davila7/gguf-quantization

GGUF格式和llama.cpp量化用于高效的CPU/GPU推理。在将模型部署到消费级硬件、Apple Silicon上，或需要2-8位灵活量化且无需GPU要求时使用。 --- 使用HuggingFace Diffusers通过Stable Diffusion模型进行最先进的文本到图像生成。适用于从文本提示生成图像、执行图像到图像的转换、修复或构建自定义扩散管道时使用。 --- A hybrid memory system that provides persistent, searchable knowledge management for AI agents (Architecture, Patterns, Decisions). --- Tools are how AI agents interact with the world. A well-designed tool is the difference between an agent that works and one that hallucinates, fails silently, or costs 10x more tokens than necessary. This skill covers tool design from schema to error handling. JSON Schema best practices, description writing that actually helps the LLM, validation, and the emerging MCP standard that's becoming the lingua franca for AI tools. Key insight: Tool descriptions are more important than tool implementa --- Memory is the cornerstone of intelligent agents. Without it, every interaction starts from zero. This skill covers the architecture of agent memory: short-term (context window), long-term (vector stores), and the cognitive architectures that organize them. Key insight: Memory isn't just storage - it's retrieval. A million stored facts mean nothing if you can't find the right one. Chunking, embedding, and retrieval strategies determine whether your agent remembers or forgets. The field is fragm --- Anthropic通过自我改进训练无害AI的方法。两阶段方法 - 有监督学习与自我批评/修订，然后是RLAIF（来自AI反馈的强化学习）。用于安全对齐，减少有害输出而无需人工标签。为Claude的安全系统提供支持。 --- Efficient database search tool for bioRxiv preprint server. Use this skill when searching for life sciences preprints by keywords, authors, date ranges, or categories, retrieving paper metadata, downloading PDFs, or conducting literature reviews. --- Autonomous biomedical AI agent framework for executing complex research tasks across genomics, drug discovery, molecular biology, and clinical analysis. Use this skill when conducting multi-step biomedical research including CRISPR screening design, single-cell RNA-seq analysis, ADMET prediction, GWAS interpretation, rare disease diagnosis, or lab protocol optimization. Leverages LLM reasoning with code execution and integrated biomedical databases. --- 视觉-语言预训练框架，连接冻结的图像编码器和大型语言模型。当您需要图像字幕、视觉问题回答、图文检索或具有最先进零样本性能的多模态聊天时使用。 --- AI operational modes (brainstorm, implement, debug, review, teach, ship, orchestrate). Use to adapt behavior based on task type. --- Expert in CrewAI - the leading role-based multi-agent framework used by 60% of Fortune 500 companies. Covers agent design with roles and goals, task definition, crew orchestration, process types (sequential, hierarchical, parallel), memory systems, and flows for complex workflows. Essential for building collaborative AI agent teams. Use when: crewai, multi-agent team, agent roles, crew of agents, role-based agents. --- Master guide for using Claude Code effectively. Includes configuration templates, prompting strategies "Thinking" keywords, debugging techniques, and best practices for interacting with the agent. --- Multi-agent orchestration framework for autonomous AI collaboration. Use when building teams of specialized agents working together on complex tasks, when you need role-based agent collaboration with memory, or for production workflows requiring sequential/hierarchical execution. Built without LangChain dependencies for lean, fast execution. --- OpenAI的模型连接了视觉和语言。能够实现零样本图像分类、图文匹配以及跨模态检索。该模型在4亿张图文对上进行训练。可用于图像搜索、内容审核或无需微调的视觉-语言任务。最适合通用图像理解。 --- 开源的AI应用嵌入数据库。存储嵌入和元数据，执行向量和全文搜索，按元数据过滤。简单的4函数API。从笔记本扩展到生产集群。可用于语义搜索、RAG应用或文档检索。最适合本地开发和开源项目。 --- 通过使用推测解码、Medusa多头和预判解码技术来加速大语言模型的推理。当优化推理速度（1.5-3.6倍加速）、减少实时应用的延迟或部署计算资源有限的模型时使用。涵盖草稿模型、基于树的注意力机制、雅可比迭代、并行令牌生成以及生产部署策略。 --- Datadog CLI for searching logs, querying metrics, tracing requests, and managing dashboards. Use this when debugging production issues or working with Datadog observability. --- Expert guidance for distributed training with DeepSpeed - ZeRO optimization stages, pipeline parallelism, FP16/BF16/FP8, 1-bit Adam, sparse attention --- Expert data scientist for advanced analytics, machine learning, and statistical modeling. Handles complex data analysis, predictive modeling, and business intelligence. --- Build scalable data pipelines, modern data warehouses, and real-time streaming architectures. Implements Apache Spark, dbt, Airflow, and cloud-native data platforms. --- 从会话的更改日志和git历史记录生成结构化的演示大纲。读取.claude/critical_log_changes.csv和git日志，为每日演示、站立会议或交付截止日期准备演讲要点。 --- Access AlphaFold's 200M+ AI-predicted protein structures. Retrieve structures by UniProt ID, download PDB/mmCIF files, analyze confidence metrics (pLDDT, PAE), for drug discovery and structural biology. --- Scalable data processing for ML workloads. Streaming execution across CPU/GPU, supports Parquet/CSV/JSON/images. Integrates with Ray Train, PyTorch, TensorFlow. Scales from single machine to 100s of nodes. Use for batch inference, data preprocessing, multi-modal data loading, or distributed ETL pipelines. --- Evaluates code generation models across HumanEval, MBPP, MultiPL-E, and 15+ benchmarks with pass@k metrics. Use when benchmarking code models, comparing coding abilities, testing multi-language support, or measuring code generation quality. Industry standard from BigCode Project used by HuggingFace leaderboards. --- 评估代码生成模型在HumanEval、MBPP、MultiPL-E以及15+基准测试上的表现，使用pass@k指标。