> LLM & AI _

Trugen AI решает проблему создания интерактивных видео-агентов, предоставляя платформу для разработки AI-агентов, способных к мгновенному общению. Решение позволяет создавать реалистичные анимированные аватары, которые взаимодействуют с пользователями в режиме реального времени, используя передовые технологии искусственного интеллекта. Интеграция с большой языковой моделью обеспечивает естественное и контекстуально релевантное взаимодействие. Платформа Trugen AI объединяет компоненты для распознавания речи, генерации ответов и синтеза речи, включая WebRTC, OpenAI, ElevenLabs, Deepgram и Huma-01. Ключевые особенности включают в себя поддержку реального времени, интеграцию с LLM и возможность привязки к базе знаний для предоставления точных и информативных ответов. Разрабатывайте и внедряйте AI-агентов с минимальными усилиями, используя API с базовым URL https://api.trugen.ai. Для доступа к API требуется ключ аутентификации, передаваемый в заголовке x-api-key. Подробная документация и портал разработчика доступны по ссылкам [docs.trugen.ai](https://docs.trugen.ai/docs/overview) и [app.trugen.ai](https://app.trugen.ai).

Опыт разработки на Java для фреймворка AgentScope – реактивной, управляемой сообщениями системы множественных агентов, построенной на базе Project Reactor. Пригодится при работе с реактивным программированием, интеграцией LLM, оркестрацией агентов, системами множественных агентов, или если пользователь упоминает AgentScope, ReActAgent, Mono/Flux, Project Reactor или разработку Java-агентов. Специалист в написании неблокирующего кода, интеграции инструментов, хуков, пайплайнов и создании production-ready приложений с агентами.

Оценка оставшихся затрат на проект на основе средних значений по этапам – предупреждает о превышении установленного бюджета. Используйте, когда: АВТОМАТИЧЕСКИ АКТИВИРУЕТСЯ, когда пользователь спрашивает о затратах на проект: "прогноз стоимости", "оценка оставшейся стоимости". "прогноз бюджета", "сколько это будет стоить".

Создавайте подробные пошаговые сценарии для видео на YouTube, включающие подготовку демонстрации, последовательности демонстрации экрана и визуальное планирование. Используйте эту функцию всякий раз, когда пользователь говорит "создать сценарий", "оформить этот видеоролик", "сценарий для видео", "составить сценарий", "производственный сценарий" или имеет утвержденное задание и материалы, и нуждается в окончательном документе для предпроизводства перед подготовкой демонстрации и съемкой. Используйте, когда работаете с сценарием для YouTube. Активируйте с помощью слов 'yt', 'outline'.

Настройка и управление: Выполнение операций калькулятора статистической значимости. Автоматически активируемая функция для анализа данных. Активируется при использовании: калькулятор статистической значимости, калькулятор статистической значимости. Является частью категории "Анализ данных". Используйте, когда работаете с функциональностью калькулятора статистической значимости. Активируйте с помощью фраз, таких как "калькулятор статистической значимости", "статистический калькулятор", "статистика".

Анализ операций анализа диапазонов дат. Автоматически активируемая функция для анализа данных. Запускается при: анализе диапазонов дат, анализе диапазонов дат. Является частью категории "Анализ данных". Используйте, когда анализируете или проверяете анализ диапазонов дат. Запускайте с помощью фраз, таких как "анализ диапазонов дат", "анализатор дат", "анализ диапазона дат".

Небольшой приём, используемый в примере со скаффолдом.

Руководство по созданию развиваемых навыков: подробные планы рабочих процессов, которые описывают, что вы будете делать, какие инструменты вы создадите и какие уроки вы извлечете в процессе выполнения. Используйте это, когда начинаете новую задачу, которая может выиграть от использования повторно используемого рабочего процесса.

Этот навык следует использовать, когда пользователь явно запрашивает анализ рынка, информацию о текущих рыночных условиях или рекомендации по стратегии, основанные на состоянии рынка. Ключевые фразы включают: "проанализировать рынок", "что происходит с BTC", "текущие рыночные условия", "подходящее ли сейчас время для торговли", "обзор рынка ETH".

Понимай, как устроены компоненты, принципы работы и ограничения контекста в системах агентов. Применяй это при написании, редактировании или оптимизации команд, навыков или промптов для дочерних агентов.

SEO & GEO (Оптимизация сайтов с использованием генеративных движков) — это анализ ключевых слов, генерация разметки schema, оптимизация для поисковых систем на базе ИИ (ChatGPT, Perplexity, Gemini, Copilot, Claude) и традиционных поисковиков (Google, Bing). Используйте, когда нужно повысить видимость сайта в поисковой выдаче.

Модуль alfworld-open-receptacle решает задачу взаимодействия AI-агентов с закрытыми контейнерами в виртуальной среде. Он позволяет открывать контейнеры, такие как холодильники или ящики, для доступа к содержимому или размещения предметов, что критически важно для выполнения сложных задач. Использование большой языковой модели в сочетании с искусственным интеллектом обеспечивает эффективное решение этой подзадачи. Техническая реализация включает в себя несколько этапов: проверку состояния контейнера, навигацию к нему, выполнение действия открытия (open {recep}) и обработку результата. В основе лежит Python и использование графа знаний для понимания окружения и выполнения действий, а также Natural Language Processing для интерпретации наблюдений. Этот модуль является частью Skillnet и предназначен для интеграции в более сложные системы AI-агентов, требующих взаимодействия с физическим миром. Входные данные – идентификатор контейнера, соответствующий соглашениям об именовании среды, что обеспечивает корректное выполнение операции.

