ml-training-debugger

ユーザーが長い自然言語プロンプトに依存していると、繰り返し行う AI ワークフローは遅くなります。このスキルは、ルーティング、検証、チェーン化、ヘルプテキストを備えた簡潔なスラッシュコマンドを定義するのに役立ちます。

再利用可能なAIワークフローは、範囲が広くなりすぎてテストが難しくなりがちです。このスキルは、専門的なプロンプト、契約、検証計画を備えた焦点の明確なスキルの定義を支援します。

複雑なAI作業では、複数のスキル、モデル、品質チェックが必要になることがよくあります。このスキルは、ルーティング、サンドボックステスト、スウォーム連携、メモリを備えたカスケードの設計を支援します。

タスクに対して誤った Claude Code インターフェースを選ぶと、チームは時間を失います。このスキルは Web、CLI、またはハイブリッドな引き継ぎワークフローを推奨します。

チームには、RAG やナレッジベース向けに関連性の高いドキュメント検索が必要です。このスキルは、AgentDB のセットアップ、埋め込みの保存、インデックス作成、API 検索、関連性チューニングをガイドします。

手作業でのプレゼンテーション制作は、時間がかかり、一貫性を保ちにくい場合があります。このスキルは、Claude、Codex、またはClaude Codeが構造化されたPPTX生成と検証を進められるよう支援します。

創薬チームには、一貫したデータセットと公平なベンチマークが必要です。このスキルは、データの読み込み、データセット分割、モデル評価、分子オラクルの使用に関するPyTDCワークフローをガイドします。

データサイエンスプロジェクトは、実験、特徴量、モデルに明確な統計的構造がない場合に失敗しがちです。このスキルは、Claude、Codex、Claude Code に対して、実験、特徴量エンジニアリング、モデルレビューのためのガイド付きワークフローを提供します。

MLプロジェクトは一見正確に見えても、データリーケージや弱い評価によって重大な欠陥が隠れていることがあります。このスキルは、分割、指標、トレーニング、デプロイ準備状況を体系的にチェックするためのガイドを提供します。

本番環境向けMLシステムでは、一貫して設計、デプロイ、監視を行うことが困難です。このスキルは、MLOps、LLM統合、RAGアーキテクチャ、ローカルワークフローのスキャフォールドを支援します。

グラフ学習プロジェクトでは、データ、モデル、サンプリング、評価について慎重に選択する必要があります。このスキルは、PyTorch Geometricに関するガイダンス、例、テンプレート、ベンチマーク、可視化ユーティリティを提供します。

機械学習プロジェクトには、一貫した前処理、評価、モデル選択のパターンが必要です。このスキルは、Claude、Codex、Claude Codeに対して、参考資料と例を含むscikit-learnに特化したガイダンスを提供します。