适用于对代码模型进行基准测试、比较编码能力、测试多语言支持或衡量代码生成质量时。这是BigCode项目所使用的行业标准，并被HuggingFace排行榜采纳。 --- 评估LLM在60多个学术基准（MMLU、HumanEval、GSM8K、TruthfulQA、HellaSwag）上的表现。用于评估模型质量、比较模型、报告学术成果或跟踪训练进度。EleutherAI、HuggingFace和主要实验室使用的行业标准。支持HuggingFace、vLLM、APIs。 --- 专家指导使用LLaMA-Factory对大语言模型进行微调 - WebUI无代码，支持100多个模型，2/3/4/5/6/8位QLoRA，多模态支持 --- 使用LoRA、QLoRA和25种以上的方法对LLM进行参数高效的微调。当在有限的GPU内存下微调大型模型（7B-70B）时，或者当你需要以最小的精度损失训练小于1%的参数，或者用于多适配器服务时，请使用此方法。与transformers生态系统集成的HuggingFace官方库。 --- 使用FastMCP 3.0构建MCP服务器的完整指南 - 包括工具、资源、认证、提供商、中间件和部署。适用于创建Python MCP服务器或将AI模型与外部工具和数据集成时使用。 --- 获取由AI驱动的英超和欧冠比赛预测，包括比分、下一个进球和角球。 --- 使用TRL通过强化学习微调LLM - 用于指令调整的SFT，用于偏好对齐的DPO，用于奖励优化的PPO/GRPO，以及奖励模型训练。当需要RLHF、使模型与偏好保持一致或根据人类反馈进行训练时使用。与HuggingFace Transformers兼容。 --- 计划并构建可用于生产的FastAPI端点，使用async SQLAlchemy、Pydantic v2模型、用于身份验证的依赖注入以及pytest测试。在编写任何代码之前，采用面试驱动的规划来明确数据模型、认证方法、分页策略和缓存。 --- 查询代码图数据库以理解组件关系、依赖关系和变更影响。当用户要求“查找调用者”、“检查依赖项”、“什么使用了这个”、“显示关系”、“查找序列化器”，或者在阅读代码并需要在修改前了解哪些部分依赖于某个组件时使用。 --- 针对大型语言模型的后训练4位量化技术，能在几乎不损失准确性的前提下使用。适用于将大模型（如70B、405B参数规模）部署到消费级GPU上，当你需要内存减少4倍且困惑度降低不超过2%时，或者相对于FP16格式希望获得更快的推理速度（3-4倍加速）。该技术与transformers和PEFT集成，支持QLoRA微调。 --- 一个用于创建和管理Garry's Mod插件的工具，包括Lua脚本编写、内容创作和插件打包。使用场景：开发新插件、为GMod编写Lua脚本、组织插件文件，或当用户提到Garry's Mod、GMod、Lua脚本编写或插件开发时。 --- Simplest distributed training API. 4 lines to add distributed support to any PyTorch script. Unified API for DeepSpeed/FSDP/Megatron/DDP. Automatic device placement, mixed precision (FP16/BF16/FP8). Interactive config, single launch command. HuggingFace ecosystem standard. --- 最简单的分布式训练API。只需4行代码即可为任何PyTorch脚本添加分布式支持。统一的DeepSpeed/FSDP/Megatron/DDP API。自动设备放置，混合精度（FP16/BF16/FP8）。交互式配置，单个启动命令。HuggingFace生态系统标准。 --- 快速的分词器，针对研究和生产进行了优化。基于Rust实现的分词器可以在20秒内处理1GB的数据。支持BPE、WordPiece和Unigram算法。可以训练自定义词汇表，跟踪对齐情况，处理填充/截断。与transformers无缝集成。当您需要高性能分词或自定义分词器训练时使用。 --- 半二次量化用于无需校准数据的LLMs。当将模型量化为4/3/2位精度且不需要校准数据集时使用，适用于快速量化工作流程，或在使用vLLM或HuggingFace Transformers部署时。 --- HeyGen - AI虚拟形象视频创建API的最佳实践 --- 从LLM响应中提取结构化数据，使用Pydantic验证，自动重试失败的提取，以类型安全的方式解析复杂的JSON，并使用Instructor流式传输部分结果 - 经过实战检验的结构化输出库 --- 使用从教师模型到学生模型的知识蒸馏来压缩大型语言模型。当部署保留性能的小型模型、将GPT-4的能力转移到开源模型或减少推理成本时使用。涵盖温度缩放、软目标、反向KLD、logit蒸馏和MiniLLM训练策略。 --- 在CPU、Apple Silicon和非NVIDIA的消费级GPU上运行LLM推理。