microsoft-foundry
microsoft/azure-skills指导在微软 Foundry 上构建、部署、评估和管理智能体与模型。
按安装量排序。把安装命令复制到终端,任务用得上时 Claude Code 会自动加载。
指导在微软 Foundry 上构建、部署、评估和管理智能体与模型。
将 Azure AI 搜索、语音、OpenAI 等需求路由到对应工具。
提供 ADK 智能体代码模式,包括工具、回调、状态管理和图工作流。
指导完成 ADK 智能体从脚手架、开发、评估到部署、发布和监控的全流程
用 agents-cli 创建和升级智能体项目,并添加部署与 CI/CD 配置
在移动和 Web 应用中接入 Firebase AI Logic,从客户端调用 Gemini 模型
指导用 Python 或 TypeScript 构建 MCP 服务器,把外部 API 封装成好用的工具。
为仓库中的 LLM 工作流归类打标签,便于按任务统计成本。
指导用 TypeSafe 的 Jev 模型,把提示词和规则判断改写为带概率的类型化问题。
Claude API 与 SDK 参考,涵盖模型、工具调用、缓存和流式输出。
指导用 Vercel AI SDK 开发 AI 功能,并以已安装版本的文档为准。
对 Claude、GPT、Gemini 做跨模型基准测试
指导设计智能体:能力、知识、上下文与工具调用循环。
使用 ElevenLabs 构建实时语音智能体,涵盖配置、提示词、工具与网页嵌入。
指导构建同时提供交互式界面组件的 MCP 服务器,组件可在聊天中直接渲染。
指导为 Claude 设计 MCP 服务器,先确定部署方式与工具模式。
用自定义 DataPoint 节点与边模型,让 cognee 按指定结构抽取知识图谱。
教代理编写自定义 cognee 任务,串成管道并存储自定义数据点
指导代理先定位再确认,安全删除 cognee 中的文档、数据集或派生记忆
指导代理使用 cognee 会话记忆和 improve(),写入对话并同步进图谱
指导代理用 remember() 导入文本、文件、网址和代码仓库并构建图谱
指导代理安装 cognee Python SDK,并跑通首个 remember 与 recall 示例
调优 cognee 的摄取与查询速度、限流和成本,含批处理、分块与试算。
配置 cognee 的用户、角色与数据集共享,并说明权限和隔离的执行方式。
用 recall() 查询 cognee 记忆,选择搜索类型与数据集范围并读取结果。
把公司的数据库、工单和文档导入 cognee,并回答跨来源的问题。
通过 MCP 工具调用 Atomic Chat 桌面应用中的本地模型
指导用数据集、LLM 裁判指标和失败分析评估智能体与模型
讲解LLM作裁判的评估方法,包括直接打分、成对比较、评分标准校准与偏差控制。
指导 LLM 项目层面的决策,包括任务适配、流水线形态、成本估算与单代理或多代理选择。
为指定的 AI 工具编写一条可直接粘贴使用的优化提示词
指导修改 Xberg 的文本分块配置、分块类型和用于 RAG 的向量生成。
把提取出的文本切块,用于大模型上下文或 RAG,可按字符或词元计。
把解析后的文档整理成可溯源的事实、解释、风险与行动四色卡片。
把专家提示词规范为可移植格式,便于在不同 AI 之间迁移复用。
调用决策模型,对内容进行分类、打分并给出带置信度的概率。
诊断AI工作流是否存在上下文堆砌问题,并指导结构化上下文设计的改进。
指导使用 0G Compute SDK 调用去中心化 AI 推理与模型微调
指导设计 n8n 的 AI 代理、链和分类节点,涵盖工具、记忆与输出解析。
提供 SenseNova 图像生成、编辑、视觉识别和文本优化的底层调用接口
指导通过本地代理把 Agentica SDK 接到 Claude CLI 并开放工具权限
Agentica 多智能体模式类、核心组件与协调接口速查
讲解如何为 Agentica REPL 智能体编写更可靠的提示词
介绍用 Agentica SDK 编写 Python 智能体的装饰器、spawn 与工具用法
说明 Agentica 服务端与 Claude 代理的启动顺序和排错方法
按任务选择并启动 Agentica 的群体、层级、生成评审和陪审团模式
