Habilidades ml-engineer
📦
ml-engineer
Revisión del contenido r2 Seguro ⚙️ Comandos externos
Desplegar sistemas de ML en producción
Los sistemas de ML en producción son difíciles de desplegar, monitorear y escalar de forma fiable. Esta habilidad guía flujos de trabajo de servicio de modelos, ingeniería de características, pruebas y MLOps.
Compatible con: Claude Codex Code(CC)
Instalar con mi Agente
Copia esta solicitud en tu Agente. Incluye la página canónica del Skill y el manifiesto.
Solicitud de agente
Review the Skillstore skill "ml-engineer" from https://skillstore.io/skills/sickn33-ml-engineer.md and its manifest at https://skillstore.io/api/skills/sickn33-ml-engineer/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.Tu Agente debe seguir mostrando su plan y solicitar cualquier confirmación exigida por la política de seguridad.
Recursos legibles por agentes
Usa estos enlaces cuando un agente de IA, crawler o script necesite contexto limpio en vez de leer la página completa.
Pruébalo
Usando "ml-engineer". Diseñar un servicio de recomendaciones en tiempo real para tráfico de alto volumen.
Resultado esperado:
- Una arquitectura de servicio con características online, caché de modelos, capa de API y límites de autoescalado.
- Un plan de lanzamiento que cubra canaries, pruebas A/B, monitoreo y disparadores de reversión.
- Una lista de verificación de fiabilidad para latencia, rendimiento, características obsoletas y comportamiento degradado del modelo.
Usando "ml-engineer". Mejorar un modelo existente que tiene latencia creciente y posible drift.
Resultado esperado:
- Un plan de triaje para métricas de latencia, frescura de datos, distribuciones de características y desempeño del modelo.
- Opciones de optimización como batching, cuantización, caché y revisión de hardware.
- Actualizaciones de monitoreo para alertas de drift, métricas de negocio y umbrales de reentrenamiento.
Auditoría de seguridad
Segurov5 • 4/8/2026 Abrir el informe versionado
Both static findings are false positives caused by ordinary Markdown prose. The skill contains no executable shell command, system reconnaissance behavior, or semantic evidence of malicious intent.
1
Archivos escaneados
172
Líneas analizadas
0
Elementos de revisión
0
Falsos positivos ignorados
Factores de riesgo
⚙️ Comandos externos (1)
La auditoría estática y semántica completada más reciente no detectó hallazgos de seguridad confirmados. Esto no demuestra que el skill no tenga efectos secundarios.
Auditado por: codex Ver historial de auditorías →
Compartir y citar este informe
Comparte el informe de evaluación versionado, la insignia neutral, la tarjeta insertable y las citas. Skillstore presenta evidencias sin decidir si este Skill es seguro.
Copiar enlace del informe
https://skillstore.io/skills/sickn33-ml-engineer/audits/5?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportInsignia Markdown
[](https://skillstore.io/skills/sickn33-ml-engineer?utm_source=security_passport_badge)Insignia HTML
<a href="https://skillstore.io/skills/sickn33-ml-engineer?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/sickn33-ml-engineer/security.svg" alt="Skillstore security assessment" loading="lazy"></a>Tarjeta para insertar
<iframe src="https://skillstore.io/embed/skills/sickn33-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>Citas académicas (APA · BibTeX · CFF)
Cita APA
sickn33. (2026). ml-engineer security audit report (audit version 5) [Author version unspecified]. Skillstore. https://skillstore.io/skills/sickn33-ml-engineer/audits/5Cita BibTeX
@techreport{sickn33-sickn33-ml-engineer-2026,
author = {sickn33},
title = {ml-engineer security audit report (audit version 5)},
institution = {Skillstore},
year = {2026},
number = {5},
url = {https://skillstore.io/skills/sickn33-ml-engineer/audits/5},
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: "ml-engineer security audit report (audit version 5)"
version: "unspecified"
type: report
authors:
- name: "sickn33"
date-released: "2026-08-04"
url: "https://skillstore.io/skills/sickn33-ml-engineer/audits/5"
identifiers:
- type: other
value: "skillstore:sickn33-ml-engineer:audit:5"
description: "Skillstore immutable audit report identifier"
Puntuación de Skillstore
Por qué esta puntuación Confianza de la evidencia: Alto 55
Arquitectura
85
Mantenibilidad
87
Contenido
69
Comunidad
83
Cumplimiento de la especificación
Lo que puedes crear
Planificar un servicio de modelos resiliente
Diseñar APIs de servicio, autoescalado, monitoreo y rutas de reversión para cargas de trabajo de inferencia en producción.
Llevar experimentos a producción
Convertir investigación de modelos en pipelines reproducibles con pruebas, versionado y puntos de control de despliegue.
Evaluar opciones de infraestructura de ML
Comparar plataformas de servicio, feature stores, servicios en la nube y herramientas de monitoreo frente a restricciones de negocio.
Prueba estos prompts
Planificar el despliegue de un modelo
Ayúdame a desplegar un modelo de clasificación entrenado. Pregunta por el contexto faltante y luego propón una arquitectura de servicio, un plan de monitoreo y una lista de verificación para el lanzamiento.
Diseñar un pipeline de características
Diseña un pipeline de características para mi caso de uso de ML. Incluye validación de datos, opciones de feature store, objetivos de frescura y manejo de fallos.
Optimizar la latencia de inferencia
Revisa mi carga de trabajo de inferencia y propón mejoras de latencia. Cubre batching, cuantización, caché, opciones de hardware y métodos de medición.
Revisar una arquitectura de MLOps
Evalúa este diseño de plataforma de ML para determinar si está listo para producción. Revisa brechas de entrenamiento, despliegue, monitoreo, gobernanza, costo, fiabilidad y seguridad.
Mejores prácticas
- Comienza con requisitos de fiabilidad, monitoreo y reversión antes de elegir la complejidad del modelo.
- Versiona datos, características, modelos y configuraciones de servicio para lanzamientos reproducibles.
- Valida métricas offline, comportamiento online, equidad e impacto de negocio antes del lanzamiento completo.
Evitar
- Desplegar un modelo sin monitoreo de drift, umbrales de alerta ni comportamiento de fallback.
- Tratar experimentos de notebooks como servicios de producción sin pruebas ni control de dependencias.
- Optimizar la precisión mientras se ignoran la latencia, el costo, la privacidad y el soporte operativo.
Preguntas frecuentes
¿Esta habilidad escribe código de producción?
Puede redactar planes de implementación y orientación orientada a código. Revisa y prueba todo el código generado en tu propio entorno.
¿Qué frameworks de ML cubre?
Cubre PyTorch, TensorFlow, JAX, scikit-learn, XGBoost, LightGBM, Hugging Face y herramientas comunes de servicio.
¿Puede ayudar con el monitoreo de modelos?
Sí. Puede planificar detección de drift, comprobaciones de calidad de datos, métricas de latencia, alertas de rendimiento y disparadores de reentrenamiento.
¿Puedo usarla con Claude, Codex y Claude Code?
Sí. La habilidad declara soporte para flujos de trabajo de Claude, Codex y Claude Code.
¿Reemplaza a un equipo de plataforma de ML?
No. Ayuda a estructurar decisiones, planes y trabajo de implementación, pero los equipos deben validar los sistemas en producción.
¿Qué datos de entrada mejoran las respuestas?
Proporciona el tipo de modelo, patrones de tráfico, objetivos de latencia, fuentes de datos, entorno en la nube, necesidades de cumplimiento y cuellos de botella actuales.