适用于边缘部署、M1/M2/M3 Macs、AMD/Intel GPU，或当CUDA不可用时。支持GGUF量化（1.5-8位），以减少内存使用，并在CPU上相比PyTorch提供4-10倍的速度提升。 --- Extend context windows of transformer models using RoPE, YaRN, ALiBi, and position interpolation techniques. Use when processing long documents (32k-128k+ tokens), extending pre-trained models beyond original context limits, or implementing efficient positional encodings. Covers rotary embeddings, attention biases, interpolation methods, and extrapolation strategies for LLMs. --- 用于构建带有RAG的LLM应用程序的数据框架。专注于文档摄取（300多个连接器）、索引和查询。具有向量索引、查询引擎、代理和支持多模态的特点。可用于文档问答、聊天机器人、知识检索或构建RAG管道。最适合以数据为中心的LLM应用程序。 --- 预留和按需GPU云实例，适用于机器学习训练和推理。当您需要具有简单SSH访问、持久文件系统或用于大规模训练的高性能多节点集群的专用GPU实例时使用。 --- 大型语言和视觉助手。支持视觉指令调优和基于图像的对话。结合了CLIP视觉编码器与Vicuna/LLaMA语言模型。支持多轮次图像聊天、视觉问答以及指令执行。可用于构建视觉-语言聊天机器人或图像理解任务。最适合用于对话式的图像分析。 --- Reduce LLM size and accelerate inference using pruning techniques like Wanda and SparseGPT. Use when compressing models without retraining, achieving 50% sparsity with minimal accuracy loss, or enabling faster inference on hardware accelerators. Covers unstructured pruning, structured pruning, N:M sparsity, magnitude pruning, and one-shot methods. --- 使用DeepSpeed或HuggingFace训练专家混合（MoE）模型。当在计算资源有限的情况下训练大规模模型（相比密集模型成本降低5倍）、实现如Mixtral 8x7B或DeepSeek-V3这样的稀疏架构，或者在不按比例增加计算量的情况下扩展模型容量时，请使用此方法。涵盖MoE架构、路由机制、负载均衡、专家并行化以及推理优化。 --- Train Mixture of Experts (MoE) models using DeepSpeed or HuggingFace. Use when training large-scale models with limited compute (5× cost reduction vs dense models), implementing sparse architectures like Mixtral 8x7B or DeepSeek-V3, or scaling model capacity without proportional compute increase. Covers MoE architectures, routing mechanisms, load balancing, expert parallelism, and inference optimization. --- 状态空间模型具有O(n)复杂度，与Transformer的O(n²)相比，推理速度快5倍，能够处理百万令牌序列，无需KV缓存。选择性SSM采用硬件感知设计。Mamba-1 (d_state=16) 和 Mamba-2 (d_state=128, 多头)。模型大小从1.3亿到28亿参数，在HuggingFace上可用。 --- 跟踪ML实验，使用版本控制管理模型注册表，将模型部署到生产环境，并使用MLflow（一个框架无关的ML生命周期平台）重现实验 --- 提供了使用miles（一个生产就绪的slime分支）进行企业级RL训练的指导。当使用FP8/INT4训练大型MoE模型、需要训练-推理对齐或要求通过推测性RL以实现最大吞吐量时，请使用。 --- Mermaid图表专家，擅长创建流程图、序列图、ER图和架构可视化 --- 实现了NOWAIT技术，以提高R1风格大语言模型中的推理效率。当优化推理模型（QwQ, DeepSeek-R1, Phi4-Reasoning, Qwen3, Kimi-VL, QvQ）的推理时使用，可以在保持准确性的前提下，减少27-51%的思维链令牌使用量。在“优化推理”、“减少思考令牌”、“高效推理”、“抑制反思令牌”或处理冗长的CoT输出时触发。 --- 使用Netlify CLI (`npx netlify`)将Web项目部署到Netlify。当用户要求在Netlify上部署、托管、发布或链接站点/仓库时使用，包括预览和生产环境的部署。 --- GPU-accelerated data curation for LLM training. Supports text/image/video/audio. Features fuzzy deduplication (16× faster), quality filtering (30+ heuristics), semantic deduplication, PII redaction, NSFW detection. Scales across GPUs with RAPIDS. Use for preparing high-quality training datasets, cleaning web data, or deduplicating large corpora. --- GPU加速的数据整理，用于LLM训练。支持文本/图像/视频/音频。特点包括模糊去重（快16倍），质量过滤（30多种启发式方法），语义去重，个人身份信息删除，成人内容检测。通过RAPIDS在多个GPU上扩展。可用于准备高质量的训练数据集、清理网络数据或对大型语料库进行去重。 --- 提供了使用nnsight解释和操作神经网络内部的指导，可选NDIF远程执行。当需要在没有本地GPU资源的情况下对大规模模型（70B+）运行可解释性实验时，或在处理任何PyTorch架构时使用。 --- 通过Flash Attention优化变压器注意力，实现2-4倍的速度提升和10-20倍的内存减少。当训练/运行具有长序列（>512个令牌）的变压器时遇到GPU内存问题或需要更快的推理时使用。支持PyTorch原生SDPA、flash-attn库、H100 FP8以及滑动窗口注意力。 --- 保证在生成过程中有效的JSON/XML/代码结构，使用Pydantic模型来确保类型安全的输出，支持本地模型（Transformers, vLLM），并通过Outlines - dottxt.ai的结构化生成库最大化推理速度 --- 适用于PocketBase的模式迁移和版本控制。在创建迁移、管理模式版本、在不同环境间同步集合、使用自动迁移或以编程方式创建集合时使用。涵盖迁移命令、迁移文件格式、快照导入以及_migrations跟踪表。 --- High-level PyTorch framework with Trainer class, automatic distributed training (DDP/FSDP/DeepSpeed), callbacks system, and minimal boilerplate. Scales from laptop to supercomputer with same code. Use when you want clean training loops with built-in best practices. --- Expert guidance for Fully Sharded Data Parallel training with PyTorch FSDP - parameter sharding, mixed precision, CPU offloading, FSDP2 --- 用于生产AI应用的托管向量数据库。全托管、自动扩展，支持混合搜索（密集+稀疏）、元数据过滤和命名空间。低延迟（<100ms p95）。适用于生产RAG、推荐系统或大规模语义搜索。最适合无服务器、托管基础设施使用。 --- 每当用户想要对PDF文件执行任何操作时，请使用此技能。这包括从PDF中读取或提取文本/表格、将多个PDF合并为一个、拆分PDF、旋转页面、添加水印、创建新的PDF、填写PDF表单、加密/解密PDF、提取图像以及对扫描的PDF进行OCR处理以使其可搜索。如果用户提到.pdf文件或要求生成一个，请使用此技能。 --- 将大语言模型量化为8位或4位，以减少50-75%的内存使用，同时保证准确率损失最小。当GPU内存有限、需要加载更大的模型或希望加快推理速度时使用。支持INT8、NF4、FP4格式，QLoRA训练以及8位优化器。兼容HuggingFace Transformers。 --- 高性能向量相似性搜索引擎，适用于RAG和语义搜索。在构建需要快速最近邻搜索、带过滤的混合搜索或具有Rust驱动性能的可扩展向量存储的生产RAG系统时使用。 --- 激活感知的权重量化，用于4位LLM压缩，速度提升3倍且精度损失极小。当在有限的GPU内存上部署大型模型（7B-70B）时使用，或者当你需要比GPTQ更快的推理同时更好地保持精度时使用，也适用于指令调优和多模态模型。荣获MLSys 2024最佳论文奖。 --- 专家指导使用Axolotl微调LLMs - YAML配置，100+模型，支持LoRA/QLoRA，DPO/KTO/ORPO/GRPO，多模态支持 --- 专家指导，使用Unsloth进行快速微调 - 训练速度提高2-5倍，内存减少50-80%，LoRA/QLoRA优化 --- RNN+Transformer混合模型，具有O(n)推理。线性时间，无限上下文，无KV缓存。像GPT一样并行训练，像RNN一样顺序推理。Linux基金会AI项目。在Windows、Office、NeMo中投入生产。RWKV-7（2025年3月）。模型参数高达140亿。 --- Distributed training orchestration across clusters. Scales PyTorch/TensorFlow/HuggingFace from laptop to 1000s of nodes. Built-in hyperparameter tuning with Ray Tune, fault tolerance, elastic scaling. Use when training massive models across multiple machines or running distributed hyperparameter sweeps. --- 使用RadixAttention前缀缓存为大型语言模型提供快速结构化生成和服务。