指导 AI 在 PinMe Worker 中通过代理调用 OpenRouter 模型与对话接口。
在 RedAmon 中添加 LLM 提供商,确保密钥不进入扫描容器且模型 ID 正确路由。
基于文档构建可追溯引用的知识库,用于检索证据和回答问题。
指导 Fireworks AI 推理的端点、密钥、模型调用与常见问题排查
使用 Leanmcp UI SDK 构建带交互式 React 界面的 MCP 应用
提供 Langroid 多智能体设计模式索引及参考文档
指导智能体构建向 Claude 提供工具、资源和提示的 MCP 服务器。
为多阶段 Claude 流水线创建结构化提示词,涵盖研究、规划和执行。
指导用 Python FastMCP 或 TypeScript 构建易用的 MCP 服务器工具
跨视频语义检索原话,回答时逐条注明视频与时间点。
指导结合人工、代码和 LLM 评判的方式,搭建 AI 产品的评测体系。
新增实现 call 与 stream 方法的 LLM 提供方,并接入工厂与用量统计
帮助在苹果设备上选择并部署端侧模型,支持 Foundation Models、Core ML 等。
指导使用 Foundation Models 开发端侧 Apple Intelligence 功能,含结构化输出、工具和评测。
指导代理调用 AWS Bedrock 基础模型、生成嵌入并搭建 RAG
维护本仓库的本地 MCP 服务,涵盖工具模块、安全防护与排障
对 Haiku 等非推理模型重复提示词,以提高结构化任务的准确率。
指导创业者规划、启动、评估并定时运行自己账户中的 Claude 托管智能体。
总结已完成的 Claude 托管智能体搭建,展示资源与状态,并建议后续步骤。
从对话片段中提取每条可独立变更的论断,标注主体、时间和状态。
按语义判断一条陈述会让哪些已有记忆行失效,而非看共同词汇。
判断新记录取代了哪些旧记忆事实,并改写仍然有效的部分。
判断一条已存记录是否仍把已退役的画像立场当作现状。
按语义判断一条记忆是完成、移除还是新开一项活动任务。
让代理为存储的陈述从给定列表中选出一个状态属性标识,无合适项则返回 null。
让代理判断新显示名是否指向已有实体,返回实体编号,不确定时返回 new。
审查并重新设计 AI 生成的反馈,提升教学质量与学习效果。
把问题发给多家 AI 服务商,原文展示回答并综合共识与分歧。
并行运行多个 Claude 分析代理,返回带置信度的结构化分析结果。
组织多个各持一种视角的 Claude 子代理,汇总为同模型小组意见。
指导生产环境中的大模型功能,涵盖输出校验、RAG、安全护栏与成本控制。
指导用 Pydantic AI(Python)和 Claude Agent SDK(Node.js)构建调用工具的 AI 代理。
汇总 Claude、OpenAI、Gemini 等主流模型的名称、规格与选型建议。
基于 Convex agent 组件构建对话与工具调用智能体,支持线程、流式输出和检索增强。
搭建小型评测集,用可检查的标准验证智能体、提示词或技能是否可用。
讲解 AgentDB 高级用法 含 QUIC 同步 多库管理 距离度量与混合检索
用 AgentDB 实现智能体持久记忆 涵盖会话记忆 长期存储与上下文管理
为 RAG 系统推荐分块大小、重叠比例与边界方法,并评估检索指标。
指导编写和优化大模型提示词,涵盖少样本示例、思维链和系统提示设计
指导构建 RAG 管线,包括文档切分、向量嵌入、向量存储和检索
指导设计供智能体调用的工具与命令行,让参数和描述自己说明用法。
用31种提示词框架给提示词评分并改写,意图不清时先追问
通过自然语言在 JeecgBoot 中创建、修改、调试、发布和删除 AI 编排流程。
按质量排序 OpenRouter 免费模型,并在 openclaw.json 中配置限流回退。
在 AI 输出进入下游前,用结构化格式与模式校验并设置回退方案。
指导智能体使用 Redis Agent Memory SDK 记录会话事件并检索长期记忆。
让智能体先生成验证问题并逐一作答,再据此修订自己的回答。
指导用 Jev 模型为应用做分类、路由、打分等自然语言判断
根据任务类型与复杂度,把任务分派给最合适的大语言模型。
