Explorar skills

Este plugin de colaboração multiagente gera N subagentes paralelos que competem na mesma tarefa usando isolamento por git worktree. Os agentes trabalham independentemente, com resultados avaliados por métrica ou juiz LLM, e o melhor ramo é mesclado, sendo ideal para explorar múltiplas abordagens em paralelo, como otimização de código, variação de conteúdo ou pesquisa.

Gerencie proativamente os custos da API de LLM, abordando preocupações como despesas elevadas, otimização de tokens e seleção de modelos. Não espere por reclamações explícitas de custo; intervenha ao desenvolver recursos de IA ou projetar endpoints de LLM.

Projete fluxos de trabalho multiagente de nível de produção com padrões claros (sequencial, paralelo, hierárquico), contratos de entrega, tratamento de falhas e controle de custo/contexto. Ideal para arquitetar pipelines de agentes, escolher entre abordagens de agente único ou multiagente, ou refatorar fluxos de trabalho LLM com inchaço de contexto ou entregas não confiáveis.

Habilidade de engenharia de ML para colocar modelos em produção, construir pipelines de MLOps e integrar LLMs. Abrange implantação de modelos, feature stores, monitoramento de drift, sistemas RAG e otimização de custos.

A skill de Otimização para Motores de Resposta (AEO) otimiza o conteúdo para ser citado por modelos de linguagem de IA (como ChatGPT, Perplexity, Claude) como fontes autoritárias. Diferente de SEO, AEO foca na otimização para citação em respostas geradas por LLMs, não em rankings de busca, sendo ideal para audiências de busca priorizando IA e auditoria de E-E-A-T.

Esta skill é para otimização de prompts, design de templates, avaliação de saídas de LLM, construção de sistemas agenticos, implementação de RAG, criação de exemplos few-shot, análise de uso de tokens e design de fluxos de trabalho de IA. Utilize-a para padrões de engenharia de prompt, frameworks de avaliação de LLM, arquiteturas de agente e design de saída estruturada.

Use para construir ou manter uma base de conhecimento pessoal persistente (segundo cérebro) no Obsidian, onde um LLM ingere fontes incrementalmente, atualiza páginas de entidades/conceitos, mantém referências cruzadas e mantém uma síntese atualizada.

Fill in the per-paper TODO sections (Problem/Method/Key Results/Limitations/Reusable Ingredients/...) of research-wiki/papers/<slug>.md pages that /research-lit, /arxiv, /alphaxiv, /deepxiv, /semantic-scholar, /exa-search ingest as bare scaffolds. Implements the Karpathy LLM-wiki principle that the LLM (not the human) writes and maintains wiki bodies. Use when user says 'enrich wiki', 'fill paper

Workflow 3: Full paper writing pipeline. Orchestrates paper-plan \u2192 paper-figure \u2192 paper-write \u2192 paper-compile \u2192 auto-paper-improvement-loop to go from a narrative report to a polished, submission-ready PDF. Use when user says \\\"\u5199\u8bba\u6587\u5168\u6d41\u7a0b\\\", \\\"write paper pipeline\\\", \\\"\u4ece\u62a5\u544a\u5230PDF\\\", \\\"paper writing\\\", or wants the compl

Search academic papers via OpenAlex API for open citation data, institutional affiliations, and funding information. Use when user says "openalex search", "search openalex", "open citation graph", or wants comprehensive academic metadata beyond arXiv/Semantic Scholar.

Paragraph-level structural blueprint for 10-12 page systems papers targeting OSDI, SOSP, ASPLOS, NSDI, and EuroSys. Provides page allocation, paragraph templates, and writing patterns. Use when user says \"写系统论文\", \"systems paper structure\", \"OSDI paper\", \"SOSP paper\", or wants fine-grained structural guidance for a systems conference submission.

Workflow 3: Full paper writing pipeline. Orchestrates paper-plan → paper-figure → figure-spec/paper-illustration/mermaid-diagram → paper-write → paper-compile → auto-paper-improvement-loop to go from a narrative report to a polished PDF. At `— effort: max | beast` (or explicit `— assurance: submission`), Phase 6 gates the Final Report on `verify_paper_audits.sh` (resolved per integration-contract