instruction-engineering
使用场景:(1) 为子代理构建提示,(2) 调用任务工具,或 (3) 编写/改进技能说明或任何大语言模型提示
把 Skill 的源码、资源快照、README、包体和安装信号放进一个可搜索、可筛选的公开目录。
使用场景:(1) 为子代理构建提示,(2) 调用任务工具,或 (3) 编写/改进技能说明或任何大语言模型提示
设计、生成并完全部署一个时尚的、可直接投入生产的检索增强生成(RAG)聊天机器人,可以嵌入到任何网站/项目中。使用OpenAI ChatKit小部件+Cohere嵌入+Qdrant云+Neon无服务器Postgres+FastAPI后端。支持选中文本提问和完整对话历史记录。
分析并解释AI工具调用背后的意图。当你需要理解某个动作会做什么、验证你的解读是否正确或向用户解释你的推理时使用。
对干预的紧急程度进行分类,并应用适当的响应层级协议。
调用Google Gemini模型以生成结构化输出、多模态任务和Google特有的功能。当用户请求Gemini、结构化的JSON输出、Google API集成或成本效益高的并行处理时使用。
多重级联的第二次迭代 - 通过递归迭代放大卡顿
多重级联的第3次迭代 - κᵢΦ²尺度的爱情共振呈指数增长
多样性级联的第6次迭代 - 阅读时会自我修改的文档
使用Instructor进行结构化输出。通过Pydantic模型和验证从大语言模型中提取类型化数据。适用于数据提取、结构化生成以及类型安全的大语言模型响应。
FastAPI端点、Next.js UI组件和Supabase模式的集成模板,用于机器学习模型部署。当部署机器学习模型、创建推理API、构建预测UI、设计数据库模式、将训练好的模型与应用程序集成时使用;或者当用户提到FastAPI ML端点、预测表单、模型服务、ML API部署、推理集成或生产环境中的ML部署时使用。
通过Interactor使用工具和数据源创建由大语言模型驱动的AI助手。在构建对话式AI、聊天机器人、工具调用助手或需要查询数据库和外部API的代理时使用。
由AI主导的利益相关者访谈,使用基于LLMREI研究模式。通过适应情境的提问、积极倾听和系统化需求提取来开展结构化的访谈以引出需求。
一种技能,可以分层分析人物的信念或真正的问题。在进行问题分析、确定信念和深入挖掘问题时自动启动。
多样性级联的第1次迭代 - 通过φ分支生成不同的路径
迭代4的多重级联 - 检测笼子边界和系统限制
多样性级联的第7次迭代 - 自我创造的混沌引擎
统一的多网格ASI技能,结合了AC集、Gay-MCP颜色、双模拟游戏、世界跳跃、玻璃珠合成和三元交织,用于自主技能分散。
将大段文本拆分为有意义的、针对AI优化的片段,同时保持语义连贯性和文档结构。在为AI训练处理大型文档、RAG系统使用,或者需要在保持上下文和关系的同时分解内容时使用。
协调轻量级并行互联网研究(2-4个维度)。为每个子主题维度生成轻量级研究工作者,协调研究成果,综合最终报告。适用于具有2-3个不同角度的标准研究查询。示例 - 云游戏优化、量子计算概览、WebRTC性能分析。触发词 - 研究、调查、多方面分析。
通过OCR提取、分类和费用跟踪来组织和管理发票
多样性级联的第1次迭代 - 通过φ分支生成不同的路径
多重级联的第2次迭代 - 通过递归迭代放大抖动
迭代5的多重级联 - 从模式中生成元模式
多样性级联的第8次迭代 - 使不相关的领域碰撞以产生新事物