TransformerLens 是一个用于Transformer模型机制解释性研究的Python库，允许用户通过钩子点和激活缓存来检查和操作模型内部状态，支持激活修补、电路分析、注意力模式研究等功能，常用于AI模型的解释性分析，特别是在自然语言处理领域。关键词：机械解释性、Transformer模型、激活缓存、钩子点、电路分析、AI解释性、深度学习、NLP。

SHAP技能用于机器学习模型的可解释性和解释性，通过SHAP值计算特征重要性、生成各种图表（如瀑布图和蜂群图）、调试模型、分析偏差和公平性。支持树模型、深度学习模型和线性模型，是实现可解释AI的关键工具。关键词：模型解释、可解释AI、SHAP值、特征重要性、机器学习、数据可视化、偏差分析、深度学习、树模型、线性模型。

该技能专注于将机器学习模型生产化，涉及MLOps、模型部署、特征存储、监控等关键领域。核心能力包括LLM集成、微调、RAG系统和智能代理AI，适用于构建可扩展的AI/ML系统和集成大语言模型到生产环境中。关键词：ML工程、生产化、MLOps、模型部署、特征存储、模型监控、LLM集成、RAG系统、智能代理AI、分布式计算、云部署。

这个技能专注于优化机器学习推理的延迟、减少模型大小、实现模型压缩技术（如量化、剪枝、蒸馏）、设计推理缓存策略，以及边缘部署模式。适用于需要提升推理速度、减少资源消耗的场景，特别是在边缘设备或高性能云环境中。关键词：机器学习、推理优化、模型压缩、边缘计算、延迟降低、缓存策略、硬件加速。

编排技能是用于跨多个AI提供商和执行环境协调任务的技能集。该技能支持任务委托、多代理并行执行、智能路由和回退机制。主要功能包括：原生CLI调用、多提供商协调（OpenAI Codex、Google Gemini等）、任务分发、结果收集和故障转移。适用于AI智能体开发、自动化任务编排、多模型协同工作等场景。关键词：AI编排、任务委托、多代理系统、智能路由、回退机制、AI提供商集成、任务协调、并行执行。

该技能用于优化向量嵌入的生成过程，通过模型选择、分块策略、缓存和性能调优，降低RAG系统和语义搜索的成本，提高检索质量。关键词包括：向量嵌入、RAG、语义搜索、成本优化、缓存、批量处理、性能监控。

上下文优化是一种用于扩展大型语言模型有效上下文容量的关键技术。它通过压缩、掩蔽、缓存和分区等策略，在不增加模型规模或硬件要求的情况下，显著提升智能体处理长对话、大文档和复杂任务的能力。核心应用场景包括降低AI应用成本、减少推理延迟、构建长期运行的智能体系统以及优化大规模生产部署。关键词：上下文优化，LLM上下文扩展，AI成本优化，智能体性能提升，KV缓存优化，上下文压缩，大模型工程。

BLIP-2是一个先进的视觉语言预训练框架，用于实现图像字幕生成、视觉问答（VQA）、图像文本检索和多模态聊天等功能。它采用Q-Former架构，桥接冻结的图像编码器和大型语言模型，提供零样本性能，无需任务特定训练。适用于计算机视觉和自然语言处理的多模态AI应用。关键词：BLIP-2、视觉语言预训练、图像字幕、视觉问答、VQA、多模态AI、计算机视觉、自然语言处理、零样本学习、Q-Former。

此技能专注于利用大型语言模型进行应用程序开发，涵盖提示工程、RAG（检索增强生成）技术、API集成等关键方面。适用于构建AI驱动功能、聊天机器人或自动化系统。关键词：大型语言模型、提示工程、RAG、API集成、AI应用开发、LLM集成。

这是一个基于Claude 4.x最佳实践的提示生成技能，用于将用户需求转化为结构化、可执行的提示，优化AI交互效果。关键词：提示工程，Claude AI，提示生成，最佳实践，Nate B. Jones，Contract-Style模板，AI应用。

这个技能是关于使用fal.ai服务器less AI平台进行图像、视频和音频内容的生成与编辑。它支持多种AI模型如Flux、SDXL，并提供实时生成、背景移除、视频编辑等功能，适用于开发AI驱动的应用、内容创作和AIGC项目。关键词：AI图像生成、视频生成、服务器less AI、Flux、SDXL、实时AI、AIGC、AI平台集成。

Repomix是一个专为AI设计的代码仓库打包工具，能将整个代码库转换为单个文件，支持XML、Markdown等多种格式，优化令牌计数以适应LLM上下文限制。适用于AI代码分析、安全审计、文档生成和第三方库评估。关键词：代码打包、AI友好、LLM上下文、仓库快照、安全审计、令牌管理、RAG应用。