데이터 분석, 머신러닝, LLM 앱, 프롬프트 설계 (9천건)
Use a live Jupyter kernel for stateful, iterative Python execution via hamelnb. Load this skill when the task involves exploration, iteration, or inspecting intermediate results — data science, ML experimentation, API exploration, or building up complex code step-by-step. Uses terminal to run CLI commands against a live Jupyter kernel. No new tools required.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Provides PyTorch-native distributed LLM pretraining using torchtitan with 4D parallelism (FSDP2, TP, PP, CP). Use when pretraining Llama 3.1, DeepSeek V3, or custom models at scale from 8 to 512+ GPUs with Float8, torch.compile, and distributed checkpointing.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Simple Preference Optimization for LLM alignment. Reference-free alternative to DPO with better performance (+6.4 points on AlpacaEval 2.0). No reference model needed, more efficient than DPO. Use for preference alignment when want simpler, faster training than DPO/PPO.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Provides guidance for LLM post-training with RL using slime, a Megatron+SGLang framework. Use when training GLM models, implementing custom data generation workflows, or needing tight Megatron-LM integration for RL scaling.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
High-performance vector similarity search engine for RAG and semantic search. Use when building production RAG systems requiring fast nearest neighbor search, hybrid search with filtering, or scalable vector storage with Rust-powered performance.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
GPU-accelerated data curation for LLM training. Supports text/image/video/audio. Features fuzzy deduplication (16× faster), quality filtering (30+ heuristics), semantic deduplication, PII redaction, NSFW detection. Scales across GPUs with RAPIDS. Use for preparing high-quality training datasets, cleaning web data, or deduplicating large corpora.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Generate ASCII art using pyfiglet (571 fonts), cowsay, boxes, toilet, image-to-ascii, remote APIs (asciified, ascii.co.uk), and LLM fallback. No API keys required.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Search context data(memories, skills and resource) from OpenViking Context Database (aka. ov). Trigger this tool when 1. need information that might be stored as memories, skills or resources on OpenViking; 2. is explicitly requested searching files or knowledge; 3. sees `search context`, `search openviking`, `search ov` request.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Query Solana blockchain data with USD pricing — wallet balances, token portfolios with values, transaction details, NFTs, whale detection, and live network stats. Uses Solana RPC + CoinGecko. No API key required.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Extract structured data from LLM responses with Pydantic validation, retry failed extractions automatically, parse complex JSON with type safety, and stream partial results with Instructor - battle-tested structured output library
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
This skill adds data(like resources) to OpenViking Context Database (aka. ov). Use when an agent needs to add files, data from URLs, or external knowledge during interactions. Trigger this tool when 1. is explicitly requested adding files or knowledge; 2. identifies valuable resources worth importing; 3. the user mentioned adding to OV/OpenViking/Context Database. This skill helps how to use CLI like `ov add-resource`, `ov add-skill` and `ov add-memory` to add resource data, skill files, memory files to OpenViking.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Query Base (Ethereum L2) blockchain data with USD pricing — wallet balances, token info, transaction details, gas analysis, contract inspection, whale detection, and live network stats. Uses Base RPC + CoinGecko. No API key required.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Open-source embedding database for AI applications. Store embeddings and metadata, perform vector and full-text search, filter by metadata. Simple 4-function API. Scales from notebooks to production clusters. Use for semantic search, RAG applications, or document retrieval. Best for local development and open-source projects.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Stream-JSON chaining for multi-agent pipelines, data transformation, and sequential workflows
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Implement semantic vector search with AgentDB for intelligent document retrieval, similarity matching, and context-aware querying. Use when building RAG systems, semantic search engines, or intelligent knowledge bases.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Bloomberg-style financial trading terminal: dark-only, data-dense, cyan/coral buy-sell signals, monospace tabular data. Everything readable at a glance from two meters.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Fighter-jet / helicopter head-up display: phosphor green on near-black, all-caps data overlays, angular geometry. Zero ambiguity at speed and altitude. For flight-sim UIs, telemetry, and command-and-control displays.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Clean, high-contrast enterprise design for data-driven workflows with intuitive drag-and-drop patterns and structured layouts.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Structured, enterprise-focused design system emphasizing clarity, consistency, and efficiency for data-dense web applications.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
数据驱动的小红书 / 公众号社交卡 — 一个 hero 数字 + 解释、KPI 塔（3-5 指标堆叠）、前后对比、横向迷你条形图、排行榜带高亮行、ROI 卡。必须标单位 / 时间窗 / 数据来源，必须一个数字视觉主导。触发："做个 KPI 卡 / 数据卡 / 排行榜卡 / 增长卡 / 复盘数字卡"。NOT 表情绪 / 引言 / 图主导的卡，NOT chartjunk。
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Develop Openrind Shell's OpenShell-supervised PostgreSQL FUSE runtime, compatibility sync runtime, and just-bash library.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Launch and diagnose the required Haloop-routed PostgreSQL FUSE runtime in Openrind Desktop.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Query PostgreSQL with pg and navigate Openrind Shell's primary FUSE or compatibility workspace; /db is custom-agent-only.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Mantém coerência visual entre peças geradas por IA — seed, modelo fixo, referência de estilo e biblioteca de prompts da marca. Use quando o usuário disser "as peças não parecem da mesma campanha", "manter o estilo", "consistência", "cada imagem saiu diferente", "padronizar o visual gerado". É o problema mais difícil de geração por IA em escala.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.