上下文管理器是人工智能领域的一项专业技能，专注于优化和管理AI系统的记忆与上下文。其核心功能包括：AI记忆架构设计、上下文窗口优化、对话历史管理、RAG（检索增强生成）系统实现、长期/短期记忆策略以及令牌使用效率提升。关键词：AI记忆管理，上下文优化，RAG系统，对话历史，向量数据库，令牌节省，LLM应用，智能体记忆。

SRAgent 是一个用于自动化基因组数据集的文献发现、元数据提取和手稿检索的代理工作系统。关键词包括：序列读取归档(SRA)、基因表达综合数据库(GEO)、访问号转换、元数据提取、单细胞RNA-seq识别。

这是一个基于RAG（检索增强生成）技术的智能聊天机器人，专门用于辅助用户高效学习和查询教科书内容。它通过向量数据库检索相关知识点，结合大语言模型生成精准、个性化的答案。核心功能包括：浮动聊天窗口、上下文高亮提问、移动端适配、用户身份感知。适用于在线教育、知识库问答、智能学习辅导等场景。关键词：RAG聊天机器人，教科书学习助手，智能问答，向量检索，教育科技，个性化学习，AI辅助学习。

AI工程师是专注于构建和部署人工智能系统的专家，擅长将大语言模型、RAG架构和智能体技术集成到生产应用中。核心能力包括LLM集成、检索增强生成系统设计、向量数据库应用、提示工程优化和AI代理开发。关键词：人工智能系统开发，LLM集成，RAG架构，向量数据库，提示工程，AI智能体，生产部署，语义搜索，嵌入策略。

本技能详细阐述了如何为AI智能体设计和实现分层记忆架构，涵盖从工作记忆到时序知识图谱的完整谱系。核心内容包括记忆层架构（工作、短期、长期、实体、时序知识图谱）、实现模式（文件系统、向量RAG、知识图谱）以及检索与整合策略。旨在解决智能体跨会话状态持久化、实体一致性维护和结构化知识推理等关键问题，适用于构建需要长期学习和复杂推理的AI应用系统。关键词：AI智能体，记忆系统，知识图谱，RAG，时序记忆，实体跟踪，跨会话持久化。

此技能用于帮助游戏开发者提升代码质量和开发效率，通过审查代码、应用最佳实践、提供改进建议和架构指导。专注于DragonRuby和Unity平台，涵盖错误处理、命名约定、语法格式化等关键方面，帮助开发者遵循行业标准，减少错误，优化性能。关键词：游戏开发，代码审查，DragonRuby，Unity，最佳实践，Ruby编程，错误处理，命名约定，语法格式化，架构指导。

自动化跨平台套利检测和监控服务，支持多个预测市场平台，提供实时监控、市场比较、机会查看、市场链接和统计分析等功能。

该技能用于设计RAG系统中知识图谱的检索策略，包括检索模式选择、查询分解、排名配置和来源跟踪，以提高信息检索的准确性和可追溯性。关键词：检索策略、知识图谱、RAG、查询分解、来源跟踪、检索增强生成。

本技能提供创建和管理Claude代码技能的完整指南，包括技能文件结构设计、YAML元数据配置、渐进式披露模式实现、最佳实践规范和技术要求。适用于AI智能体开发、大模型微调、RAG应用构建和AIGC工具开发，帮助开发者高效创建可维护的Claude技能库。

这个技能用于通过异步作业模式执行 Bankr API 操作，包括提交提示、轮询状态和完成作业。适用于金融交易、市场分析和数据查询，基于提交-轮询-完成的工作流程。关键词：Bankr API, 异步作业, 工作流程, MCP工具, 量化交易, 数字货币交易

这个技能专注于使用向量数据库来实现人工智能和机器学习应用，包括语义搜索、检索增强生成（RAG）系统、推荐系统等。关键技术涵盖向量数据库选择（如Qdrant、Pinecone）、嵌入模型（如OpenAI、Voyage AI）、文档分块策略和混合搜索模式。适用于构建聊天机器人、搜索引擎、知识库问答等AI驱动的应用，关键词包括：向量数据库、AI、ML、语义搜索、RAG、嵌入生成、分块、混合搜索、Qdrant、Pinecone。

本技能详细介绍了如何构建生产级的检索增强生成（RAG）系统，涵盖从文档摄取到智能检索的全流程。核心内容包括：语义分块策略（基于标题分割，避免固定大小）、增量索引与变更检测（通过文件哈希实现高效更新）、批处理向量嵌入（使用OpenAI API）、以及基于Qdrant向量数据库的过滤检索和上下文扩展。适用于需要构建企业级知识库、智能问答系统或文档智能检索应用的开发者，关键词包括：RAG系统、语义分块、增量索引、向量检索、Qdrant、OpenAI嵌入、生产级部署。