Was macht rainforest-lab?
Ehrliches Multi-Agenten-Forschungsframework – Skill, Python-Engine, MCP-Produkt.
Quelle: https://github.com/KrakenP/rainforest-lab
Entdeckt während der täglichen awesomeskills.dev Agent-Skill-Jagd.
Ehrliches Multi-Agenten-Forschungsframework – Skill, Python-Engine, MCP-Produkt.
KrakenP/rainforest-lab ist ein transparentes Multi-Agenten-Forschungsframework, das als Skill, Python-Engine und MCP-Produkt eingesetzt werden kann. Es ermöglicht Entwicklern und KI-Agenten, mehrere Agenten in einer vertrauenswürdigen Umgebung zu orchestrieren und Forschung zu betreiben, ohne auf geschlossene Systeme angewiesen zu sein. Das Tool wurde im Rahmen der täglichen awesomeskills.dev Agent-Skill-Jagd entdeckt und bietet eine offene Grundlage für Experimente mit KI-Agenten. Es unterstützt die Integration in verschiedene Entwicklerplattformen und zeichnet sich durch seine Authentizität und Anpassungsfähigkeit aus.
npx skills add KrakenP/rainforest-labInstalled? Explore more Recherche & Datenanalyse skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
Ehrliches Multi-Agenten-Forschungsframework – Skill, Python-Engine, MCP-Produkt.
Quelle: https://github.com/KrakenP/rainforest-lab
Entdeckt während der täglichen awesomeskills.dev Agent-Skill-Jagd.
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.