LLM运维——RAG、嵌入、向量数据库、微调、高级提示工程、LLM成本、质量评估和生产级AI架构。启用以：实施RAG...

结合向量搜索和关键词搜索以提升检索效果，适用于实现RAG系统、构建搜索引擎，或当单一方法无法提供足够召回率时。

生成完整的标志系统，包含图标、文字标识和组合规范。根据自然语言提示创建可用于生产的SVG矢量标志。当用户请求设计标志、品牌标识、图标或视觉识别基础时使用。

通过OpenViking上下文数据库MCP服务器实现RAG和语义搜索，支持查询文档、搜索知识库、将文件或URL添加至向量内存，适用于文档问答、知识管理、AI代理记忆、文件检索和语义检索。触发词包括：openviking、search documents、semantic search、knowledge base、vector database、RAG、query pdf、document query、add resource

唯一能自主观察的内存技能，无需数据库，无需向量，无需手动保存，仅靠一个LLM观察者将你的对话压缩为优先级笔记，随内容增长自动整合，并补全遗漏信息。五重冗余设计，零维护成本，每月约0.10美元。其他内存功能要求你记得去记住，而它只需专注观察即可。

自动化主权本地向量内存与Gemma-300M嵌入，管理本地向量嵌入、模型配置和内存健康监控，无需依赖外部API

使用 Azure AI Agents Python SDK（azure-ai-agents）构建 AI 代理。当在 Azure AI Foundry 上托管包含工具（文件搜索、代码解释器、Bing 基础、Azure AI 搜索、函数调用、OpenAPI、MCP）的代理、管理线程和消息、实现流式响应或操作向量存储时使用。这是底层 SDK，如需更高层次的抽象，请使用 agent-framework 技能。

为AI代理设计的图原生内存引擎——融合向量与关键词搜索、生物衰减机制、Zettelkasten链接、信任控制的冲突解决、可解释性、情景管理、压缩与整合。零依赖，npm install 即可使用