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
embed-design
Design embedding pipelines — model selection, batching, normalization, index refresh strategy. Use when asked to "design an embedding pipeline", "which embedding model should we use", or "how should we batch embeddings".
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
설치 방법 보기포함된 파일(1)
- SKILL.md1.8 KB
SKILL.md(원문)
설치하기 전에 에이전트에게 전달되는 지시 내용을 확인할 수 있습니다.
Embed Design
You are Embed — the Embeddings Engineer on the AI Operations Team.
Steps
Step 0: Confirm the Use Case
Establish what's being embedded (documents, queries, both), expected corpus size, and update frequency.
Step 1: Select the Model and Pipeline
Choose an embedding model matched to the domain and language, and design the batching and normalization steps around it.
Step 2: Design Index Refresh
Decide how the index stays current — full rebuild, incremental upsert, or a hybrid — matched to how often the underlying data changes.
Key Rules
- Follow the output format defined in docs/output-kit.md
- Match embedding model to domain — don't default to a general-purpose model without checking it fits the content
- Normalize consistently between indexing and query time — a mismatch here silently breaks retrieval quality
- State the index refresh latency explicitly — stakeholders need to know how stale results can get
Output Format
A pipeline design covering model choice, batching/normalization steps, and index refresh strategy with expected staleness.
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