Les sites Web dynamiques peuvent bloquer le scraping simple lorsque le contenu nécessite des clics, des formulaires ou des sessions. Cette skill utilise l’interaction navigateur de Firecrawl pour parcourir les pages et extraire des données.

Les équipes ont besoin de contenu fiable provenant de nombreuses pages sans copie manuelle. Cette compétence guide les crawls Firecrawl avec des chemins délimités, des limites, le suivi de progression et l’enregistrement des résultats.

Les sites web complexes nécessitent souvent une navigation sur plusieurs pages avant que les données puissent être collectées. Cette compétence guide Claude, Codex ou Claude Code pour exécuter Firecrawl Agent et renvoyer des données de site web structurées.

Official TikTok access can require application review and does not fit quick, read-only research. This skill guides paid Fetcher.sh requests for posts, profiles, comments, and discovery feeds.

Instagram data collection can require Meta approval, browser automation, or separate scraping infrastructure. This skill provides paid, read-only REST and MCP access to public Instagram data.

Le JSON brut est difficile à inspecter lorsqu’il arrive sous forme d’une longue chaîne unique. Cette skill valide l’entrée et renvoie une mise en forme lisible avec une taille d’indentation choisie.

Le contenu web est souvent difficile à collecter dans un format propre pour les workflows d’IA. Cette skill utilise Firecrawl pour scraper, crawler, cartographier, rechercher et extraire des données structurées de sites web.

Les fichiers de données d’application peuvent devenir difficiles à maintenir lorsque des enregistrements sans rapport sont regroupés. Cette compétence fournit des règles simples pour des fichiers de données Next.js modulaires.

Le travail sur les données NBA nécessite souvent de trouver le bon endpoint, les bons paramètres et le bon format de réponse. Cette compétence guide Claude, Codex et Claude Code dans les workflows d’extraction, de transformation et d’analyse avec nba_api.

Les pipelines Parquet peuvent gaspiller du stockage et de la mémoire lorsque les paramètres par défaut sont utilisés. Cette compétence examine les lectures et écritures Parquet en Rust, puis suggère des améliorations en matière de compression, de dimensionnement, de projection et de filtrage.

Les grands data lakes peuvent devenir lents, coûteux et difficiles à gouverner sans choix d’architecture clairs. Cette skill guide le partitionnement, l’organisation du stockage, l’évolution des schémas, les formats de table, la rétention et la conception de lakehouse optimisée pour les coûts.

Les requêtes DataFusion lentes peuvent gaspiller des ressources de calcul et masquer des problèmes simples dans le plan. Cette compétence examine les modèles SQL et DataFrame, puis suggère des améliorations de performance concrètes.

La conversion vidéo et la transcription nécessitent souvent plusieurs outils en ligne de commande. Cette compétence fournit un workflow CLI unique pour extraire l’audio, convertir des formats et créer des transcriptions Whisper.

Les projets ML peuvent sembler précis alors que des fuites de données ou une évaluation faible masquent de graves défauts. Cette compétence guide des vérifications structurées des découpages, des métriques, de l’entraînement et de la préparation au déploiement.

Les graphiques personnalisés nécessitent souvent des interactions que les bibliothèques de graphiques simples ne peuvent pas exprimer. Cette skill guide la configuration SVG avec D3.js, la liaison de données, les échelles, les axes, les infobulles, le zoom, les transitions et les choix de couleurs.

Les modèles de données et les mises à jour d’état peuvent dériver sans examen clair. Cette compétence guide l’analyse des choix de typage, de mutation et de sérialisation.

L'entraînement distribué de réseaux de neurones nécessite une configuration, une validation et un déploiement coordonnés. Cette skill guide les workflows Flow Nexus, de la conception de l'architecture au service en production.

Les agents répètent souvent des stratégies faibles parce que les données d’apprentissage restent non structurées. Cette skill organise les trajectoires, les patterns, les benchmarks et les recommandations dans un flux de travail ReasoningBank.

Les projets de modèles ML nécessitent un chemin reproductible, de la préparation des données au déploiement. Cette compétence fournit à Claude, Codex et Claude Code un workflow structuré pour l'entraînement, l'évaluation et le packaging.

L’entraînement ML peut échouer à cause d’une perte NaN, d’un surapprentissage, d’une convergence lente ou de gradients instables. Cette skill guide le diagnostic, les corrections ciblées, la validation et le reporting.