搜索「Rag」的结果

io.github.google/skills/google-cloud-solution-rag-enterprise-search-gke-sqldb

为 Google Cloud 中具备检索增强生成（RAG）能力的企业搜索系统发现需求，并生成架构、设计与部署指导。当用户需要以支持向量的 SQL 数据库作为嵌入向量的存储与索引、使用开放模型与开源推理框架，并用 Kubernetes 容器承载所有应用组件时使用。切勿用于全托管 RAG、SaaS 搜索服务，或需要非 SQL 向量数据库的场景。

io.github.mukul975/Anthropic-Cybersecurity-Skills/implementing-runtime-security-with-tetragon

用 Cilium Tetragon 在 Kubernetes 中实现基于 eBPF 的运行时可观测性与内核内执行：监控进程执行、文件访问、网络连接与系统调用，并在内核层面阻断危险调用。适用于部署 Tetragon 以检测或阻断 ptrace、mount、unshare 等系统调用、实施内核级策略，或为集群增加低开销的运行时检测。关键词：Tetragon、Cilium、eBPF、TracingPolicy、kprobe、执行、进程谱系。不要用于基于 Falco 的检测——那用 detecting-container-runtime-threats-with-falco。

io.github.mattpocock/skills/writing-fragments

写作（探索）：挖掘原始碎片，暂不定结构。

io.github.HKUDS/OpenSpace/react-localstorage-keyboard-nav

创建带有 localStorage 持久化与键盘导航支持的 React 组件。

io.github.wshobson/agents/rag-implementation

使用向量数据库与语义搜索，为 LLM 应用构建检索增强生成（RAG）系统。在实现知识锚定的 AI、构建文档问答系统或将 LLM 与外部知识库集成时使用。

io.github.vinvcn/mattpocock-skills-zh-CN/writing-fragments

一种追问式会话，用来从用户那里挖掘片段，也就是各类写作素材（主张、小场景、尖锐句子、半成形想法），并追加到单一文档中，作为未来文章的原始素材。适用于用户想在施加结构前发展想法，或提到 “fragments”、“ideate”、“raw material” 写作素材时。

io.github.mukul975/Anthropic-Cybersecurity-Skills/testing-prompt-injection-in-rag-pipelines

通过投毒的检索上下文与嵌入操纵，探测 RAG 应用是否存在提示注入。

io.github.github/awesome-copilot/pinecone-rag

以 Pinecone 作为向量数据库后端构建生产级 RAG 管道与持久化 agent 记忆。当用户提到 Pinecone、需要为语义检索索引文档、构建检索增强生成系统、跨会话存储 agent 记忆、实现混合检索，或把 LLM 接入可检索知识库时使用；也适用于向量数据库选型、多租户 agent 的 namespace 隔离、embedding 管道、以及将知识库扩展到本地存储之外的场景。不适用于本地向量库（Chroma、FAISS、pgvector）或纯关键词检索。

io.github.mukul975/Anthropic-Cybersecurity-Skills/exploiting-insecure-data-storage-in-mobile

识别并利用 Android 与 iOS 应用中的本地不安全数据存储漏洞：未加密数据库、全局可读文件、不安全的 SharedPreferences、明文凭据存储，以及 keychain/keystore 的不当使用。适用于聚焦 OWASP M9（不安全数据存储）的移动渗透测试，或 MASVS-STORAGE 合规评估。对涉及移动数据存储安全、本地存储利用、SharedPreferences 分析或移动数据泄露评估的请求自动激活。

io.github.a5c-ai/babysitter/offline-storage

跨平台的离线优先（offline-first）数据管理

io.github.thedaviddias/Front-End-Checklist/draggable-accessibility

审查与“让拖放可访问”相关的模板、渲染 HTML 或共享组件时使用。校验最终面向浏览器的标记，而不只是框架侧的源码抽象。

io.github.GRCEngClub/claude-grc-engineering/automation-coverage-analysis

撰写周对周自动化覆盖率叙述。在运行 /report:automation-coverage 时使用。围绕节省的时间、证据质量与前瞻性复利价值，为管理层框定增量。

io.github.streamlit/streamlit/improving-python-coverage

带覆盖率统计地运行 Python 单元测试，分析覆盖率报告，并实现有意义的测试用例，使覆盖率提升约 0.2%。当你想通过高价值测试用例系统性提升 Python 测试覆盖率时使用。

