Fähigkeiten senior-ml-engineer

📦

senior-ml-engineer

Name: senior-ml-engineer
Author: davila7

Inhaltsrevision r1 Sicher ⚙️ Externe Befehle

Produktionsreife ML- und RAG-Systeme entwickeln

Produktionsreife ML-Systeme sind schwer konsistent zu entwerfen, bereitzustellen und zu überwachen. Diese Skill bietet Leitlinien zu MLOps, LLM-Integration, RAG-Architektur und lokalen Workflow-Gerüsten.

Unterstützt: Claude Codex Code(CC)

🥈 81 Silber

Mit meinem Agent installieren

Kopieren Sie diese Anfrage in Ihren Agent. Sie enthält die maßgebliche Skill-Seite und das Manifest.

Agent-Anfrage

Review the Skillstore skill "senior-ml-engineer" from https://skillstore.io/skills/davila7-senior-ml-engineer.md and its manifest at https://skillstore.io/api/skills/davila7-senior-ml-engineer/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.

Ihr Agent sollte weiterhin seinen Plan anzeigen und alle von der Sicherheitsrichtlinie verlangten Bestätigungen anfordern.

Agent-lesbare Ressourcen

Verwenden Sie diese Links, wenn ein KI-Agent, Crawler oder Skript sauberen Kontext benötigt, statt die vollständige Seite zu lesen.

Markdown-Detailseite GET /skills/davila7-senior-ml-engineer.md Signiertes manifest GET /api/skills/davila7-senior-ml-engineer/manifest Signiertes lockfile GET /api/skills/davila7-senior-ml-engineer/lockfile

Testen

„senior-ml-engineer“ wird verwendet. Entwirf einen Bereitstellungsplan für ein Modell zur Vorhersage von Kundenabwanderung.

Erwartetes Ergebnis:

Ein gestufter Rollout-Plan mit Validierung, Canary Release, Rollback-Kriterien und Prüfpunkten für Verantwortlichkeiten.
Monitoring-Empfehlungen für Datendrift, Vorhersagequalität, Latenz, Fehler und geschäftliche Auswirkungen.

„senior-ml-engineer“ wird verwendet. Prüfe eine RAG-Chatbot-Architektur auf Produktionsrisiken.

Erwartetes Ergebnis:

Eine priorisierte Prüfung zu Retrieval-Qualität, Zugriffskontrollen, Latenzbudgets, Lücken bei der Observability, Kostentreibern und Fehlermodi.

„senior-ml-engineer“ wird verwendet. Erstelle eine ML-Monitoring-Checkliste für einen neuen Service.

Erwartetes Ergebnis:

Eine Checkliste für Modellmetriken, Datenqualität, Servicezustand, Alarmschwellen, Incident-Routing und Trigger für erneutes Training.

Sicherheitsaudit

Sicher

v10 • 6.7.2026 Versionsbericht öffnen

The static findings are false positives caused by Markdown code fences, inline reference links, and the benign phrase "Resource awareness" in performance guidance. I found no prompt injection, data exfiltration intent, unauthorized network activity, or malicious command execution instructions in the reviewed files.

Gescannte Dateien

773

Analysierte Zeilen

Prüfelemente

Falschmeldungen ignoriert

Risikofaktoren

⚙️ Externe Befehle (10)

SKILL.md:14-23 SKILL.md:23-54 SKILL.md:54-65 SKILL.md:65-75 SKILL.md:75-167 SKILL.md:167-185 SKILL.md:185-189 SKILL.md:189-190 SKILL.md:190-191 SKILL.md:191-192

Das letzte abgeschlossene statische und semantische Audit erkannte keine bestätigten Sicherheitsbefunde. Dies beweist nicht, dass der Skill keine Nebenwirkungen hat.

Geprüft von: codex Audit-Verlauf anzeigen →

Diesen Bericht teilen & zitieren

Teile den versionierten Bewertungsbericht, das neutrale Badge, die Einbettungskarte und Zitate. Skillstore berichtet Nachweise, ohne zu entscheiden, ob dieser Skill sicher ist.