适用于JSON/正则表达式输出、约束解码、带有工具调用的工作流，或者当您需要比vLLM通过共享前缀快5倍的推理速度时。在xAI、AMD、NVIDIA和LinkedIn上支持超过300,000个GPU。 --- 为使用slime（一个Megatron+SGLang框架）进行RL后训练的LLM提供指导。在训练GLM模型、实现自定义数据生成工作流或需要紧密集成Megatron-LM以进行RL扩展时使用。 --- 最先进的句子、文本和图像嵌入框架。提供5000多个预训练模型，用于语义相似性、聚类和检索。支持多语言、领域特定和多模态模型。可用于为RAG、语义搜索或相似性任务生成嵌入。最适合生产环境中的嵌入生成。 --- Trains large language models (2B-462B parameters) using NVIDIA Megatron-Core with advanced parallelism strategies. Use when training models >1B parameters, need maximum GPU efficiency (47% MFU on H100), or require tensor/pipeline/sequence/context/expert parallelism. Production-ready framework used for Nemotron, LLaMA, DeepSeek. --- 使用NVIDIA Megatron-Core和高级并行策略训练大型语言模型（2B-462B参数）。当训练超过1B参数的模型、需要最大GPU效率（在H100上达到47% MFU）或需要张量/管道/序列/上下文/专家并行时，请使用此方法。该框架已准备好投入生产，用于Nemotron、LLaMA、DeepSeek等模型。 --- 通过NVIDIA TensorRT优化LLM推理，以实现最大吞吐量和最低延迟。当您需要比PyTorch快10-100倍的推理速度，或者用于部署支持量化（FP8/INT4）、飞行批处理和多GPU扩展的模型时，在NVIDIA GPU（A100/H100）上进行生产部署时使用。 --- 提供了使用torchforge（Meta的库，将基础设施与算法分离）进行PyTorch原生代理RL的指导。当您需要清晰的RL抽象、易于进行算法实验或希望通过Monarch和TorchTitan实现可扩展训练时，请使用此指南。 --- 提供了使用TransformerLens通过HookPoints和激活缓存来检查和操作transformer内部的机制可解释性研究指南。在逆向工程模型算法、研究注意力模式或执行激活修补实验时使用。 --- 自动检测测试框架并运行相关测试。识别Jest、Vitest、Playwright、Cypress、pytest、Go test等。可以运行所有测试、特定文件的测试，或为新代码生成基本测试。使用方法 - /test-detect, /test-detect src/auth/login.ts, /test-detect generate src/utils.ts --- 提供使用verl（Volcano Engine RL）通过强化学习训练大语言模型的指导。在实现RLHF、GRPO、PPO或其他用于大规模LLM后训练的RL算法时，可以使用灵活的基础设施后端。 --- OpenAI的通用语音识别模型。支持99种语言，转录，翻译成英文，以及语言识别。六种型号大小从微型（39M参数）到大型（1550M参数）。可用于语音转文字、播客转录或多种语言音频处理。最适合强大且多语言的自动语音识别(ASR)。 --- Strategies for managing LLM context windows including summarization, trimming, routing, and avoiding context rot Use when: context window, token limit, context management, context engineering, long context. --- 简单的偏好优化，用于大模型对齐。这是一种无需参考的DPO替代方案，在性能上更优（在AlpacaEval 2.0上高出6.4分）。不需要参考模型，比DPO更高效。当希望训练过程比DPO/PPO更简单、更快时，可用于偏好对齐。 --- Use when facing 2+ independent tasks that can be worked on without shared state or sequential dependencies --- 使用torchtitan提供4D并行（FSDP2、TP、PP、CP）的PyTorch原生分布式LLM预训练。当使用8到512+个GPU以及Float8、torch.compile和分布式检查点对Llama 3.1、DeepSeek V3或自定义模型进行大规模预训练时，请使用此功能。 --- PocketBase访问控制的API规则和过滤表达式。在设置权限、编写过滤表达式、配置谁可以访问什么内容或调试403/404响应时使用。涵盖了所有5种规则类型、过滤语法、操作符、请求/集合宏以及字段修饰符。 --- Testing and benchmarking LLM agents including behavioral testing, capability assessment, reliability metrics, and production monitoring—where even top agents achieve less than 50% on real-world benchmarks Use when: agent testing, agent evaluation, benchmark agents, agent reliability, test agent. --- 使用clap进行参数解析，计划并构建可用于生产的Rust CLI工具，支持子命令、配置文件、彩色输出以及正确的错误处理。