各層儲存邊界。

vector-index-tuning 可協助調校向量搜尋索引，在延遲、召回率與記憶體使用之間取得平衡。可用來選擇索引類型、調整 HNSW 設定，並比較 RAG 工作流程中的量化選項。

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。

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。

senior-ml-engineer 可協助 agents 規劃 production ML 系統：model deployment、MLOps pipelines、monitoring、drift detection、RAG architecture 與 LLM integration。內含 deployment、monitoring 與 RAG 的參考指南和 starter scripts，團隊在上 production 前應先依自身需求調整。

senior-prompt-engineer 是一個不綁定特定模型的 Prompt Writing skill，適合用於評估驅動的 prompt optimization、RAG 品質檢查、agent workflow validation，以及 token/cost budgeting。內含參考資料，並提供可用於 prompt analysis、RAG metrics 與 agent orchestration 的 Python tools。

azure-search-documents-py 是 Python 版的 Azure AI Search 技能，適合後端開發，涵蓋安裝、驗證、索引設計、向量搜尋、混合搜尋、語意排序與 agentic retrieval。當你需要從環境設定一路到可運作的查詢模式的實作指引時，適合使用 azure-search-documents-py 技能。

reunion 是一套以本機優先為核心的技能，可從回憶、聊天紀錄、日記、照片與口述內容建立追思對話代理，支援 Memory 與 Persona 分析、CLI 使用方式，以及用於 Agent Orchestration 的 MCP server 支援。