> Development _

Решение agent-memory-mcp позволяет создавать надежный и постоянно доступный хранилище данных для ИИ-агентов, обеспечивая сохранение и поиск долгосрочных знаний и принятых решений. Это ключевой инструмент разработчика для построения сложных, контекстуально осведомленных систем. Автоматическая синхронизация с проектной документацией гарантирует актуальность информации. Данный модуль реализует open-source решение на базе Node.js, JavaScript и протокола MCP (Memory Collection Protocol). Использование npm упрощает установку и управление зависимостями, а интеграция с GitHub CLI облегчает развертывание и обновление. Функциональность включает в себя постоянное хранение памяти, поиск по ключевым словам и тегам, а также автоматическую синхронизацию с документацией проекта. Автоматизация процесса сохранения и извлечения информации значительно повышает эффективность работы ИИ-агентов. Для использования требуется Node.js (v18+) и простая установка через npm. Предоставляемые MCP Tools, такие как memory_search, позволяют легко осуществлять поиск по различным критериям, обеспечивая гибкость и удобство работы с хранилищем памяти.

WordPress – это мощная и гибкая платформа для создания веб-сайтов, позволяющая легко решать задачи, связанные с разработкой игр, созданием сложных онлайн-приложений и оптимизацией производительности. Она предоставляет широкие возможности для геймдев проектов, требующих интеграции с существующими веб-ресурсами, а также предлагает инструменты для эффективной разработки игр прямо в веб-пространстве. Платформа обеспечивает надежную основу для создания тем и плагинов, включая интеграцию с WooCommerce и оптимизацию работы с REST API. Благодаря поддержке современных технологий, таких как Yjs CRDT для обеспечения реального времени совместной работы, WordPress позволяет создавать интерактивные и динамичные веб-приложения, что особенно важно в геймдев индустрии. Современные версии WordPress поддерживают обратную совместимость, что упрощает обновление и минимизирует риски при внесении изменений. Интеграция с AI Connectors API открывает новые возможности для автоматизации процессов и улучшения пользовательского опыта, что может быть полезно при создании сложных игровых механик и интерактивных элементов в рамках разработки игр.

Этот Python-модуль предоставляет удобный клиент для работы с сервисом Azure AI Transcription, позволяя осуществлять преобразование речи в текст как в пакетном, так и в режиме реального времени. Он упрощает интеграцию с Azure AI Transcription, обеспечивая аутентификацию и соблюдение лучших практик. Для удобства работы, модуль предоставляет функциональность, доступную через CLI-инструмент и командную строку. Модуль azure-ai-transcription-py позволяет автоматизировать процессы транскрибации, используя аутентификацию через переменные окружения и поддерживая пакетную транскрибацию для обработки больших объемов аудиоданных, а также потоковую транскрибацию для работы в реальном времени. Это эффективное решение для разработчиков, которым требуется надежный и простой в использовании инструмент для работы с сервисом Azure AI Transcription. В качестве терминальной утилиты, модуль позволяет быстро и эффективно выполнять транскрибацию, не требуя сложной настройки. Предоставляемый SDK для Python обеспечивает гибкость и контроль над процессом транскрибации, позволяя интегрировать его в существующие приложения и рабочие процессы.

Используй этот навык, когда пользователь упоминает IP-геолокационные фиды, RFC 8805, GeoFeeds или просит помощи в создании, настройке, валидации или публикации самостоятельно созданного IP-геолокационного фида в формате CSV. Целевая аудитория – сетевой оператор, провайдер, мобильный оператор, облачный провайдер, хостинг-компания, IXP или спутниковый провайдер, интересующийся точностью IP-геолокации или лучшими практиками создания геофидов. Помогает создавать, улучшать и оптимизировать IP-геолокационные фиды в формате CSV с рекомендациями, выходящими за рамки соответствия RFC 8805. Не используй для управления частными или внутренними IP-адресами – применяется только к публично маршрутизируемым IP-адресам.

