Was macht awesome-azure-openai-llm?
Eine kuratierte Sammlung von Ressourcen für 🌌 Azure OpenAI, 🦙 LLMs (RAG, Agents).
Eine kuratierte Sammlung von Ressourcen für 🌌 Azure OpenAI, 🦙 LLMs (RAG, Agents).
Diese Fähigkeit stellt eine umfassend kuratierte Sammlung von Ressourcen für Entwickler und KI-Agenten bereit, die mit Azure OpenAI und großen Sprachmodellen (LLMs) arbeiten. Sie deckt Schlüsselbereiche wie Retrieval-Augmented Generation (RAG), KI-Agenten und verschiedene LLM-bezogene Tests ab. Die Sammlung ist als praktisches Nachschlagewerk organisiert, das Links zu Dokumentationen, Tutorials und Beispielimplementierungen enthält. Sie wird auf mehreren Plattformen wie Claude Code, Cursor und Codex unterstützt, sodass Entwickler schnell auf die benötigten Informationen zu Azure OpenAI-Diensten und LLM-Ökosystemen zugreifen können. Durch die Konsolidierung verstreuter Ressourcen in einer einzigen, durchsuchbaren Liste sparen Entwickler Zeit und können über bewährte Verfahren und neue Tools auf dem Laufenden bleiben.
npx skills add kimtth/awesome-azure-openai-llmInstalled? Explore more Recherche & Datenanalyse skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
Eine kuratierte Sammlung von Ressourcen für 🌌 Azure OpenAI, 🦙 LLMs (RAG, Agents).
USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.
Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.
Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.
The agent harness performance optimization system. Skills, instincts, memory, security, and research-first development for Claude Code, Codex, Opencode, Cursor and beyond.
Agent skill repository discovered by 10x-chat research.
Review backend code for quality, security, maintainability, and best practices based on established checklist rules. Use when the user requests a review, analysis, or improvement of backend files (e.g., `.py`) under the `api/` directory. Do NOT use for frontend files (e.g., `.tsx`, `.ts`, `.js`). Supports pending-change review, code snippets review, and file-focused review.