为 Neo4j 智能体记忆包及其托管服务提供参考指导。
通过 v2beta1 REST API 创建、配置和调用 Neo4j Aura 智能体。
编写、审查、修复并部署用 Agent Script 编写的 Agentforce 智能体。
记录冒烟测试或推理运行证据,并整理成标准化的复现输出文件。
为复现目标搭建保守的 conda 环境,并记录权重、数据集和缓存路径。
在已选定任务上做可比对、有记录的深度学习候选方向探索
只读分析深度学习仓库的模型结构、入口与配置,不改代码
按README优先的最小路径复现深度学习仓库并记录证据
在隔离分支上做可回滚的深度学习模型代码迁移与候选实现
按规范执行训练命令的启动、短跑验证与恢复,并记录证据
指导用 aeon 完成时间序列分类、回归、预测、异常检测和相似搜索。
在 SSH GPU 服务器上排队运行批量机器学习实验,支持显存溢出重试与分批调度。
从图书构建作者文风的SFT数据集,涵盖切分、提示模板、LoRA训练与评估。
指导用 Axolotl 的 YAML 配置微调大模型,涵盖 LoRA、DPO、GRPO 与 FSDP
指导使用 TorchTitan 在多卡上进行四维并行的大模型预训练与分布式检查点保存。
指导用TRL做GRPO强化学习微调,包括自定义奖励函数。
指导使用 HuggingFace 快速分词器,训练自定义词表并追踪文本对齐
指导使用 LitGPT 加载、训练并以 LoRA 或 QLoRA 微调单文件大模型。
讲解并使用 Mamba 选择性状态空间模型,实现线性复杂度的序列建模与推理。
指导用miles框架做大规模MoE模型强化学习训练,涉及FP8/INT4与训推对齐。
指导使用 nanoGPT 在莎士比亚或 OpenWebText 数据上训练极简 GPT 模型。
指导用 PEFT、LoRA 和 QLoRA 在有限显存下微调大模型
指导使用 RWKV 循环结构模型训练与生成,推理为线性复杂度且无需 KV 缓存。
指导使用 SentencePiece 对原始文本做与语言无关的分词与训练
指导使用 SAELens 训练和分析稀疏自编码器,发现模型中可解释的特征。
用TransformerLens做机制可解释性研究,缓存激活、挂钩内部结构并做激活修补。
指导在 .NET 8+ 中选择并实现 ML.NET、MEAI、ONNX 等 AI 功能
指导使用 scikit-learn 完成分类、回归、聚类、调参与流水线开发
指导机器学习建模,包括基线设定、模型评估、过拟合诊断和方案审查。
创建和管理 dstack 推理优化预设,语法细节参考官方文档。
根据奖励形式,帮助选择和诊断 SFT、DPO、强化学习等微调方法。
使用标准评测框架在 MMLU、GSM8K 等六十多项基准上评估大模型
借助 Hugging Face Accelerate 为 PyTorch 脚本添加多卡训练与混合精度支持
根据实验蓝图生成可运行的Python实验代码骨架,含数据、模型、训练与评估。
指导 MATLAB 表格数据分类,训练多种分类器并用统计检验比较精度。
使用 MATLAB、Simulink 和 Embedded Coder 将神经网络部署到嵌入式目标
为 MATLAB 单响应分类或回归模型筛选并构造特征
将 PyTorch、ONNX 和 Keras 模型导入 MATLAB 为 dlnetwork 并校验数值
用特征重要性和单次预测解释 MATLAB 表格模型
用新版 dlnetwork 接口训练、评估和导出 MATLAB 神经网络并迁移旧代码
读取项目后提出参数配置,运行真实评测并记录结果,用于寻找最优参数。
指导用 Agent Lightning 训练智能体,涵盖追踪、奖励函数与提示词优化。
按相同轮次对齐比较训练实验,区分代理指标与下游指标
分析数据集类别分布、偏差与公平性,并规划分层采样或数据收集
用捕捉的动作在 fal 上训练 MiniMax H3 的 LoRA,并与原版对比测试。
为一个生物渲染带关节标注的姿态数据,微调 DINOv2 关节读取器并检验误差。
基于 AgentDB 创建并训练强化学习插件 用于智能体自我学习
运用卡帕西的思路来构建神经网络、调试机器学习流程并设计大模型应用
运用吴恩达的思路做任务级自动化、以数据为中心的机器学习和低成本原型
