효율적인 데이터베이스 쿼리 작성은 SQL 및 NoSQL 패턴에 대한 깊은 지식이 필요합니다. 이 스킬은 적절한 매개변수화로 최적화된 쿼리를 생성하고 더 나은 성능을 위한 실행 전략을 설명합니다.

JSON 데이터는 종종 작업하기 어려운 복잡한 중첩 구조로 제공됩니다. 이 스킬은 모든 사용 사례에 대해 JSON을 파싱, 변환, 검증 및 변환하는 전문적인 가이드를 제공합니다.

데이터 품질이 낮으면 시스템 장애와 잘못된 의사결정으로 이어집니다. 이 스킬은 JSON 스키마, 데이터베이스 스키마 및 사용자 정의 비즈니스 규칙에 대해 데이터를 검증하여 조기에 오류를 탐지합니다. 또한 중복, 이상치 및 형식 문제를 탐지하고 상세한 품질 보고서를 생성합니다.

CSV 파일에는 정리와 변환이 필요한 지저분한 데이터가 자주 포함됩니다. 이 스킬은 CSV 데이터를 효율적으로 파싱, 정리, 분석하기 위한 포괄적인 도구와 예제를 제공합니다.

원시 데이터를 설득력 있는 시각적 스토리로 변환합니다. 막대 그래프, 선 그래프, 산점도, 히트맵 및 대화형 대시보드를 전문적인 스타일로 생성합니다.

for-루프로 작성된 데이터베이스 쿼리는 느리고 유지 관리 문제를 발생시킵니다. 이 스킬은 빠르고 유지 관리 가능한 데이터베이스 코드를 작성하기 위해 SQLAlchemy 벌크 작업 및 리포지토리 패턴 사용에 대한 지침을 제공합니다.

대규모 문서 집합은 컨텍스트 제한을 초과합니다. 수천 개의 문서에 걸쳐 효율적인 다중 홉 추론과 지속적인 쿼리를 위해 지식 그래프로 코퍼스를 처리합니다.

AI 모델 이름은 자주 변경됩니다. 이 스킬은 Anthropic, OpenAI, Gemini, Ollama로부터 현재 모델 목록을 가져온 다음 성능 등급별로 분류하여 최적의 모델 선택을 지원합니다.

Excel 파일을 수동으로 작업하는 것은 시간이 많이 걸리고 오류가 발생하기 쉽습니다. 이 스킬은 표준 Python 라이브러리를 사용하여 스프레드시트 생성, 편집 및 수식 재계산을 자동화합니다.

오래된 패턴으로 R 코드를 작성하면 시간이 낭비되고 기술 부채가 발생합니다. 이 스킬은 tidyverse, rlang 메타프로그래밍, 패키지 개발에 대한 최신 모범 사례를 제공하여 깔끔하고 효율적인 R 코드를 작성할 수 있도록 합니다.

Marimo는 코드와 출력 간의 일관된 상태를 보장하는 반응형 Python 노트북 환경입니다. 이 스킬은 스크립트로 실행되고 웹 앱으로 배포되는 대화형 데이터 앱과 재현 가능한 노트북 구축을 위한 전문적인 지침을 제공합니다.

금융 및 과학 계산에서 부동소수점 오류를 방지합니다. 이 스킬은 big.js를 사용하여 임의 정밀도로 수학 표현식을 평가하여 정확한 십진수 결과를 제공합니다.

성장 팀은 지표 정렬과 체계적인 실험 수행에 어려움을 겪습니다. 이 스킬은 사용자 프라이버시를 존중하면서 측정 가능한 임팩트를 주도하는 성장 루프, PLG, 실험에 대한 검증된 프레임워크를 제공합니다.

데이터베이스 스키마 변경은 오류가 발생하기 쉽고 프로덕션을 중단시킬 수 있습니다. 이 스킬은 워크스페이스 격리 및 행 수준 보안 정책을 갖춘 멱등성 Supabase 마이그레이션 생성을 위한 검증된 패턴을 제공합니다.

디렉터리 간 비즈니스 정보 불일치는 로컬 SEO 순위를 저하시키고 고객을 혼란시킵니다. 이 스킬은 Google Business Profile, Apple Maps, Facebook 및 30개 이상의 디렉터리에서 NAP 데이터가 자동 감사 및 스키마 마크업 생성으로 완벽하게 동기화되도록 보장합니다.

웹 스크래핑은 어렵고 시간이 많이 소요됩니다. Crawl4AI는 안티 탐지 기능을 갖춘 6가지 지능형 모드를 제공하여 모든 웹사이트에서 콘텐츠, 스크린샷, PDF를 추출할 수 있습니다.

Alembic은 PostgreSQL 성능 영향을 고려하지 않고 마이그레이션을 생성합니다. 이 스킬은 데이터베이스 마이그레이션을 검토하고 일반적인 성능 문제를 피하는 효율적인 쿼리 작성 패턴을 제공합니다.

시뮬레이션을 위한 초기 분자 구조를 구축하려면 정밀한 공간 제약이 필요합니다. Packmol은 겹침 방지 기능을 통해 분자 배치를 자동화하며, 다양한 시뮬레이션 요구사항을 위해 박스, 구, 실린더, 평면을 지원합니다.

에이전트는 세션이 종료되면 모든 지식을 잃습니다. 이 스킬은 엔티티 지식을 보존하고, 관계를 추적하며, 세션 간 시간적 쿼리를 가능하게 하는 계층화된 메모리 아키텍처 패턴을 제공합니다.

신뢰할 수 있는 LLM 평가 시스템 구축은 체계적 편향으로 인해 어렵습니다. 이 스킬은 직접 점수 매기기, 쌍대 비교, 편향 완화를 위한 프로덕션 준비 완료 패턴을 제공하여 신뢰할 수 있는 자동화된 평가 파이프라인을 생성합니다.