Agent-Skills-for-Context-Engineering
一套 Agent Skills。主題是 context engineering、多 agent 架構與正式環境的 agent 系統。
★ 1.8 萬24 個 skill授權 MIT最近更新 2026-10-12
到 GitHub 看專案/context-engineering-collectionAgent Skills 的完整合集，涵蓋 context engineering、harness engineering、多 agent 架構與正式環境 agent 系統。用於建置、最佳化、評估或除錯需要有效 context 管理與可靠運作迴圈的 agent 系統。記憶、交接與學習4300/context-compression用於長時間執行的 agent session 需要 context 壓縮、結構化摘要、compaction、每任務 token 最佳化，或需要保留決策、檔案、風險與後續動作的持久交接摘要時。記憶、交接與學習485/context-optimization用於提升 context 效率：context 預算、observation masking、prefix 或 KV-cache 策略、分割、降低 token 成本、檢索範圍，並在不降低回答品質下擴充有效 context 容量。記憶、交接與學習381/filesystem-context用於 agent 工作需要檔案支撐的 context：持久 scratchpad、工具輸出卸載、即時探索、跨 agent 交接檔、檔案系統記憶，以及存放於 prompt 之外的 context 清理政策。記憶、交接與學習353/multi-agent-patterns設計需要 context 隔離、supervisor 或 swarm 協調、明確交接、平行執行的多 agent 系統。也用來判斷是否值得使用多個 agent。寫程式308/memory-systems用於 agent 系統的持久語意記憶：跨 session 保留知識、追蹤實體、時間有效性、圖或向量檢索、記憶整併，以及記憶基準的選擇。記憶、交接與學習302/tool-design設計 agent 系統的工具介面層：讓 agent 能據以選工具的描述、工具 schema 與回應格式、命名慣例、可操作的錯誤復原訊息，以及 MCP server 設計。寫程式272/context-degradation用於診斷並緩解 context 劣化：lost-in-middle 失敗、context 污染、衝突與混淆、注意力模式問題，以及累積或相互矛盾的 context 造成的 agent 效能下降。記憶、交接與學習262/evaluation用於建置 agent 評估系統：確定性檢查、回歸測試集、多維度評分標準、品質閘門、正式環境監控、基準比較，以及 agent 管線的成果衡量。檢查與出貨245/context-fundamentals用於說明或推論 context engineering 的基礎概念：context 是什麼、context window 的結構、注意力機制、U 型注意力曲線，以及為何 context 品質比數量重要。記憶、交接與學習230/latent-briefing在 agent 之間共用記憶、為多 agent 做 KV cache 壓縮、減少 worker 的 token 時使用。也適用於 Attention Matching 壓縮。記憶、交接與學習184/project-development做 LLM 系統的專案層級決策：LLM 是否適合該任務、批次或 agent pipeline 的架構、token 與成本估算、單 agent 或多 agent 的選擇。想清楚要做什麼176/advanced-evaluation用於進階 LLM 評估：LLM-as-judge 系統、直接評分、成對比較、評分標準校準、評估者偏誤緩解、信心評分與自動化品質評估。檢查與出貨174/harness-engineering用於設計自主 agent harness：研究迴圈、評估骨架、鎖定與可編輯介面、持久 log、新穎性閘門、修剪、回滾、PR 準備與人工核准界線。寫程式173/self-improvement-loops當 harness、scaffold、workflow 或 optimizer 本身是最佳化對象時使用：遞迴自我改進（RSI）迴圈、meta-harness，以及從自身失敗中提出有界修改的 harness。寫程式159/hosted-agents用於設計代管或背景 agent 基礎設施：沙箱執行、遠端程式開發環境、warm pool、session 持久化、多人協作、自我衍生 agent，或 Modal 式沙箱。寫程式154/bdi-mental-states用於以 BDI 概念建模 agent 心智狀態：信念、欲望、意圖、RDF 到信念的轉換、理性代理軌跡、認知 agent、BDI 本體論與神經符號 AI 整合。寫程式150/long-horizon-prompting撰寫、強化或評估長時間自主 agent 或平行多 agent 的啟動 prompt，用來處理難題。以文字定義用語與精確的成功條件。寫東西給人看140/reasoning-trace-optimizer分析推理軌跡、context 劣化、工具混淆、指令漂移、反覆任務失敗與效能退步，以除錯並最佳化 AI agent。寫程式124/comprehensive-research-agent在涉及多次工具呼叫的研究任務中，確保完整驗證、錯誤復原與透明的推理。找資料與看影片118/skill-template建立新 Agent Skill 的範本。為 context engineering 集合新增 skill 時使用。寫程式114/digital-brain用於個人作業系統流程：內容創作、語氣一致性、人脈查詢、會議準備、每週回顧、目標追蹤、個人品牌與人脈管理。記憶、交接與學習90/book-sft-pipeline用於書籍轉 SFT 的管線：ePub 擷取、文學分段、作者語氣資料集建構、風格轉移訓練、LoRA 流程，以及語氣複製的模型評估。寫程式89/self-managed-context當模型能直接讀寫自己的即時 context window 時使用。context 以可編輯檔案呈現，模型用程式工具改寫、自行淘汰並就地更新內容。記憶、交接與學習35沒有符合的 skill