运用曼宁的视角看待自然语言处理,强调模块化设计与可适应的模型
运用西尔弗的强化学习思路:自我对弈、搜索,以及从经验而非人类数据中学习
指导用开源本地模型 Laya 对文本分类、路由、打分和过滤,无需调用 LLM。
用本地 NVIDIA GPU 运行 SAM 3,为图片中的物体生成掩码、轮廓并计数
说明各 agent 的日志位置、记录到 token 与成本的映射及支持的报告。
在 KubeSphere 中安装 Fluid,管理数据集、缓存运行时与预热
指导用GPU加速清洗大模型训练数据,包括去重、质量过滤和隐私信息脱敏。
指导用Ray Data做分布式机器学习数据处理,包括流式预处理和批量推理。
制定清洗规则,对脏数据去重和标准化,并在Excel中逐条记录改动。
说明 Xberg 各格式抽取器如何在安全预算内解析 Office、PDF 与压缩包
涵盖 Xberg 的 OCR 后端、预处理、缓存、页面接受规则与跨后端质量对比
说明 Xberg 如何选择原生或 Pdfium PDF 后端及其渲染与 OCR 回退
把 PDF、Word、Excel 等文档解析为带元数据和置信度的 Markdown,失败时自动降级。
把 ArcGIS Hub 开放数据站整体迁移到 PortalJS 并生成核对报告
为 PortalJS 门户生成 DCAT 目录文件,供开放数据平台采集。
将地理数据转为 PMTiles 与 GeoParquet 并注册到 PortalJS。
为已有的 PortalJS 数据集添加数据字典或补充文件。
把人工认可且脱敏的运行记录转为本地追踪、评测样例和训练用JSONL文件。
将 dbt 模型和 sources 的 YAML 映射为 ktx 语义层覆盖与字段说明。
把单张表的历史 SQL 使用记录整理成简明摘要并写入使用证据。
判断并处理数据导入时出现的重复、矛盾与冲突项,决定保留或替换。
把数据库结构快照转为语义层数据源、关联关系和说明页面。
指导代理先检查未知数据文件的魔数与编码,再安全地解析各类格式。
通过临时 Livy 会话在 Fabric Spark 上运行 PySpark 或 Python 代码。
为 AI 系统搭建数据管道,涵盖 RAG 入库、向量嵌入与特征存储。
指导数据平台设计,涵盖存储选型、数据建模、分层架构与治理。
将产品库 CSV 转为经销商系统用的 SIF 清单文件,并按厂商规范核对字段映射。
设置并审核数据埋点,涵盖 GA4、标签管理、UTM 参数与事件方案
读写和处理 AnnData 的 h5ad 与 Zarr 单细胞数据对象
分析 A/B 测试的显著性、样本量和置信区间,并给出上线、延长或停止的建议
按用户群分析留存和功能采用情况,输出留存曲线、趋势和分群洞察
从已配置的数据源生成只读的时段产品报告,涵盖用量、性能与错误。
指导通过 gcloud 启用 Analytics 管理 API,并管理账号、资源和数据流。
指导通过 gcloud 启用 Analytics 数据 API,并运行自定义的数据报表。
对机器学习实验结果做统计、生成对比表,并给出结论与后续实验建议。
清洗原始数据,用公式生成Excel汇总与图表,并给出通俗结论。
生成 KPI 看板表格,含指标定义、目标对比、达成率和趋势图。
教代理用 chart_render 生成 BI 风格图表并在 ECharts 与 Mermaid 间选择
用 YAKE 或 RAKE 提取关键词,并支持语言检测和向量嵌入。
用视觉大模型或传统 OCR 从图片和 PDF 中提取文字、表格与票据字段。
用 Docker 本地运行开源工具,抓取谷歌地图商家线索、联系方式和评论。
依据模板与配色预设把数据生成 HTML 图表演示和报告
编排 Excel 分析全流程:统计行数、数据清洗、筛选聚合与导出报表
用视觉模型为图表、表格和截图生成描述,并整理成结构化数据
用流式读取、Parquet 转换和分块处理分析万行以上的 Excel 大数据
分析 200 多种格式的科学数据文件,输出结构、质量与统计的 Markdown 报告。
指导用 Python matplotlib 精细绘图,并导出可用于出版的 PNG、PDF、SVG 图。
指导使用 NetworkX 在 Python 中构建、分析和可视化网络图
指导使用 seaborn 从 pandas 数据快速绘制分布、关系与分类统计图