Versionsbericht öffnen

Berichtslink kopieren

https://skillstore.io/skills/davila7-senior-ml-engineer/audits/10?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report

Markdown-Badge

[![Skillstore security assessment](https://skillstore.io/badges/skills/davila7-senior-ml-engineer/security.svg)](https://skillstore.io/skills/davila7-senior-ml-engineer?utm_source=security_passport_badge)

HTML-Badge

<a href="https://skillstore.io/skills/davila7-senior-ml-engineer?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/davila7-senior-ml-engineer/security.svg" alt="Skillstore security assessment" loading="lazy"></a>

Einbettungskarte

<iframe src="https://skillstore.io/embed/skills/davila7-senior-ml-engineer.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>

Wissenschaftliche Zitate (APA · BibTeX · CFF)

APA-Zitat

davila7. (2026). senior-ml-engineer security audit report (audit version 10) [Author version unspecified]. Skillstore. https://skillstore.io/skills/davila7-senior-ml-engineer/audits/10

BibTeX-Zitat

@techreport{davila7-davila7-senior-ml-engineer-2026,
  author = {davila7},
  title = {senior-ml-engineer security audit report (audit version 10)},
  institution = {Skillstore},
  year = {2026},
  number = {10},
  url = {https://skillstore.io/skills/davila7-senior-ml-engineer/audits/10},
  note = {Author version unspecified}
}

CITATION.cff

cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "senior-ml-engineer security audit report (audit version 10)"
version: "unspecified"
type: report
authors:
  - name: "davila7"
date-released: "2026-07-06"
url: "https://skillstore.io/skills/davila7-senior-ml-engineer/audits/10"
identifiers:
  - type: other
    value: "skillstore:davila7-senior-ml-engineer:audit:10"
    description: "Skillstore immutable audit report identifier"

Varianten vergleichen

2 installierbare Varianten

Jeder Autor bleibt ein eigener installierbarer Skill. Die empfohlene Variante wird nach Skillstore-Nachweisen bewertet.

Warum diese Variante zuerst steht

Höchster Skillstore-Score

Autor / Quelle Skillstore-Score Evidenzvertrauen Skillstore-Nutzung Aktualisiert

davila7 Empfohlen Aktuell

davila7-senior-ml-engineer

Skillstore-Score 81

Evidenzvertrauen Hoch

Skillstore-Nutzung 8

Aktualisiert

2026-09-09

alirezarezvani

alirezarezvani-senior-ml-engineer

Skillstore-Score 38

Evidenzvertrauen Mittel

Skillstore-Nutzung 22

Aktualisiert

2026-09-09

Skillstore-Score

Warum dieser Score Evidenzvertrauen: Hoch

Architektur

Wartbarkeit

Inhalt

Gemeinschaft

Spezifikationskonformität

Was Sie erstellen können

Eine MLOps-Plattform planen

Erstellen Sie einen Bereitstellungs- und Monitoringplan für Modelle, die Zuverlässigkeit, Kostenkontrollen und Audit-Trails benötigen.

Eine RAG-Architektur prüfen

Bewerten Sie Retrieval-Qualität, Latenz, Observability, Sicherheit und Skalierungsentscheidungen vor der Implementierung.

ML-Bereitstellung standardisieren

Definieren Sie Teampraktiken für Tests, Release-Gates, Monitoring und Incident Response über alle ML-Services hinweg.

Diese Prompts ausprobieren

Bereitstellungsanforderungen zusammenfassen

Prüfe diese Idee für einen ML-Service und liste die Anforderungen an Bereitstellung, Monitoring und Sicherheit auf. Stelle Rückfragen, bevor du eine Architektur vorschlägst.

Einen MLOps-Workflow entwerfen

Erstelle einen MLOps-Workflow für dieses Modell. Beziehe Datenvalidierung, Training, Bereitstellung, Rollback, Monitoring und Prüfpunkte für Verantwortlichkeiten ein.

RAG-Architektur bewerten

Bewerte diese RAG-Architektur hinsichtlich Retrieval-Qualität, Latenz, Sicherheit, Observability, Kosten und Fehlermodi. Gib priorisierte Empfehlungen.

Produktionsreife prüfen

Führe eine Produktionsreifeprüfung für diese ML-Plattform durch. Behandle SLOs, Incident Response, Compliance, Kapazitätsplanung und Zielkonflikte bei technischer Schuld.

Bewährte Praktiken

Geben Sie Modellzweck, Datensensibilität, Latenzziele und Bereitstellungsumgebung an, bevor Sie um Architekturleitlinien bitten.
Fragen Sie nach Zielkonflikten zwischen Genauigkeit, Latenz, Kosten, Zuverlässigkeit und Compliance.
Validieren Sie generierte Pläne vor der Implementierung mit den Verantwortlichen für Infrastruktur, Sicherheit und Recht.

Vermeiden

Die Gerüst-Skripte als produktionsreife Implementierungen behandeln.
Bereitstellungsbefehle anfordern, ohne Umgebung, Zugangsdaten und Rollback-Anforderungen zu bestätigen.
Datenschutz, Monitoring und Incident Response bei Entwürfen für ML-Systeme überspringen.