조사, 논문, 교육, 자격증 공부 (4.3천건)
Estratégias para gerenciar janelas de contexto de LLMs, incluindo sumarização, recorte, roteamento e prevenção de degradação de contexto. Use quando: janela de contexto, limite de tokens, gerenciamento de contexto, engenharia de contexto, contexto longo.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Reduza o tamanho de LLMs e acelere a inferência usando técnicas de pruning como Wanda e SparseGPT. Use para comprimir modelos sem retreinamento, alcançando 50% de esparsidade com perda mínima de acurácia, ou ativando inferência mais rápida em aceleradores de hardware. Cobre pruning não estruturado, pruning estruturado, esparsidade N:M, pruning por magnitude e métodos one-shot.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Acelere a inferência de LLMs usando especulative decoding, múltiplas cabeças Medusa e técnicas de lookahead decoding. Use ao otimizar velocidade de inferência (aceleração de 1,5-3,6×), reduzir latência em aplicações em tempo real ou fazer deploy de modelos com recursos computacionais limitados. Cobre modelos draft, atenção em árvore, iteração de Jacobi, geração paralela de tokens e estratégias de deploy em produção.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Um sistema híbrido de memória que oferece gerenciamento de conhecimento persistente e pesquisável para agentes de IA (Arquitetura, Padrões, Decisões).
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Testes e benchmarking de agentes LLM incluindo testes comportamentais, avaliação de capacidades, métricas de confiabilidade e monitoramento em produção—onde até os melhores agentes alcançam menos de 50% em benchmarks do mundo real. Use quando: testes de agentes, avaliação de agentes, benchmark de agentes, confiabilidade de agentes, teste de agentes.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Treinar modelos de Mixture of Experts (MoE) usando DeepSpeed ou HuggingFace. Use ao treinar modelos em larga escala com computação limitada (redução de 5× em custos vs modelos densos), implementar arquiteturas esparsas como Mixtral 8x7B ou DeepSeek-V3, ou escalar capacidade de modelo sem aumento proporcional de computação. Cobre arquiteturas MoE, mecanismos de roteamento, balanceamento de carga, paralelismo de especialistas e otimização de inferência.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Avalia LLMs em mais de 60 benchmarks acadêmicos (MMLU, HumanEval, GSM8K, TruthfulQA, HellaSwag). Use quando benchmarking de qualidade de modelo, comparação de modelos, relatório de resultados acadêmicos ou rastreamento de progresso de treinamento. Padrão da indústria usado por EleutherAI, HuggingFace e laboratórios principais. Suporta HuggingFace, vLLM, APIs.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Buscar automaticamente documentação atualizada de bibliotecas/frameworks para Claude Code via API Context7
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Especialista em CrewAI - o principal framework multi-agente baseado em papéis utilizado por 60% das empresas da Fortune 500. Abrange design de agentes com papéis e objetivos, definição de tarefas, orquestração de crew, tipos de processo (sequencial, hierárquico, paralelo), sistemas de memória e flows para workflows complexos. Essencial para construir equipes colaborativas de agentes IA. Use quando: crewai, equipe multi-agente, papéis de agentes, crew de agentes, agentes baseados em papéis.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
CLI do Datadog para buscar logs, consultar métricas, rastrear requisições e gerenciar dashboards. Use isso ao depurar problemas em produção ou trabalhar com observabilidade do Datadog.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Skill de pesquisa profunda alimentado por NotebookLM MCP. Conduz pesquisa estruturada em múltiplas fontes (análise de mercado, inteligência competitiva, análise de tendências, pesquisa de prospects) usando Google NotebookLM como mecanismo de pesquisa, depois entrega briefs formatados e artefatos opcionais de estúdio (slides, podcasts de áudio, vídeos, infográficos, relatórios, mapas mentais).
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
API de treinamento distribuído mais simples. 4 linhas para adicionar suporte distribuído a qualquer script PyTorch. API unificada para DeepSpeed/FSDP/Megatron/DDP. Posicionamento automático de device, precisão mista (FP16/BF16/FP8). Config interativo, comando de launch único. Padrão do ecossistema HuggingFace.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
把书课程化并作为「专业教师」逐课带人类学完：课前备课→详尽费曼教学→练习闸门→间隔复习→背诵作业→自进化。默认处理使用者已提供的本地书（PDF/EPUB/DJVU/MOBI/AZW/DOCX/TXT/MD/CBZ）；**当使用者无本地书且明确授权时，可代为联网检索公开来源并用项目抓取工具获取**。当用户说「学这本书 <本地路径> / 把这本 PDF 课程化 / 教我这本书 / 继续学 <书> / 复习 <书> / 考考我 <书> / 帮我学 X」时调用。教学引擎已单包自包含，无需再加载其他技能。
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Converts structured prospect research into concise outreach preparation briefs. Use when the user provides prospect or account research and wants a brief with context, angles, and claims to verify. It generates a research brief and must not invent personalization or send outreach.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Creates structured professional research summaries from public profile information. Use when the user provides public professional profiles and wants a consistent role, background, and expertise summary. Must avoid inferring sensitive personal attributes.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Compares a group of companies by products, positioning, market focus, and differentiators. Use when the user provides several company records and wants a structured competitive comparison.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Turns an ICP or research goal into a plan for finding and scraping suitable directories. Use when the user has a target audience but is unsure where to find them, and wants source categories, queries, and an extraction workflow.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Identifies missing information required to complete qualification, segmentation, or outreach preparation. Use when the user provides records and a goal and wants prioritized research gaps with sources.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Turns company records into structured company research summaries. Use when the user provides company names or records and wants a consistent overview, market position, and relevance assessment.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Designs an end-to-end process for finding, extracting, enriching, qualifying, and exporting leads. Use when the user wants a repeatable lead workflow plan rather than a single source plan.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Analyzes a dataset of companies or profiles to identify market patterns. Use when the user provides a larger dataset and wants segments, dominant categories, gaps, and emerging patterns.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Creates a repeatable process for researching and comparing companies. Use when the user wants a structured, reusable company-research workflow with objectives, sources, fields, and validation.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
arXiv 科研与工程实验室（统一 CLI 版）。 在 Claude Code 中通过自然语言或 `arxiv <subcommand>` 完成论文发现、初始化、精读、复现、工程化与贡献闭环。 关键词：arXiv、paper、research、reproduce、工程化、复现、开源贡献。
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Research one news topic and save a one-sentence summary each day
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.