在编写任何代码之前，采用面试驱动的规划来明确命令、输入/输出格式和分发策略。 --- 使用Cloudflare Browser Rendering /crawl API爬取整个网站。启动异步爬取任务，轮询直至完成，并将结果保存为markdown文件。适用于将文档站点、知识库或任何网页内容导入到您的项目上下文中。需要设置CLOUDFLARE_ACCOUNT_ID和CLOUDFLARE_API_TOKEN环境变量。 --- 用于PocketBase（pb_hooks）的服务器端JavaScript钩子。在编写自定义路由、事件钩子、定时任务、发送电子邮件、发起HTTP请求、查询数据库或通过服务器端逻辑扩展PocketBase时使用。涵盖goja ES5运行时、路由、中间件、所有事件钩子、数据库查询、记录操作以及全局API。 --- JavaScript SDK在PocketBase客户端应用程序中的使用。当从前端或Node.js调用PocketBase、验证用户、订阅实时事件、上传文件或使用PocketBase JS/TS SDK时，请使用此SDK。涵盖CRUD操作、认证流程、authStore、实时SSE、文件处理、批处理操作和查询语法。 --- PocketBase的集合和模式设计。在创建集合、设计模式、添加字段、设置关系或选择基础/认证/视图集合类型时使用。防止错误的字段类型，记录零默认行为，并涵盖关系级联。 --- 计划并构建全面的Playwright端到端测试套件，包括页面对象模型、认证状态持久化、自定义夹具、视觉回归和持续集成。在编写任何测试之前，使用访谈驱动的规划来明确关键用户流程、认证策略、测试数据方法以及并行处理。 --- 分析已暂存/未暂存的更改，并创建带有原因（而不仅仅是内容）的语义化常规提交。从差异中自动检测提交类型和范围。支持可选的类型/范围参数。用法 - /commit-smart, /commit-smart fix, /commit-smart refactor api --- Git Context Controller (GCC) - 将代理内存作为版本化的文件系统在.GCC/下进行管理。当处理多步骤项目时，如果这些项目能够从结构化内存持久性、里程碑跟踪、为不同方法创建分支以及跨会话上下文恢复中受益，则应使用此技能。通过/gcc命令或类似'commit this progress'（提交此进度）、'branch to try an alternative'（尝试另一种方法的分支）、'merge results'（合并结果）、'recover context'（恢复上下文）这样的自然语言触发。 --- 用于音频生成的PyTorch库，包括文本转音乐（MusicGen）和文本转声音（AudioGen）。当您需要从文本描述生成音乐、创建音效或执行基于旋律条件的音乐生成时使用。 --- 提供了使用pyvene的声明式干预框架对PyTorch模型进行因果干预的指导。在进行因果追踪、激活修补、互换干预训练或测试关于模型行为的因果假设时使用。 --- 提供了使用SAELens训练和分析稀疏自动编码器（SAEs）的指导，以将神经网络激活分解为可解释的特征。在发现可解释的特征、分析叠加现象或研究语言模型中的单义表示时使用。 --- 多云编排用于机器学习工作负载，并具有自动成本优化功能。当您需要跨多个云运行训练或批处理作业、利用带有自动恢复功能的竞价实例，或者跨提供商优化GPU成本时，请使用此功能。 --- 用于PocketBase的生产部署。在将PocketBase部署到服务器、设置Docker、配置systemd、反向代理（nginx/Caddy）、TLS、SMTP、备份、S3存储、速率限制或为生产环境进行强化时使用。提供现成可用的配置。 --- Design patterns for building autonomous coding agents. Covers tool integration, permission systems, browser automation, and human-in-the-loop workflows. Use when building AI agents, designing tool APIs, implementing permission systems, or creating autonomous coding assistants. --- Expert in designing and building autonomous AI agents. Masters tool use, memory systems, planning strategies, and multi-agent orchestration. Use when: build agent, AI agent, autonomous agent, tool use, function calling. --- Persistent memory systems for LLM conversations including short-term, long-term, and entity-based memory Use when: conversation memory, remember, memory persistence, long-term memory, chat history. --- Automatically fetch latest library/framework documentation for Claude Code via Context7 API