软件下载帮助文档新闻资讯

Skill UI

浏览并发现 18671+ 精选技能

全部编程开发人工智能设计创意产品商业数据科学市场营销职场通用效率工具硬件工程语言学习

搜索效率，共找到 46 条记录

默认排序最新上传最多下载

AI智能体自进化引擎

capability-evolver

Evolver是一款为AI智能体设计的自进化引擎。它能深入分析运行时的历史记录，识别性能缺陷和效率低点，并自主编写和应用改进方案。其架构通过本地代理信箱（Proxy Mailbox）与EvoMap Hub进行安全通信，适用于构建高度自适应、持续迭代的智能系统。

穴人模式参考指南

JuliusBrussee/caveman

穴人模式参考卡片，提供 Lite、Full、Ultra 及文言文等多种 AI 交互模式。包含生成简洁提交信息、PR 评论及文本压缩等技能，支持通过环境变量或配置文件设置默认模式，旨在优化沟通效率并节省 Token。

Cohere API性能调优指南

cohere-performance-tuning

jeremylongshore/claude-code-plugins-plus-skills

本指南提供全面的Cohere API v2性能优化策略。旨在帮助用户优化Chat、Embed和Rerank等核心API的使用效率，显著提高API吞吐量、降低延迟和管理成本。核心技术包括根据延迟预算选择最佳模型、实现流式传输（Streaming）以提升用户体验、高效批量嵌入（Batching）处理、向量压缩以及部署缓存机制。

Qdrant向量搜索性能优化指南

qdrant-search-speed-optimization

github/awesome-copilot

本指南详细介绍了Qdrant向量搜索的性能诊断与优化方法，解决搜索速度慢、延迟高或吞吐量不足的问题。内容涵盖了从内存优化、HNSW参数调优、量化技术到高效索引创建等多个方面，帮助用户提升系统在高负载下的检索效率。

Coral TPU实时物体检测

yolo-detection-2026-coral-tpu-win-wsl

SharpAI/DeepCamera

本技能利用Google Coral Edge TPU加速器，在Windows WSL环境下实现实时、高效率的物体检测。它能够对摄像头画面进行低延迟的分析，支持配置检测置信度、目标类别和输入分辨率。适用于需要边缘计算和快速视觉识别的场景，性能表现优异。

AI工作流诊断审计

github/awesome-copilot

这是一个系统性的AI工作流审计工具。它能够从提示质量、上下文效率、工具健康、架构适宜性以及安全性五个维度进行深度诊断，生成一份带分数的报告。报告不仅指出问题，还会提供优先级的、可执行的修复建议，帮助用户在部署AI系统前发现并解决潜在的鲁棒性缺陷。

上下文预算与LLM优化

本工具用于审计Claude Code会话中所有组件（如代理、技能、规则和MCP服务器）的Token消耗。它能分析上下文开销，识别冗余或臃肿的组件，并生成详细的上下文预算报告。帮助用户管理Token使用量，确保模型运行效率和性能。

LLM成本基准测试

该技能用于运行结构化和对抗性语料库的全面基准测试。它测量了增强器（booster）模型与主流LLM基线（如Gemini、Anthropic）的性能和成本效率。结果以可验证的JSON报告持久化，是发布和审计模型性能声明的关键环节。

成本分析上下文优化

cost-compact-context

该技能封装了获取紧凑上下文的功能，专门用于成本分析查询。它能检索并报告经过压缩的推理银行上下文（ReasoningBank context）。输出的详细报告包括节省的Token数量、检索的记忆块、以及系统可用性等关键指标，帮助用户监控和评估AI工作流的资源使用效率和成本。

智能任务模型路由选择

intelligence-route

这是一个智能化的任务规划系统，用于根据任务描述自动选择最佳的AI代理和模型级别（如Haiku, Sonnet, Opus）。它通过结合学习到的历史模式、预测和三层路由机制，取代了手动决策，确保了任务执行的效率和流程的完全可追溯性。

PyTorch深度学习模式指南

pytorch-patterns

本技能旨在指导用户掌握 PyTorch 框架中的常见模式和设计最佳实践。它适用于开发复杂的深度学习模型，有助于提升神经网络的结构化程度、代码的复用性以及整体的工程效率。

构建严谨的人工智能研究证据

ecai-experiments

brycewang-stanford/Awesome-Journal-Skills

本指南为AI研究者提供了撰写顶级学术论文的规范要求。它详细指导如何根据研究主张（如证明完备性、效率提升或泛化能力）选择和构建最合适的证据：是需要形式证明、受控的实证对比，还是真实的部署案例。内容覆盖了机器学习的科学性要求（如报告多个随机种子、进行机制消融），确保研究的完整性和可复现性。

上一页 1 234 下一页

语言