Automate document processing by extracting text, tables, and structured data from forms, invoices, and receipts. Build Java applications that leverage Azure Document Intelligence prebuilt models or create custom document analyzers.

Manually processing invoices, receipts, and forms is slow and error-prone. This skill automates document analysis using Azure Document Intelligence to extract text, tables, and fields with high accuracy.

Process invoices, receipts, and documents automatically using Azure Document Intelligence SDK in .NET. Extract structured data, text, and tables from PDFs and images without manual data entry.

Transform unstructured media files into structured, searchable content for RAG applications and automated workflows. Use prebuilt analyzers or create custom field extraction models with the Azure AI Content Understanding SDK.

Detecte anomalias em dados de séries temporais usando os Serviços Cognitivos do Azure. Esta skill fornece padrões de SDK Java para detecção de anomalias univariadas e multivariadas com suporte a streaming em tempo real.

Converte gravações de áudio em texto pesquisável e gera notas de reunião profissionais com resumospowered by AI usando integração com Claude ou GitHub Copilot.

Muitas equipas rastreiam dados que não podem ser confiáveis para decisões. Esta competência desenha estratégias de medição que produzem dados analíticos precisos e prontos para decisões.

Esta skill permite ao Claude automatizar fluxos de trabalho de análise de produtos Amplitude, incluindo rastreamento de eventos, consulta de atividade de usuários, gerenciamento de coortes e identificação de usuários através do Rube MCP.

Este pacote de fluxos de trabalho fornece um guia abrangente para criar aplicações de IA em produção, desde integração com LLM até sistemas RAG e agentes de IA. Ele orquestra múltiplas habilidades especializadas em um processo de desenvolvimento coeso.

Agentes LLM frequentemente falham em produção apesar de passar em benchmarks. Esta skill fornece testes comportamentais, avaliações de capacidade e métricas de confiabilidade para detectar problemas antes da implantação.

Os testes A/B frequentemente falham devido a design deficiente, interrupção prematura e métricas inválidas. Esta skill impõe metodologia rigorosa com portões obrigatórios para bloqueio de hipótese, definição de métricas e cálculo de tamanho de amostra antes de qualquer teste ser executado.

Agentes de IA têm dificuldade em aprender com experiências passadas e melhorar ao longo do tempo. ReasoningBank fornece padrões de aprendizado adaptativo usando AgentDB para que agentes possam rastrear trajetórias, julgar resultados e destilar memórias em padrões reutilizáveis.

Bancos de dados tradicionais têm dificuldade com consultas de pesquisa semântica. AgentDB oferece operações vetoriais 150x mais rápidas com tempos de pesquisa sub-milissegundos para construir sistemas RAG e bases de conhecimento inteligentes.

As buscas vetoriais do AgentDB ficam mais lentas conforme os dados crescem, causando lag na aplicação. Esta skill fornece técnicas de quantização e indexação para atingir buscas 150x mais rápidas com redução de memória de 4-32x, mantendo a precisão.

Construa sistemas de IA distribuídos sofisticados com sincronização sub-milisegundo e recursos avançados de busca. Aprenda a implementar sincronização QUIC, métricas de distância personalizadas e busca híbrida de vetores mais metadados para aplicações de produção.

A construção de agentes auto-aprendentes requer uma configuração complexa de aprendizado por reforço. Este skill oferece templates e orientação para 9 algoritmos, incluindo Decision Transformer, Q-Learning e Actor-Critic.

A medição da qualidade do agente requer abordagens estruturadas. Esta skill fornece rubricas de avaliação multidimensionais, gerenciamento de conjuntos de testes e monitoramento de produção para avaliar e melhorar continuamente o desempenho do agente.

Janelas de contexto limitadas restringem tarefas complexas e aumentam custos de API. Esta skill fornece técnicas comprovadas para dobrar ou triplicar a capacidade efetiva de contexto através de compactação, mascaramento de observações, otimização de KV-cache e particionamento de contexto.

O contexto é a base do desempenho eficaz de agentes de IA. Esta habilidade ensina como compreender, projetar e otimizar contexto em sistemas de agentes. Aprenda os princípios da divulgação progressiva, mecânica de atenção e orçamento de contexto para construir agentes de IA mais capazes.

A avaliação manual de saídas de LLMs é lenta e inconsistente entre avaliadores. Esta skill fornece técnicas de nível de produção para avaliação automatizada usando LLMs como juízes. Inclui rubricas de pontuação direta, comparação pareada com mitigação de viés de posição e calibração de confiança.