io.github.streamlit/streamlit/improving-frontend-coverage

带覆盖率统计地运行前端单元测试，分析覆盖率报告，并实现有意义的测试用例，使覆盖率提升约 0.2%。当你想通过高价值测试用例系统性提升前端测试覆盖率时使用。

io.github.HKUDS/OpenSpace/react-localstorage-keyboard-nav

创建带有 localStorage 持久化与键盘导航支持的 React 组件。

io.github.HydraDragonAntivirus/HydraDragonAntivirus/mobile-design

面向 iOS 与 Android 应用的移动优先设计思维与决策。涵盖触摸交互、性能模式与平台惯例。教授原则而非固定数值。在构建 React Native、Flutter 或原生移动应用时使用。

io.github.ricardonevesbraga/flowgrammers-skills/docker-development

面向 Claude Code 的 Docker 与容器开发技能及插件，用于 Dockerfile 优化、docker-compose 编排、多阶段构建与容器安全加固。使用时机：用户希望优化 Dockerfile、创建或改进 docker-compose 配置、实现多阶段构建、审计容器安全、缩减镜像体积或遵循容器最佳实践。

io.github.oimiragieo/agent-studio/kubernetes-flux

Kubernetes 集群管理与故障排查。查询 Pod、Deployment、Service、日志与事件，支持切换上下文、扩缩容与发布管理。用于 Kubernetes 的调试、监控与运维。

io.github.anthropics/skills/claude-api

Claude API / Anthropic SDK 参考——模型 id、定价、参数、流式输出、工具调用、MCP、agent、缓存、token 计数、模型迁移。触发条件：提示中出现任何 Claude/Anthropic 相关名称（Claude、Anthropic、Fable、Opus、Sonnet、Haiku 等）；用户询问 LLM 相关问题（定价/选型/限额/缓存）时不要凭记忆回答；或任务属于 LLM 类且未指明供应商。仅当明确针对其他供应商（OpenAI/GPT/Gemini/Llama/Mistral/Cohere/Ollama）时跳过。

io.github.docling-project/docling/docling

用 Docling 理解任意受支持格式文档的内容——PDF（原生数字或扫描件）、DOCX、PPTX、XLSX、HTML、Markdown、AsciiDoc、CSV、图片、音频与 XML——把它们统一转换为 DoclingDocument（Markdown 或结构化 JSON）。当你需要读取、解析、转换、提取或切分无法直接阅读的文档时使用，例如“这份 PDF 里有什么”“转成 markdown”“提取表格”“为 RAG 切块”“读这份扫描文档”“解析这个 DOCX/PPTX”。涵盖 docling CLI、Python SDK（DocumentConverter 与 PipelineOptions）、远程 Service Client（自托管或托管的 docling-serve），以及用于最小依赖体积的 docling-slim install extras。

io.github.alirezarezvani/claude-skills/senior-ml-engineer

面向将模型产品化的 ML 工程技能，涵盖 MLOps 流水线构建与 LLM 集成。包括模型部署、特征存储、漂移监控、RAG 系统与成本优化。当用户询问向生产部署 ML 模型、搭建 MLOps 基础设施（MLflow、Kubeflow、Kubernetes、Docker）、监控模型性能或漂移、构建 RAG 流水线，或集成带重试逻辑与成本控制的 LLM API 时使用。聚焦生产与运维，而非模型研究或初始训练。

io.github.NousResearch/hermes-agent/chroma

面向 RAG 与语义搜索的嵌入向量数据库。

io.github.NousResearch/hermes-agent/pinecone-research

基于 Pinecone 的代理 RAG 与长期记忆。

io.github.microsoft/ai-agents-for-beginners/local-ai-agents

使用 Microsoft Foundry Local 与 Qwen 函数调用模型，构建完全在开发者工作站上运行的本地优先 AI agent。涵盖小语言模型（SLM）、OpenAI 兼容的本地端点、沙箱化本地工具、基于 Chroma 的本地 RAG、本地 MCP server、云/本地混合路由，以及隐私/成本/离线的权衡取舍。基于《AI Agents for Beginners》第 17 课。适用于：本地运行 agent、离线 agent、端侧 agent、Foundry Local、Qwen 函数调用、本地工具调用、本地 RAG、Chroma 向量数据库、本地 MCP server、注重隐私的 agent、本地与云混合 agent、小语言模型 agent、本机上的工程助手。不适用于：大规模云端 agent 部署（用 deploying-scalable-agents / 第 16 课）、初次构建 agent 概念（第 01 课）、Foundry（云端）托管 agent、GPU 集群/服务端推理资源开通。