此技能利用AI技术自动生成高质量信息图，支持智能迭代优化和研究集成，适用于营销、报告、演示等多种场景。关键词：信息图、AI生成、数据可视化、智能设计、Nano Banana Pro、Gemini 3 Pro、智能迭代、研究集成。

这是一个基于 sherpa-onnx 框架的本地文本转语音技能，支持离线使用，无需互联网连接，适用于 macOS、Linux 和 Windows 操作系统。关键词：本地 TTS、离线语音合成、sherpa-onnx、文本转语音、语音生成、人工智能语音技术。

RAG重排序技能专注于提升检索增强生成（RAG）系统的检索质量。它通过交叉编码器重排序、Cohere Rerank API、最大边际相关性（MMR）多样性过滤以及LLM评分等多种技术，对初步检索结果进行二次排序和筛选。该技能旨在优化RAG流程，确保返回给大语言模型的上下文信息既高度相关又具备多样性，从而显著提升最终生成答案的准确性和丰富性。关键词：RAG重排序，交叉编码器，MMR多样性过滤，Cohere Rerank，检索增强生成，多阶段检索，相关性排序，AI检索优化。

这个技能用于快速构建AI聊天界面和代理式用户界面，基于React/Next.js组件，支持实时流式传输、工具生命周期管理、人机审批流程和声明式UI生成。适用于开发智能助手、SaaS副驾驶和AI应用前端。关键词：AI代理，React组件，前端开发，人机交互，工具管理，流式传输，代理界面。

本技能专注于使用Ray框架在多台机器或多个GPU上进行大规模机器学习模型训练的实践方法。核心内容包括数据并行与模型并行的策略选择、Ray Train/Tune库的应用模式，以及确保训练过程可复现、可追踪、可恢复的关键操作规范。关键词：分布式训练，Ray框架，多节点训练，数据并行，模型并行，MLflow，可复现性，检查点，故障恢复，机器学习扩展。

这个技能用于自动检测用户意图并根据预定义的路由表建议相应的工作流程命令，以优化工作流程和提高效率。关键词：意图检测、工作流程路由、自动化建议、用户意图分析、NLP应用。

这个技能专为PyTorch FSDP（全分片数据并行训练）设计，提供参数分片、混合精度、CPU卸载和FSDP2等功能的详细指导，适用于大规模深度学习模型的分布式训练。关键词：PyTorch, FSDP, 分布式训练, 深度学习, 参数分片, 混合精度, CPU卸载, 人工智能, 机器学习。

构建NLP应用，涵盖文本分类、命名实体识别、情感分析等核心任务，使用BERT、GPT等流行模型

LlamaGuard是Meta开发的一个7-8B参数大语言模型，专门用于AI内容安全审核，能分类6种风险类别（如暴力和仇恨、性内容、犯罪计划等），准确率达94-95%。它适用于LLM输入和输出过滤，可集成到vLLM、HuggingFace等部署环境，提升AI对话的安全性。关键词：AI内容审核、安全分类、LlamaGuard、Meta、大模型、输入过滤、输出过滤、NLP。

PyTorch Geometric (PyG) 是一个基于 PyTorch 的图神经网络库，用于开发和训练图神经网络，适用于节点分类、图分类、链接预测、分子性质预测、社交网络分析等应用。关键词：图神经网络，深度学习，PyTorch，GNN，节点分类，图分类，链接预测，分子预测，社交网络分析，异构图，几何深度学习，GCN，GAT，GraphSAGE。

这是一种系统化搜索最佳模型配置参数组合以最大化验证数据上性能的过程，涉及网格搜索、随机搜索、贝叶斯优化等多种调优方法，以及对不同模型类型的超参数进行调优，如树模型、神经网络、SVM等。

该技能专注于利用AI API（如OpenAI、Anthropic等）构建解决特定问题的可盈利产品，涉及提示工程、成本管理、输出质量控制等，旨在创建用户愿意付费的日常AI应用。关键词包括AI包装、提示工程、成本优化、AI产品开发、API集成、SaaS模型。