排查笔记本缺失的包,并通过统一工具安装或查看 Python、R 包。
基于数据集生成本地仪表盘,并附带数据来源面板。
通过 Alpha Vantage 接口获取股票、外汇、加密货币和经济数据及技术指标。
发布前检查市场文档中的价格量级、代码、日期、配比和单位错误。
先剖析科研数据并推荐图型,再绘制符合期刊要求的图表
调用 Apify 爬虫,抓取社交、搜索、地图和评论平台数据用于调研。
只读审计 CSV 或 TSV 文件,报告空值、类型、重复与日期问题。
在本地生成终端仪表盘,汇总各编码工具的智能体活动、定时任务、Token用量与成本。
指导应用数据分析的搭建、解读与优化,包括漏斗、归因和关键指标。
指导代理在价格图表上标注价位、形态与事件,并选择合适的标注方式。
覆盖数据分析、Excel公式、ROI复盘、图表、报告与PPT的办公提效助手。
检索微博、小红书、知乎等中文平台近 30 天讨论,生成带引用的报告与热榜。
收集过去24小时内多个来源出现的新AI模型、产品与仓库名称。
从历史 SQL 片段中找出跨表重复出现的分析意图并记录为模式证据。
从 Looker 看板和探索数据中提取指标公式与字段含义并存入记忆。
把 LookML 视图、度量和探索映射为 ktx 语义层源文件。
画图前先判断结论、聚合方式、图型和配色,避免误导读者。
快速完成算术、单位换算和公式计算,给出带标签的结果、步骤与校验。
生成便于AI引用的图表与表格,附文字摘要和JSON-LD数据。
为数据集选择图表形式并套用编码规则,让结论一眼可见
指导 MATLAB 可靠性分析,包括寿命分布拟合、MTTF、B10 与生存曲线。
指导在 MATLAB Curve Fitter 应用中交互式拟合曲线和曲面并导出结果
通过 MCP 数据回答 Scenario 用量问题,并生成 CSV、报告或看板。
下载并校验 App Store Connect 分析报告分片,供后续分析使用。
指导智能体设计易读的仪表板,并回复评论但不擅自解决。
指导在 Power BI PBIR 报表中用 Deneb 编写 Vega 和 Vega-Lite 图表。
指导在 Power BI PBIR 报表中编写 matplotlib 或 seaborn 的 Python 视觉脚本。
使用 DAX 查询 Fabric 与 Power BI 语义模型,为仪表板复用现有度量值。
为 Power BI PBIR 报表编写 R ggplot2 脚本视觉对象及规范。
通过 DAX 度量值为 Power BI 报表生成内嵌 SVG 图表与指示器。
让智能体用 DuckDB 只读查询 Fabric 湖仓中的 Delta 表和文件。
将竞赛附件映射到子问题,清洗数据并生成可复用的数据质量画像
依据已保存结果和确认的图表计划生成并检查数学建模图
为重大决策做有证据支撑的分析,区分成因、预测与建议。
分析多维健康数据,识别异常并生成风险评估与健康报告
读取市场价格并交叉验证多项交易信号,回答概率类问题并生成报告。
指导在服务端用 yahoo-finance2 库获取报价、图表和历史行情。
编写结合 SQL 与图形语法的 ggsql 查询,且只使用文档中的语法。
围绕决策做数据分析,覆盖 CSV、指标、趋势与 A/B 测试
调研选址周边的人口、收入、年龄、住房与就业数据,附公开来源输出简报。
用 Plotly 制作可交互图表,兼顾快速绘图与精细定制。
基于 seaborn 和 pandas 绘制统计图表,涵盖分布、关系与回归分析。
让智能体运行可复现的Python或R统计分析,并生成可发表的表格。
指导代理用 pandas 和 matplotlib 做数据清洗、探索分析与可复现的笔记本。
分析赔率:转换格式、去除水钱、计算优势、凯利下注、套利与串关。
从 HTML 页面提取标题、事实、颜色和配色,输出 JSON,不做重设计。
按 ALCOA+ 数据完整性规则检查记录,最终合规判定交由人工审核。
分析骑行、跑步和徒步的 FIT/KML 轨迹,生成报告与分享图视频
用 Playwright 抓取网站,梳理页面、平台、dataLayer 事件和 GTM 容器。
写 SQL 前先探查数据库或 DuckDB 的表结构、粒度、关联与隐私字段
没有匹配的条目,换个短一点的词试试。