sickn33

Container-basierte Agents benötigen präzise Azure SDK-, Registry- und Protokolleinstellungen. Dieser Skill bietet einen fokussierten Python-Workflow zum Erstellen gehosteter Agents mit benutzerdefinierten Images in Azure AI Foundry.

Multi-Agent-Systeme können Token, Zeit und Rechenleistung verschwenden, wenn Arbeit schlecht koordiniert ist. Dieser Skill unterstützt bei Profiling, Arbeitslastverteilung und Kostenkontrollen für zuverlässige Agent-Workflows.

Die Qualität von Agenten kann nachlassen, wenn Teams Prompts ohne klare Messgrößen ändern. Dieser Skill bietet einen strukturierten Workflow für Baseline-Metriken, Prompt-Verbesserungen, Tests, Rollout und Monitoring.

Agenten verlieren Kohärenz, wenn sie den richtigen früheren Kontext nicht abrufen können. Diese Skill unterstützt Entscheidungen zu Speicherarchitektur, Chunking, Retrieval und Alterung für zuverlässiges langfristiges Agentenverhalten.

KI-Agenten verlieren zwischen Sitzungen oft den Projektkontext. Diese Skill verbindet sie mit einer MCP-Speicherbank für durchsuchbare Entscheidungen, Muster und Notizen.

Die Koordination mehrerer lokaler Agenten ist schwierig, wenn Sitzungen, Logs und Zuweisungen über verschiedene Tools verteilt sind. Diese Skill bietet Claude, Codex und Claude Code einen tmux-basierten Workflow zum Starten, Überwachen und Zuweisen lokaler Agenten.

Entwickler benötigen zuverlässige Muster zum Erstellen persistenter Azure AI Foundry-Agenten mit Python. Dieser Skill bietet fokussierte Beispiele für Agenten, gehostete Tools, MCP, Threads, Streaming und strukturierte Ausgaben.

LLM-Agenten können einfache Prüfungen bestehen, während sie in realen Workflows scheitern. Dieser Skill hilft dabei, Verhaltenstests, Benchmarks und Monitoring für eine stärkere Produktionsevaluierung zu erstellen.

Review-Kommentare können über GitHub-Threads verstreut und leicht zu übersehen sein. Dieser Skill führt Claude, Codex oder Claude Code durch Prüfung, Planung, Korrekturen und Antworten.

Arbeit mit ActiveCampaign erfordert oft präzise Tool-Auswahl für Kontakte, Tags, Listen, Automatisierungen und Aufgaben. Dieser Skill führt Claude, Codex und Claude Code durch Rube MCP Workflows mit aktuellen Schemata.

Lücken in der Barrierefreiheit können Nutzer ausschließen und Compliance-Risiken schaffen. Dieser Skill unterstützt WCAG-Audits, Barrierenanalysen, Remediation-Planung und Nachweise für Retests.

Teams starten Experimente häufig ohne festgelegte Hypothesen, Metriken oder Prüfungen der Stichprobengröße. Dieser Skill führt durch die Einrichtung von A/B-Tests mit Gates für Validität und Startbereitschaft.

Teams haben Schwierigkeiten, 3D hinzuzufügen, ohne Geschwindigkeit oder Benutzerfreundlichkeit zu beeinträchtigen. Dieser Skill unterstützt bei Stack-Entscheidungen, Asset-Pipelines und Mustern für interaktive Szenen.

Render-Vorgänge erfordern wiederholtes Nachschlagen von Services, Auslösen von Bereitstellungen und Statusprüfungen. Dieser Skill führt Claude, Codex und Claude Code durch Rube-MCP-Workflows für diese Aufgaben.

Teams benötigen zuverlässige Muster zum Erstellen von LLM-Anwendungen ohne unklare Entscheidungen zu Agenten, Speicher und Retrieval. Diese Skill bietet strukturierte LangChain-Architekturberatung für Claude-, Codex- und Claude Code-Workflows.

Java-Teams benötigen klare Anleitungen, um Traces, Metriken und Logs an Azure Monitor zu senden. Dieser Skill bietet Einrichtungs-, Span-, Metrik-, Ausnahme- und Migrationsbeispiele für OpenTelemetry-basierte Observability.