Llm

regex-vs-llm-structured-text 技能用于在结构化文本抽取中选择 regex 还是 LLM。先用确定性解析打底，再用 LLM 对低置信度边界情况做校验，并为文档、表单、发票和数据分析构建更便宜、更可靠的流水线。

llm-trading-agent-security 是一份面向带有钱包权限的自主交易代理的实用安全指南。内容涵盖提示注入、防止超额支出、发送前模拟、熔断机制、考虑 MEV 的执行以及密钥隔离，帮助降低 Security Audit 中的资金损失风险。

foundation-models-on-device 帮你在 iOS 26+ 上构建 Apple FoundationModels 功能，包括端侧文本生成、使用 `@Generable` 的引导式输出、工具调用、快照流式传输，以及面向隐私优先应用的可用性检查。

cost-aware-llm-pipeline 可帮助你构建能够控制 API 成本的 LLM 工作流，支持模型路由、不可变成本追踪、重试处理和 prompt 缓存。适合批处理任务、文档流水线和 Workflow Automation 等场景，尤其适用于需要为输出量与质量取舍设定明确规则的场景。

fact-checker 是一项以提示词驱动的技能，用于结构化事实核查、来源评估，并输出带有置信度和背景说明的清晰结论。你可以从 Shubhamsaboo/awesome-llm-apps 安装它，用可复用的工作流核查陈述、传言、统计数据和可能误导的说法。

deep-research 是一个轻量级的代理技能，用于开展结构化 Web 研究。它通过单一的 SKILL.md 工作流，帮助你明确研究范围、汇集多方来源、评估信息可信度，并综合输出带引用的研究结论。

cso 是一款面向代理的 Chief Security Officer 风格安全审计技能。它可帮助审查代码库和工作流中的密钥泄露、依赖与供应链风险、CI/CD 安全，以及基于 OWASP Top 10 和 STRIDE 的 LLM/AI 安全问题。适合用 cso 做结构化的 Security Audit 评审，支持置信门控、主动验证和趋势追踪。

evaluation-methodology 技能说明了用于 Model Evaluation 的 PluginEval 评分方法，包括评估层级、评分 rubric、综合评分、徽章阈值，以及如何解读结果并改进薄弱维度的实用建议。

prompt-engineering-patterns 是一项面向生产环境提示词设计的实用技能，涵盖安装适用场景、可复用模板、few-shot 示例、结构化输出，以及用于 Context Engineering 的提示词优化工作流。

rag-implementation 是一项面向实践的技能，可用于规划包含 vector databases、embeddings、retrieval patterns 与 grounded-answer workflows 的 RAG 系统。你可以用它比较技术栈方案、明确架构决策，并指导 document Q&A、knowledge assistants 和 semantic search 场景下的安装与使用选择。

similarity-search-patterns 可帮助你为语义搜索和 RAG 工作流选择合适的距离度量、索引类型与混合检索模式。适合用于规划生产级向量搜索在召回率、延迟和规模之间的取舍。

hybrid-search-implementation 技能说明如何将向量检索与关键词检索结合，并使用 RRF、线性融合、重排和级联等模式，用于 RAG 和搜索系统。

langchain-architecture 是一份用于构建 LangChain 1.x 与 LangGraph 应用的架构设计指南。在开始实现之前，你可以用它判断应采用 chains、agents、retrieval、memory 还是有状态编排等模式。

使用 llm-evaluation skill，为 LLM 应用、提示词、RAG 系统和模型变更设计可重复执行的评估方案，覆盖指标、人审、基准测试与回归检查。

embedding-strategies 帮助你为语义搜索和 RAG 工作流选择并优化 embedding 模型，提供关于分块策略、模型取舍、多语言内容处理和检索评估的实用指导。

ai-prompt-engineering-safety-review 是一项用于提示词审计的技能，可在生产环境、评估流程或面向客户使用前，审查 LLM 提示词在安全性、偏见、安全弱点和输出质量方面的风险。

agentic-eval 是一个 GitHub Copilot skill，展示如何通过反思、基于 rubric 的评审，以及 evaluator-optimizer 模式，为 AI 输出构建评估循环。

develop-ai-functions-example 用于在 vercel/ai 的 `examples/ai-functions/src/` 下创建或修改可运行的 AI SDK 示例。它能帮助你选择合适的示例类别、对齐仓库约定，并构建适合 provider 验证、演示或测试夹具的最小化示例。

hypogenic 是一项用于在 LLM 支持下，对表格数据或文本衍生数据集生成并测试假设的技能。它通过将经验性问题转化为结构化、可检验的工作流，帮助你进行数据分析中的假设生成，适用于分类解释、内容分析和欺骗检测。适合需要有证据支撑的假设，而不只是头脑风暴的场景。

dhdna-profiler 可从文本或语音中提取认知模式和思维指纹。可用于分析某人的推理方式、决策方式、价值取向和表达方式，对比不同思维风格，或回答“我的思维风格是什么？”这个问题。它尤其适合结构化分析、反复对比，以及深入理解一段内容背后的思维者。

huggingface-papers 可帮助你以 markdown 形式阅读 Hugging Face 论文页面，并从 papers API 中提取结构化元数据，包括作者、关联模型、数据集、Spaces、GitHub 仓库和项目页面。适用于 Hugging Face 论文 URL、arXiv URL 或 ID，以及需要论文页面证据的 Academic Research 工作流。

huggingface-llm-trainer 可帮助你在 Hugging Face Jobs 上使用 TRL 或 Unsloth 训练或微调语言模型和视觉模型。这个 huggingface-llm-trainer 技能适用于 SFT、DPO、GRPO、奖励模型训练、数据集检查、GPU 选择、Hub 保存、Trackio 监控，以及面向后端开发工作流的 GGUF 导出。

huggingface-local-models 帮你找到可在本地通过 llama.cpp 和 GGUF 运行的 Hugging Face 模型，选择合适的量化版本，并在 CPU、Apple Metal、CUDA 或 ROCm 上启动。内容涵盖模型发现、精确的 GGUF 文件定位、server 与 CLI 的配置，以及面向后端开发和私有本地推理的快速路径。

huggingface-community-evals 可帮助你在本地使用 inspect-ai 或 lighteval 运行 Hugging Face Hub 模型评测。适合做后端选择、冒烟测试，以及了解 vLLM、Transformers 或 accelerate 的实用选型指引。不适用于 HF Jobs 编排、model-card PR、.eval_results 发布或 community-evals 自动化。