这个技能用于根据Claude 4.x标准，将用户需求转化为结构化、可执行的最佳实践提示。它基于Nate B. Jones的四个初学者动作（定义输出形状、提供上下文、建议静默计划、添加自检）和Anthropic的最佳实践，通过合同风格模板生成优化提示，提升AI模型交互效率和质量。适用于大模型微调、提示工程优化，关键词：提示架构、Claude 4.x、最佳实践、提示生成、AI模型优化、Nate B. Jones、大模型微调、提示工程、合同风格模板、自检验证。

宪法人工智能技能是一种用于AI安全对齐的技术，通过自我批判和AI反馈训练模型变得无害，无需人类标签。它涉及监督学习阶段的自我批判和修订，以及强化学习阶段的RLAIF，旨在提高AI的无害性、透明度和可扩展性。关键词：AI安全、宪法AI、RLAIF、自我批判、强化学习、无害训练、安全对齐。

本地LLM微调技能专注于在本地硬件上使用LoRA、QLoRA等高效技术微调大型语言模型，如Llama、Mistral、Gemma。涉及数据集准备、模型配置、训练优化和评估，适用于人工智能、自然语言处理和大模型应用开发。关键词：本地LLM微调、LoRA、QLoRA、PEFT、Hugging Face、模型训练、AI微调。

miles是一个企业级强化学习框架，专注于训练大型混合专家模型，支持FP8和INT4量化训练，确保训练与推理的精确对齐，并通过推测性RL优化性能，适合生产环境使用。关键词: 强化学习, MoE模型, FP8训练, INT4量化, 训练-推理对齐, 推测性RL, 企业级AI框架。

向现有系统添加新的知识领域。通过对话推导出特定于领域的配置，生成领域文件夹、模板和词汇表，同时保留并连接到现有的架构。

模型合并技能用于无需重新训练即可结合多个预训练或微调AI模型的能力，通过混合不同领域专家（如数学、编程和聊天）来创建专业模型，提高性能并降低成本。关键词包括模型合并、mergekit、AI模型融合、无训练合并、大模型优化、深度学习应用。

此技能用于在Hugging Face Jobs云基础设施上，利用TRL（Transformer Reinforcement Learning）技术训练或微调大型语言模型。支持SFT、DPO、GRPO和奖励建模等多种方法，包含GGUF格式转换用于本地部署。涵盖数据集准备、硬件选择、成本估算、实时监控等全流程指导，适用于云端GPU训练、大模型微调、AI应用开发、深度学习、NLP和AIGC场景。

Unsloth 技能提供专家指导，用于使用Unsloth工具进行快速模型微调，实现2-5倍的训练加速和50-80%的内存节省，支持LoRA和QLoRA优化技术。适用于Llama、Mistral、Gemma、Qwen等大型语言模型的微调。关键词：Unsloth, 快速微调, AI模型微调, 训练优化, 内存效率, LoRA, QLoRA, 大模型。

RWKV是一种结合Transformer和RNN的混合神经网络架构，具有线性推理复杂度、无限上下文处理能力和高效内存使用。适用于长序列处理、流式应用和大模型训练与推理，特别适合AI领域的模型开发和优化。关键词：RWKV, Transformer, RNN, 线性复杂度, 无限上下文, 高效推理, 机器学习, AI模型, 大模型微调

简单偏好优化 (SimPO) 是一种用于大型语言模型对齐的训练方法，无需参考模型，比DPO更高效，适用于AI模型的微调和优化，提升模型在偏好数据上的性能。关键词：SimPO, 偏好优化, LLM对齐, AI训练, 大模型微调, 深度学习, 机器学习。

LLaMA-Factory技能是一个专为大型语言模型（LLM）微调设计的无代码WebUI工具，支持超过100种模型、多种量化技术如QLoRA，以及多模态应用，提供从入门到高级的全面文档和指导，助力人工智能开发者高效进行模型定制。关键词：LLaMA-Factory, 微调, LLM, WebUI, 无代码, QLoRA, 多模态, 人工智能

这个技能用于帮助开发者和AI工程师将Claude AI模型从旧版本（如Sonnet或Opus）迁移到Opus 4.5，包括更新模型字符串、调整提示以处理行为差异，并优化代码库和API调用。关键词：AI模型迁移，Claude，Opus 4.5，代码更新，提示工程，大模型升级，AI工具调整。