modal
Executar código Python na nuvem
Também disponível em: davila7
Modal é uma plataforma serverless para executar código Python na nuvem. Ele fornece acesso instantâneo a GPUs, escalonamento automático e cobrança por uso. Implante modelos de ML, execute trabalhos de processamento em lote e sirva APIs sem gerenciar infraestrutura.
Baixar o ZIP da skill
Upload no Claude
Vá em Configurações → Capacidades → Skills → Upload skill
Ative e comece a usar
Testar
A utilizar "modal". Implantar uma função Python que resume texto usando um modelo do HuggingFace em GPU
Resultado esperado:
- ✓ Criado aplicativo Modal com acesso a GPU L40S
- ✓ Construída imagem de container com transformers e torch
- ✓ Implantado endpoint web para resumir texto
- ✓ Endpoint disponível em https://your-app.modal.run
A utilizar "modal". Executar um trabalho em lote para processar 1000 imagens em paralelo
Resultado esperado:
- ✓ Criada função worker com 4 cores de CPU e 8GB de memória
- ✓ Configurado processamento paralelo em 50 containers
- ✓ Processadas 1000 imagens em ~8 minutos
- ✓ Resultados salvos no Volume Modal em /data/output/
A utilizar "modal". Agendar retreinamento de modelo diário à meia-noite
Resultado esperado:
- ✓ Criada função agendada com expressão cron '0 0 * * *'
- ✓ Configurada GPU (A100) para computações de treinamento
- ✓ Configurado gerenciamento de segredos para credenciais de API
- ✓ Logs de treinamento disponíveis no painel Modal
Auditoria de Segurança
SeguroThis is a documentation-only skill for Modal, a legitimate serverless cloud computing platform. All 572 static findings are FALSE POSITIVES. The scanner misinterprets Markdown documentation code examples as executable code. Patterns flagged include CLI commands in documentation (modal run, modal deploy), environment variable documentation, and legitimate Modal API patterns. No malicious code, credential exfiltration, or actual security vulnerabilities exist. This skill contains only documentation files teaching users how to properly use the Modal platform.
Fatores de risco
⚙️ Comandos externos (6)
🌐 Acesso à rede (3)
📁 Acesso ao sistema de arquivos (3)
🔑 Variáveis de ambiente (3)
Pontuação de qualidade
O Que Você Pode Construir
Implantar modelos de ML para inferência
Implantar modelos treinados (LLMs, classificadores de imagem) em produção com aceleração GPU e auto-scaling para tráfego variável.
Executar trabalhos de processamento em lote
Processar grandes conjuntos de dados em paralelo em múltiplos containers. Processar milhares de arquivos ou linhas de dados simultaneamente.
Executar tarefas de computação GPU
Executar tarefas de pesquisa computacionalmente intensiva em GPUs H100 ou A100. Agendar trabalhos de treinamento e computações de longa duração.
Tente Estes Prompts
Crie um aplicativo Modal que executa uma função Python em uma GPU L40S. A função deve carregar um modelo do HuggingFace e retornar previsões. Use uma imagem de container apropriada com torch e transformers instalados.
Configure uma função Modal que processa arquivos CSV em paralelo. A função deve ler arquivos de um bucket S3, aplicar transformações e salvar resultados. Use paralelismo de CPU com múltiplos cores.
Crie uma função Modal agendada que executa diariamente às 2h. A função deve atualizar dados em cache de uma API e atualizar pesos de modelo armazenados em um Volume Modal.
Construa um endpoint web Modal que aceita requisições POST com dados de entrada. O endpoint deve executar inferência usando um modelo implantado e retornar previsões. Inclua tratamento adequado de erros e autenticação.
Melhores Práticas
- Fixe todas as versões de pacotes Python em definições de imagem para garantir implantações e builds reproduzíveis
- Use Segredos Modal separados para diferentes ambientes (dev, staging, produção) para evitar vazamento de credenciais
- Configure min_containers apropriados para reduzir latência de cold start para endpoints sensíveis a latência
Evitar
- Hardcoding de chaves de API ou credenciais diretamente no código da função em vez de usar Segredos Modal
- Importando dependências pesadas no escopo do módulo em vez de dentro dos corpos de funções, retardando a inicialização do container
- Usando loops sequenciais para processamento em lote em vez de .map() para execução paralela entre containers
Perguntas Frequentes
Quanto custa o Modal?
Quais tipos de GPU estão disponíveis?
Como me autentico com o Modal?
Posso executar trabalhos de longa duração?
Como funciona o auto-scaling?
Quais versões de Python são suportadas?
Detalhes do Desenvolvedor
Autor
K-Dense-AILicença
Apache-2.0 license
Repositório
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/modalReferência
main
Estrutura de arquivos