Навык Tool User решает задачу взаимодействия ИИ-агентов с симулированной средой посредством инструментов для выполнения действий и сбора информации. Скилл позволяет модифицировать окружение, проводить измерения и выполнять эксперименты, требующие инструментального взаимодействия. Скилл определяет целевой объект или местоположение (например, ground, tree, metal fork) и выполняет действие use TOOL on TARGET. При необходимости, навык сначала проверяет наличие инструмента в инвентаре (pick up OBJ) и интерпретирует результат взаимодействия (look around, observe). Основа - последовательное выполнение действий для достижения цели. В основе работы – Python, Natural Language Processing и Knowledge Graph. Скилл использует Large Language Models для обработки естественного языка и управления инвентарем инструментов, определения целей и интерпретации результатов. Ключевые особенности: управление инвентарем, идентификация цели, выполнение действий и интерпретация наблюдений.

Руководство по созданию эффективных навыков для агентов. Используйте его, когда хотите создать новый навык, улучшить существующий или изучить лучшие практики разработки навыков. Помогает зафиксировать полученные паттерны в виде повторно используемых и легко обнаруживаемых навыков.

Начать процесс RLCR (цикл Ralph с рецензированием кода) с применением механизма, эквивалентного "хуку", из режима обучения, повторно используя существующую логику "стоп-хука".

Мета-навык, описывающий рабочий процесс RPI. Среды выполнения, поддерживающие эту функцию, внедряют её при запуске сессии; Codex использует её через механизм резервного запуска. Охватывает рабочий процесс "Исследование-План-Реализация", "Колесо знаний" и каталог навыков.

Скилл TRUTH-SEEKING PROTOCOL решает задачу построения аргументированного рассуждения на основе доказательств, минимизируя влияние предвзятости и поспешных выводов. Он предназначен для анализа утверждений, вопросов и аргументов, акцентируя внимание на состоянии "незнания" для обеспечения объективности. Скилл запускает последовательность этапов эпистемологического рассуждения. Каждый этап предполагает переоценку текущих знаний и возвращение к исходной точке "незнания". Процесс включает сбор данных, формулировку вопросов, критическую оценку источников и постоянную перепроверку гипотез. Цель – не поиск готового ответа, а построение ответа на основе наблюдений и доказательств. В основе работы – Python, используемый для управления логикой скилла. Интеграция с Claude Code обеспечивает генерацию и анализ кода. Cursor и OpenClaw применяются для взаимодействия с внешними данными и ресурсами, поддерживая реализацию протокола "незнания" и анализа на основе фактических данных. Ключевая особенность – эпистемологический конвейер рассуждений.

Решение сложной задачи автоматизации и создания интеллектуальных систем требует гибких и переносимых инструментов. Этот репозиторий предоставляет готовые к использованию компоненты – навыки, подсказки и инструменты – для разработки AI-агентов, оптимизированных для работы с Claude Code, Codex и Gemini. Основной акцент сделан на переносимости и абстракции, что позволяет легко адаптировать решения под различные задачи и платформы. В состав входят многократно используемые навыки с подробной документацией, инструменты для установки и управления жизненным циклом, а также MCP-сервер для обнаружения и интеграции новых компонентов. Использование TypeScript, JavaScript, Node.js обеспечивает высокую производительность и удобство разработки. Архитектура спроектирована с учетом принципов портативности, что позволяет избежать привязки к конкретным операционным деталям и корпоративным процессам. Предлагаемый подход позволяет создавать искусственный интеллект, основанный на большой языковой модели, способный к самообучению и автоматическому улучшению. Разрабатываемые AI-агенты предназначены для решения широкого спектра задач, от планирования и автоматизации до проектирования контекста и повышения эффективности работы.

Скилл оценивает этичность и справедливость AI и ML проектов, используя плагин ai-ethics-validator. Он помогает выявлять потенциальные этические риски и предвзятости, способствуя ответственному развитию AI. Скилл обрабатывает запросы, связанные с этикой, справедливостью или обнаружением предвзятости в AI. Плагин ai-ethics-validator анализирует предоставленный AI проект (модель, датасет, код) на предмет этических нарушений и предвзятостей. Результаты представлены в виде подробного отчета с метриками справедливости и рекомендациями по устранению проблем. В основе работы – Claude Code, Python и плагин ai-ethics-validator. Оценка справедливости проводится по демографическим группам. Осуществляется обнаружение предвзятости в датасетах. Формируются детальные отчеты об этических аспектах. Также используется StatsForecast.

Функция "Umbrella Corivo" для запоминания информации. Запросы, связанные с запоминанием информации, направляются в локальную среду выполнения Corivo для сохранения или извлечения данных.

Платформа ClaWHub – это маркетплейс навыков: здесь можно просматривать, искать, устанавливать, оценивать и оставлять отзывы о различных навыках. https://clawhub.com

Скилл Dragon анализирует решения разработки, выявляя долгосрочные последствия и потенциальные риски. Он помогает командам избегать решений, ориентированных исключительно на краткосрочную выгоду. Задача – предоставить объективную оценку влияния принимаемых решений на будущее проекта. Скилл использует Python и LLM APIs для моделирования различных сценариев развития проекта, основываясь на принятых решениях. Он выявляет несоответствия между предполагаемой временной значимостью решения и его фактическим влиянием, оценивая стоимость обратного хода и влияние на гибкость системы. Оценка включает в себя идентификацию точек связности и механизмов нарастания последствий. Ключевые компоненты: Prompt Engineering для управления запросами к LLM APIs, алгоритмы оценки риска решений, анализ долгосрочного влияния и проверка дальновидности. Скилл не предлагает готовых решений, а предоставляет данные для осознанного выбора.