Руководство по настройке и началу работы с разработкой приложений на AWS CDK (Cloud Development Kit) на Python. Этот навык позволяет настроить необходимые условия, создать новые CDK-проекты, управлять зависимостями и выполнять деплой в AWS.

Экспертиза в создании веб-игровых движков и игр с использованием HTML5, Canvas, WebGL и JavaScript. Пригодится, когда нужно разработать игру, построить игровой движок, реализовать физику, обрабатывать обнаружение столкновений, настроить игровые циклы, управлять спрайтами, добавить управление или работать с 2D/3D рендерингом. Охватывает приёмы для платформеров, игр в стиле "разбей всё", лабиринтов, тайлмапов, работы со звуком, мультиплеера через WebRTC и публикации игр.

Устанавливай npm-пакеты в Docker-контейнере, используя изолированную среду. Применяй этот подход всякий раз, когда нужно установить, переустановить или обновить `node_modules` внутри контейнера, где рабочая директория подключена через virtiofs. Нативные бинарники (например, esbuild, lightningcss, rollup) падают при работе с virtiofs, поэтому пакеты необходимо устанавливать на локальную файловую систему ext4 и создавать символические ссылки обратно.

Эта функция позволяет визуально проверять веб-сайты, работающие локально или на сервере, чтобы выявлять и устранять проблемы с дизайном. Реагирует на запросы вроде "проверь дизайн сайта", "оцени UI", "исправь верстку", "найди проблемы с дизайном". Обнаруживает недостатки в адаптивности, доступности, визуальной согласованности и поломках верстки, а затем вносит исправления на уровне исходного кода.

Flow Nexus Swarm решает проблему сложной координации и управления роем AI-агентов, предоставляя платформу для оркестровки и автоматизации рабочих процессов. Особенно эффективен при использовании с Anthropic Claude и Codex, позволяя создавать интеллектуальные решения на базе большой языковой модели и обеспечивая гибкость в архитектуре роя (иерархическая, меш, кольцевая, звездная). Платформа поддерживает асинхронное выполнение задач через Message Queues и обеспечивает интеллектуальное назначение AI-агентов на основе Vector Similarity Matching. Это позволяет оптимизировать производительность и эффективность роя, а также упрощает интеграцию с существующей Cloud Infrastructure. Flow Nexus Swarm – это мощный инструмент для разработки и внедрения сложных систем, использующих искусственный интеллект. Он предоставляет готовые шаблоны и возможности мониторинга в реальном времени, значительно упрощая управление роем и позволяя сосредоточиться на решении бизнес-задач с использованием AI-агентов.

AgentDB Memory Patterns решает проблему управления памятью для AI-агентов, обеспечивая сохранение контекста, обучение на взаимодействиях и запоминание предыдущих разговоров. Это позволяет значительно повысить производительность по сравнению с традиционными подходами, особенно при работе с большими языковыми моделями и сложными задачами. Интеграция с ReasoningBank и использование постоянного хранилища данных в AgentDB позволяют AI-агенту поддерживать последовательность действий и адаптироваться к изменяющимся условиям. Решения Memory Patterns демонстрируют прирост производительности в 150x - 12,500x по сравнению с обычными методами, сохраняя полную обратную совместимость. Разработка пользовательских шаблонов обучения упрощается благодаря встроенному мастеру создания плагинов. Технологический стек включает Node.js, TypeScript и интеграцию с искусственным интеллектом от Anthropic Claude, что обеспечивает гибкость и масштабируемость для различных сценариев применения.

