Schema.org 研究助手，专注于将标准词汇集成到 Logseq 模板图中。

这个技能用于通过Rube MCP和Composio自动化Textrazor的自然语言处理任务，包括工具发现、连接管理和任务执行，提升文本分析效率，适用于NLP应用和自动化工作流，关键词：Textrazor, Rube MCP, Composio, NLP, 自动化, 文本分析。

这个技能用于通过Rube MCP自动化Rosette文本分析任务，利用Composio工具包简化文本处理流程。关键词：自动化、文本分析、Rosette、Rube MCP、Composio、自然语言处理、NLP、工作流自动化。

这个技能用于实现企业级搜索策略，通过分解自然语言问题、生成针对不同源的查询、协调并行搜索，并合成排名结果。关键词：搜索策略、查询分解、多源搜索、NLP、人工智能搜索。

这是一个用于展示知识图谱统计和健康指标的工具，能够让用户了解知识图谱的增长、健康状况和进展。关键词包括：知识图谱、统计、健康指标、增长分析。

搜索策略是一种智能技能，用于企业搜索，通过分解自然语言查询并跨多个数据源进行协调搜索，提供排名和去重的结果。关键词包括搜索策略、企业搜索、查询分解、多源搜索、自然语言处理、NLP、搜索协调、结果排名。

GEO内容优化器是一个专门用于提升内容在人工智能系统引用中可见度的工具，它通过优化内容的结构、增加权威信号、提高事实密度和创建可引用的声明来增强内容的AI友好性，以提高在AI系统如ChatGPT、Claude等生成的答案中被引用的机会。

研究综合器是一个用于中立地综合处理所提供信息源的技能工具。它能够自动区分直接引用与转述内容，避免无依据的断言，并明确标注信息的不确定性。该工具适用于文献综述、信息整合、学术写作辅助等场景，帮助用户高效、客观地梳理和分析多源信息。 关键词：研究综合，信息整合，文献综述，中立分析，引用与转述，不确定性标注，学术写作辅助，多源信息处理

这是一个基于大语言模型的分类器技能，专门用于意图检测和对话流设计。它支持零样本和少样本分类，能够根据描述或示例对文本进行灵活、准确的分类，并输出结构化结果和置信度评分。关键词：大语言模型，LLM，分类器，意图检测，零样本学习，少样本学习，自然语言处理，NLP，AI应用。

这是一个用于构建和更新知识图谱的技能，通过发现笔记之间的联系并将其编织进MOC（心智图谱）来实现。关键词包括语义判断、知识图谱、连接发现、笔记综合。

这是一个交互式新用户入门指南，通过实践学习 —— 每一步都会在您的知识库中创建真实内容。三条路径（研究者、管理者、个人）具有通用的学习弧线。