Context-Aware QA Skill
Context-Aware QA is a prompting technique where an AI model is instructed to retrieve and cite authoritative sources before answering factual questions. By combining retrieval-augmented generation (RAG) with explicit verification instructions, it dramatically reduces hallucinations in production AI systems.
RAG 管道构建
构建检索增强生成管道：嵌入分块策略、向量存储选择、混合搜索融合和重排序，使智能体能够基于您的文档回答而非产生幻觉式的通用响应。
微调准备
为微调整理、清洗与格式化训练数据集：去重、质量过滤与输出格式化——让最终模型在你关心的行为上有真实提升。
提示词工程
用明确的上下文、角色定位、输出约束与引用要求来撰写提示词，让模型回复一致、可落地、可追溯到来源，适合需要进入流水线的 API 调用。
把库文档接进闭环
让助手对齐你真实在用的 README、changelog 与类型导出——借助 MCP 文档检索或粘贴片段——重构从真实签名出发，而不是靠「好像记得」的接口。
威胁建模
上线前把数据流与信任边界走一遍：谁可以调什么、密钥从哪到哪、哪些故障会直接暴露给客户，让安全讨论从图开始，而不是截止前才掏清单。
来源核验
在内容进入目录前，检查说法是否有一手来源、带日期的官方页面或可信二手来源支撑，避免把营销转述写成事实。
动手前的头脑风暴
在写代码前澄清目标、约束与方案选项，避免在产品与交互决策上把自己逼进死角。
OpenAI 文档检索
优先引用 OpenAI 官方文档与 API 参考，在集成模型与接口时减少二手博客带来的版本错误。