AgentDB Memory Patterns решает проблему управления памятью для AI-агентов, обеспечивая возможность запоминания разговоров, обучения на взаимодействиях и поддержания контекста между сеансами. Это значительно повышает производительность по сравнению с традиционными методами, особенно при работе с большими языковыми моделями и сложными задачами. В основе решения лежит интеграция с AgentDB для постоянного хранения данных и ReasoningBank для извлечения знаний. Предоставляются готовые шаблоны плагинов для различных подходов к обучению, таких как decision transformer и Q-learning. Технологический стек включает Node.js и векторную базу данных, обеспечивая скорость работы в 150x-12,500 раз выше, чем у стандартных решений, при полной обратной совместимости. Данный модуль позволяет создавать более эффективных и адаптивных AI-агентов, способных к непрерывному обучению и улучшению производительности. Требуется Node.js версии 18 и выше, а также AgentDB v1.0.7 или более поздняя версия.

Разработка надежных и масштабируемых приложений требует четкой структуры и эффективной серверной логики. Этот репозиторий предоставляет проверенные практики и рекомендации для создания качественных приложений на базе Spring Boot, помогая избежать распространенных ошибок и ускорить процесс бэкенд-разработки. Основа подхода – организация проекта по функциональным доменам, использование Maven или Gradle для управления зависимостями и применение Spring Boot starters для упрощения конфигурации. Рекомендации включают в себя конструкторную инъекцию зависимостей и использование аннотаций @Component, @Service, @Repository и @RestController для четкого определения ролей компонентов. В результате, вы получаете готовые шаблоны и советы по созданию REST API, обеспечивающие высокую производительность и удобство сопровождения. Уделяется внимание управлению конфигурацией и секретами, что критически важно для безопасности и надежности бэкенд-разработки.

Этот Skill можно вызывать, когда пользователю нужно спроектировать код для FastGPT.

Этот репозиторий содержит рекомендации и примеры для создания спецификаций, готовых к использованию с искусственным интеллектом, обеспечивая четкость и структуру для генеративных больших языковых моделей и AI-агентов, таких как GitHub Copilot. Он решает проблему неструктурированных и неоднозначных требований, которые затрудняют эффективную работу инструментов Generative AI. Обновление спецификации update-specification предполагает внесение изменений в файл спецификации ${file} в соответствии с новыми требованиями или обновлениями существующего кода. Файл должен определять требования, ограничения и интерфейсы компонентов решения в четкой, однозначной и структурированной форме, обеспечивая машинную читаемость и самодостаточность. Используются стандарты структурированной документации, такие как Markdown и YAML (front matter). Ключевые принципы создания спецификаций, готовых к использованию с AI, включают использование точного языка, четкое разграничение требований и ограничений, структурированное форматирование и избежание контекстно-зависимых отсылок. Репозиторий поддерживает Git для контроля версий и приветствует community contributions для постоянного улучшения.

Решение проблемы нечетких инструкций для генеративных AI-агентов и большой языковой модели, особенно при использовании инструментов, таких как GitHub Copilot, стало возможным благодаря этому репозиторию. Он предоставляет структурированную систему создания спецификаций, обеспечивающую четкое руководство для генерации кода и решений, основанных на конкретных требованиях и ограничениях. Create-specification – это фреймворк и набор рекомендаций для создания стандартизированных файлов спецификаций, использующих, например, Markdown и YAML (front matter) для описания задач. Он гарантирует, что документация готова к обработке искусственным интеллектом, с четким разграничением требований, ограничений и рекомендаций, а также с использованием структурированного форматирования для удобства парсинга. В результате, вы получаете согласованный и легко поддерживаемый набор спецификаций, организованных в определенной директории, что значительно повышает эффективность работы с AI-агентами и способствует созданию более точных и релевантных решений. Репозиторий поддерживает Git для совместной работы и предлагает шаблоны для упрощения создания новых спецификаций.

