Los proyectos de modelos de ML necesitan una ruta repetible desde la preparación de datos hasta el despliegue. Esta habilidad proporciona a Claude, Codex y Claude Code un flujo de trabajo estructurado para entrenamiento, evaluación y empaquetado.

El entrenamiento de ML puede fallar por pérdida NaN, sobreajuste, convergencia lenta o gradientes inestables. Esta habilidad guía el diagnóstico, las correcciones dirigidas, la validación y la elaboración de informes.

Los fallos de entrenamiento son difíciles de depurar cuando los registros, las curvas, el código y las configuraciones apuntan en direcciones distintas. Esta skill organiza la evidencia y devuelve causas raíz probables, correcciones y pasos de verificación.

El entrenamiento neuronal en varios entornos sandbox es difícil de coordinar. Esta habilidad proporciona flujos de trabajo para Claude, Codex y Claude Code relacionados con entrenamiento, inferencia, plantillas y clústeres de Flow Nexus.

Las bases de datos vectoriales grandes pueden volverse lentas, consumir mucha memoria y ser difíciles de evaluar con benchmarks. Esta skill proporciona un flujo de trabajo estructurado de optimización de AgentDB para cuantización, indexación HNSW, almacenamiento en caché y validación.

Los equipos necesitan recuperación semántica rápida para documentos, sistemas RAG y bases de conocimiento. Esta skill ofrece configuración de AgentDB, patrones de búsqueda y orientación para ajustes.

Los equipos necesitan recuperación de documentos relevantes para RAG y bases de conocimiento. Esta skill guía la configuración de AgentDB, el almacenamiento de embeddings, la indexación, la búsqueda mediante API y el ajuste de relevancia.

Los proyectos avanzados de AgentDB necesitan patrones fiables para sincronización, búsqueda y operaciones de base de datos. Esta skill ofrece orientación práctica para sincronización QUIC, búsqueda híbrida, sharding y ajuste para producción.

La búsqueda vectorial distribuida requiere una planificación cuidadosa de replicación, métricas, monitoreo e implementación. Esta skill ofrece un flujo de trabajo por fases de AgentDB para sistemas de búsqueda híbrida escalables.

Los eventos de analítica a menudo se desvían de los estándares de esquema, PII y registro. Esta skill guía la implementación y revisión de MixPanel para flujos de trabajo de optimo_analytics en Django.

Las comprobaciones aritméticas manuales ralentizan a los agentes cuando los usuarios necesitan respuestas numéricas rápidas. Esta skill evalúa expresiones matemáticas básicas y devuelve resultados concisos.

Los usuarios de bases de datos necesitan SQL fiable que coincida con su tipo de conexión y esquema. Esta skill guía a Claude, Codex y Claude Code para inspeccionar esquemas, escribir consultas de solo lectura y explicar los resultados con claridad.

Escribir SQL correcto entre dialectos de bases de datos es lento y propenso a errores. Esta skill ayuda a Claude, Codex y Claude Code a crear consultas seguras de DBX Studio.

Convertir resultados de consultas sin procesar en el gráfico adecuado puede requerir una configuración repetida. Esta skill guía a Claude, Codex y Claude Code para elegir tipos de gráficos, escribir consultas SELECT y llamar a la generación de gráficos de DBX Studio.

Los equipos de bases de datos a menudo necesitan una vista rápida de tablas, relaciones y calidad de datos antes del análisis. Esta habilidad guía a Claude, Codex o Claude Code a través de un flujo de trabajo estructurado de perfilado en DBX Studio.

Explorar una base de datos desconocida puede ser lento e inconsistente. Esta skill le da a DBX Studio un flujo de trabajo repetible para revisión de esquemas, perfilado, relaciones y comprobaciones de calidad.

Encontrar compuestos disponibles para la compra y análogos útiles en ZINC puede requerir una sintaxis de consulta especializada. Esta habilidad orienta sobre búsquedas, descargas, filtrado y preparación para acoplamiento molecular.

Los grandes arrays científicos pueden sobrecargar la memoria y los sistemas de almacenamiento. Esta habilidad ofrece orientación sobre fragmentación, compresión, almacenamiento en la nube y flujos de trabajo paralelos con Zarr, NumPy, Dask y Xarray.

Los datos de alta dimensionalidad son difíciles de visualizar, agrupar y reutilizar en flujos de aprendizaje automático. Esta habilidad ofrece orientación práctica para configurar, ajustar, transformar y evaluar UMAP.

Los proyectos de aprendizaje sobre grafos requieren elegir cuidadosamente los datos, los modelos, el muestreo y la evaluación. Esta habilidad ofrece orientación, ejemplos, plantillas, pruebas comparativas y utilidades de visualización para PyTorch Geometric.