Les échecs d'entraînement sont difficiles à déboguer lorsque les journaux, les courbes, le code et les configurations pointent dans des directions différentes. Cette compétence organise les preuves et fournit les causes racines probables, les correctifs et les étapes de vérification.

L’entraînement neuronal entre sandboxes est difficile à coordonner. Cette skill fournit des workflows Claude, Codex et Claude Code pour l’entraînement, l’inférence, les templates et les clusters Flow Nexus.

Les grandes bases de données vectorielles peuvent devenir lentes, gourmandes en mémoire et difficiles à benchmarker. Cette compétence fournit un workflow structuré d’optimisation AgentDB pour la quantification, l’indexation HNSW, la mise en cache et la validation.

Les équipes ont besoin d’une récupération sémantique rapide pour les documents, les systèmes RAG et les bases de connaissances. Cette skill fournit la configuration d’AgentDB, des modèles de recherche et des conseils de réglage.

Les équipes ont besoin d’une récupération de documents pertinente pour le RAG et les bases de connaissances. Cette compétence guide la configuration d’AgentDB, le stockage des embeddings, l’indexation, la recherche via API et l’optimisation de la pertinence.

Les projets AgentDB avancés ont besoin de modèles fiables pour la synchronisation, la recherche et les opérations de base de données. Cette skill fournit des conseils pratiques pour la synchronisation QUIC, la recherche hybride, le sharding et l’optimisation en production.

La recherche vectorielle distribuée nécessite une planification minutieuse de la réplication, des métriques, de la surveillance et du déploiement. Cette skill fournit un workflow AgentDB par phases pour des systèmes de recherche hybride évolutifs.

Les événements d’analyse s’éloignent souvent des standards de schéma, de PII et d’enregistrement. Cette compétence guide l’implémentation et la revue de MixPanel pour les flux de travail Django optimo_analytics.

Les vérifications arithmétiques manuelles ralentissent les agents lorsque les utilisateurs ont besoin de réponses numériques rapides. Cette compétence évalue les expressions mathématiques de base et renvoie des résultats concis.

Les utilisateurs de bases de données ont besoin d’un SQL fiable qui correspond à leur type de connexion et à leur schéma. Cette compétence guide Claude, Codex et Claude Code pour inspecter les schémas, rédiger des requêtes en lecture seule et expliquer clairement les résultats.

Écrire du SQL correct dans différents dialectes de bases de données est lent et source d’erreurs. Cette compétence aide Claude, Codex et Claude Code à créer des requêtes DBX Studio sûres.

Transformer des résultats de requête bruts en graphique adapté peut nécessiter une configuration répétée. Cette skill guide Claude, Codex et Claude Code pour choisir les types de graphiques, écrire des requêtes SELECT et appeler la génération de graphiques DBX Studio.

Les équipes de bases de données ont souvent besoin d'une vue rapide des tables, des relations et de la qualité des données avant l'analyse. Cette skill guide Claude, Codex ou Claude Code dans un workflow structuré de profilage DBX Studio.

Explorer une base de données inconnue peut être lent et irrégulier. Cette compétence donne à DBX Studio un workflow reproductible pour l’examen du schéma, le profilage, les relations et les contrôles qualité.

La recherche de composés disponibles à l'achat et d'analogues utiles dans ZINC peut nécessiter une syntaxe de requête spécialisée. Cette compétence fournit des conseils pour les recherches, les téléchargements, le filtrage et la préparation à l'amarrage moléculaire.

Les grands tableaux scientifiques peuvent saturer les systèmes de mémoire et de stockage. Cette compétence fournit des conseils sur le découpage en chunks, la compression, le stockage cloud et les workflows parallèles avec Zarr, NumPy, Dask et Xarray.

Les données de grande dimension sont difficiles à visualiser, à regrouper et à réutiliser dans des pipelines d'apprentissage automatique. Cette compétence fournit des conseils pratiques sur la configuration, l'ajustement, la transformation et l'évaluation d'UMAP.

Les projets d’apprentissage sur graphes nécessitent des choix rigoureux concernant les données, les modèles, l’échantillonnage et l’évaluation. Cette compétence fournit des conseils, des exemples, des modèles, des benchmarks et des utilitaires de visualisation pour PyTorch Geometric.

Les processus statistiques échouent souvent en raison d'un mauvais choix de modèle, de diagnostics insuffisants ou d'une interprétation incorrecte. Cette compétence fournit des conseils structurés sur statsmodels pour réaliser des inférences et des prévisions fiables.

Le choix et la communication des tests statistiques peuvent être incohérents et sujets aux erreurs. Cette compétence guide la planification des analyses, les diagnostics, les tailles d'effet, la puissance, l'interprétation et la communication au format APA.