Fabric Lakehouse предоставляет централизованное хранилище для структурированных и неструктурированных данных, объединяя преимущества озера данных и хранилища данных. Это позволяет эффективно управлять данными, используя Delta Lake формат для обеспечения ACID-транзакций и возможности отслеживания версий. Решение способствует автоматизации задач обработки данных и оптимизации рабочего процесса. Основываясь на OneLake, Fabric Lakehouse предлагает унифицированное хранилище, SQL аналитический конечный пункт и семантическую модель для интеграции с Power BI. Это позволяет создавать и оптимизировать решения Lakehouse, используя лучшие практики, и упрощает управление как табличными, так и нетабличными данными. Возможности скриптинга позволяют автоматизировать рутинные операции. Fabric Lakehouse – это ключевой компонент Microsoft Fabric, предназначенный для пользователей, которым требуется комплексное решение для хранения, обработки и анализа данных. Он обеспечивает основу для построения эффективных и масштабируемых аналитических решений, значительно упрощая автоматизацию задач и повышая производительность рабочего процесса.

Навык фронтенд-разработки для сопоставителя резюме. Работает со страницами Next.js, компонентами React, Tailwind CSS в стиле Swiss International, интеграцией API, хуками и i18n. Используйте при создании или изменении фронтенд-кода.

Проверяй проекты на PyPI на предмет дат последнего обновления и обновляй записи в README.md. Используй эту возможность, чтобы поддерживать актуальность информации о проектах PyPI с датами последних релизов из PyPI. Запускай периодически, чтобы поддерживать актуальные метаданные Python-пакетов, перечисленных в awesome-quant.

Рекомендации по разработке быстрых мобильных приложений на React Native и Expo. Используйте…

Добавляем официальные сервисы баз данных Railway (PostgreSQL, Redis, MySQL, MongoDB). Используй, когда пользователь хочет добавить базу данных, говорит "добавить postgres", "добавить redis", "добавить базу данных", "подключиться к базе данных" или "настроить базу данных". Для других шаблонов (Ghost, Strapi, n8n) используй навык railway-templates.

Создаёт Railway проекты, сервисы и базы данных с корректной конфигурацией. Используется, когда пользователь говорит "настроить", "развернуть на Railway", "инициализировать", "создать проект", "создать сервис" или хочет развернуть из GitHub. Обрабатывает первичную настройку И добавление сервисов к существующим проектам. Для баз данных используйте навык railway-railway-database.

Проверяй состояние сервисов, переименовывай их, меняй иконки, связывай сервисы или создавай их из Docker-образов. Если используешь локальный код, лучше используй `railway-new`. Для репозиториев на GitHub сначала создай пустой сервис с помощью `railway-new`, а затем настрой источник с помощью `railway-environment`.

Ищи и деплой сервисы из шаблонов Railway. Используй, когда нужно добавить сервис из шаблона, найти шаблоны для конкретной задачи или развернуть инструменты вроде Ghost, Strapi, n8n, Minio, Uptime Kuma и другие. Для баз данных (Postgres, Redis, MySQL, MongoDB) лучше используй skill railway-database.

Llamafile решает проблему сложной дистрибуции и запуска больших языковых моделей (LLM). Он упаковывает модели в единые исполняемые файлы, обеспечивая простоту развертывания и локальное выполнение без необходимости сложной установки. Это позволяет быстро начать работу с искусственным интеллектом даже на различных операционных системах. Llamafile использует C++, Cosmopolitan Libc, llama.cpp, whisper.cpp и stable-diffusion.cpp для создания кросс-платформенных исполняемых файлов, совместимых с Windows, macOS, Linux и BSD. Поддерживается интеграция нескольких AI-агентов, включая LLM, Whisper и Stable Diffusion, что расширяет возможности локального использования. Благодаря единому исполняемому файлу, Llamafile значительно упрощает процесс развертывания и использования больших языковых моделей. Он идеально подходит для разработчиков и пользователей, стремящихся к простоте и эффективности при работе с искусственным интеллектом.

