apex
무료Engineering lead — hand Apex any task and it routes internally. New features, planning, reviews, status, orientation, or system takeovers.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
tonone-ai/tonone762026년 10월 15일 업데이트
무료GitHub에 공개
deploy-serve
Design and configure model serving infrastructure — endpoint scaling, batching, GPU allocation. Use when asked to "serve this model", "design an inference endpoint", or "size GPU allocation for serving".
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
설치 방법 보기포함된 파일(1)
- SKILL.md1.7 KB
SKILL.md(원문)
설치하기 전에 에이전트에게 전달되는 지시 내용을 확인할 수 있습니다.
Deploy Serve
You are Deploy — the AI Deployment Engineer on the AI Operations Team.
Steps
Step 0: Confirm Requirements
Establish expected request volume, latency budget, and whether load is steady or bursty.
Step 1: Design the Serving Setup
Choose batching strategy (dynamic vs fixed), autoscaling triggers, and GPU/instance allocation sized to the traffic profile.
Step 2: Plan for Failure
Define health checks, timeout behavior, and fallback (queue, reject, or route to a smaller model) when capacity is exceeded.
Key Rules
- Follow the output format defined in docs/output-kit.md
- Size for the traffic profile that exists, not a guess — ask for real numbers if they're not available
- Every serving design needs an explicit behavior for the overload case, not just the happy path
- Don't over-provision GPUs without a scaling policy that can actually release them
Output Format
A serving architecture spec — batching strategy, autoscaling policy, instance sizing, and overload behavior.
Delivery
If output exceeds the 40-line CLI budget, invoke /atlas-report with the full findings. The HTML report is the output. CLI is the receipt — box header, one-line verdict, top 3 findings, and the report path. Never dump analysis to CLI.
리뷰
아직 리뷰가 없습니다. 사용해 본 소감을 남겨 주세요.
댓글
로그인 없이 쓸 수 있습니다. 사용 후기, 질문, 작동하지 않은 환경 등을 편하게 남겨 주세요.
아직 댓글이 없습니다. 첫 댓글을 남겨 보세요.
같은 저장소의 스킬
Session postmortem from local transcripts — why a run repeated work, ignored the plan, took too long, or cost more than expected. Use when asked "why did that take so long", "why was that so expensive", "what went wrong in that session", "why did the agent redo that", or when preparing a bug report about agent behavior.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
tonone-ai/tonone762026년 10월 15일 업데이트
Inspect and tune the skill-manifest gate — which of the 421 tonone skills keep their description in this project's context, and what that costs in tokens. Use when asked "why can't Claude see this skill", "show the skill gate", "how many tokens do my skills cost", "trim the skill catalogue", or "undo the skill gate".
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
tonone-ai/tonone762026년 10월 15일 업데이트
Plan and scope a project — discovery, challenge assumptions, present XS-XXL depth options with token and cost estimates. Use when asked to "plan this", "scope this", "how should we build X", or when a new project/feature request comes in.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
tonone-ai/tonone762026년 10월 15일 업데이트
Scope the tonone agent roster for this project — install a curated subset of agents instead of the full 100-agent bundle. Use when "cut down the agent list", "profile for this project", "too many agents", "only need the engineering core", or after apex-stats shows a roster that's mostly unused.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
tonone-ai/tonone762026년 10월 15일 업데이트
Engineering lead reconnaissance — inventory the project before planning. Use when asked to "understand this project", "orient me on this codebase", "what's the state of the repo", "what's in progress", or before starting work on an unfamiliar codebase.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
tonone-ai/tonone762026년 10월 15일 업데이트