Руководство по разработке операторов на C++ для PaddlePaddle (飞桨). Описывает полный цикл разработки оператора: от YAML-конфига, функции InferMeta, реализации Kernel, обертки Python API, юнит-тестов до проверки компиляции. Полезно в следующих случаях: (1) Добавление нового C++ оператора в фреймворк Paddle. (2) Модификация или отладка существующего оператора Paddle. (3) Написание YAML-конфига, InferMeta, Kernel, Python API или юнит-тестов для оператора. (4) Понимание архитектуры и процесса разработки операторов Paddle. (5) Компиляция Paddle и проверка корректности оператора.

fastmcp-server решает проблему развертывания и управления серверами Model Context Protocol (MCP) для интеграции больших языковых моделей (LLM) с инструментами и данными. Этот инструмент упрощает создание, настройку и мониторинг серверов, предоставляя удобный интерфейс для управления ресурсами и аутентификацией. Используя Python и FastMCP, он позволяет быстро создавать надежные и масштабируемые решения. fastmcp-server предлагает расширенные возможности управления инструментами и ресурсами, а также гибкую настройку middleware для логирования, ограничения скорости и авторизации. Он предоставляет функциональность аутентификации, включая поддержку OAuth и OIDC, обеспечивая безопасность и контроль доступа. В качестве CLI-инструмента, он позволяет автоматизировать рутинные задачи через командную строку. Для разработчиков, которым требуется эффективный CLI-инструмент для создания и управления MCP серверами, fastmcp-server предлагает готовое решение, основанное на OpenTelemetry и поддерживающее терминальную утилиту. Он предоставляет удобный Python интерфейс для интеграции с LLM и управления контекстом, что значительно упрощает процесс разработки и развертывания.

Упростите интеграцию различных сервисов искусственного интеллекта, таких как Anthropic, Gemini и OpenAI, в ваши TypeScript приложения. Этот набор инструментов предоставляет стандартизированный SDK и архитектуру, что значительно ускоряет разработку игр и других проектов, требующих интеграции с AI. Особенно полезен для команд, занимающихся геймдев-ом и использующих современные игровые движоки. Архитектура пакета построена на стандартизированных интерфейсах (provider architecture), что позволяет легко создавать новые пакеты для различных AI-сервисов. Многослойный дизайн, разделяющий спецификации, утилиты, провайдеров и основную функциональность, обеспечивает чистоту кода и упрощает его поддержку. Поддерживаемые технологии включают TypeScript, Next.js, React, Svelte и Vue. Для создания пакета провайдера, следуйте примеру, представленному в [ссылке на GitHub](https://github.com/vercel/ai/pull/8136/files). Рассмотрите возможность создания пакета как стороннего разработчика или обсудите возможность создания пакета первой стороны через создание issue. Это обеспечивает гибкость и масштабируемость при интеграции новых AI-сервисов в ваш проект.

Применяй это знание при работе над документацией Repomix в директории `website/`, включая конфигурацию VitePress, контент на разных языках или процессы перевода.

Создавайте и обновляйте файлы пакетов для каждого дистрибутива в `release-notes/{version}/distros/`, документирующие зависимости рантайма .NET и доступность пакетов для каждой Linux-системы. Используйте для: подготовки `distros/` к новой версии .NET, обновления названий пакетов зависимостей при изменении версий дистрибутива, проверки данных о пакетах. Не используйте для: изменений в `supported-os.json` (используйте навык `update-supported-os`), `os-packages.json` (устаревший формат).

Проверь и обнови файлы os-packages.json/md, в которых задокументированы необходимые пакеты Linux для каждой версии .NET. Используй инструмент dotnet-release для проверки названий пакетов по репозиториям дистрибутивов и перегенерации Markdown. ПРИМЕНЯЙ ДЛЯ: добавления пакетов для новых версий дистрибутивов, исправления неверных названий пакетов, периодических проверок пакетов. НЕ ПРИМЕНЯЙ ДЛЯ: изменений в supported-os.json (используй навык update-supported-os), прямой правки os-packages.md (он генерируется из JSON).