スキルを探す

Framework de dados para construir aplicações LLM com RAG. Especializado em ingestão de documentos (300+ conectores), indexação e consultas. Inclui índices vetoriais, mecanismos de consulta, agentes e suporte multimodal. Use para perguntas sobre documentos, chatbots, recuperação de conhecimento ou construção de pipelines RAG. Ideal para aplicações LLM centradas em dados.

日本語の概要は準備中です。原文の説明を表示しています。

Especialista em design e construção de agentes de IA autônomos. Domina uso de ferramentas, sistemas de memória, estratégias de planejamento e orquestração multi-agente. Use quando: construir agente, agente de IA, agente autônomo, uso de ferramentas, function calling.

日本語の概要は準備中です。原文の説明を表示しています。

Agentes autônomos são sistemas de IA que conseguem decompor objetivos, planejar ações, executar ferramentas e se auto-corrigir sem orientação humana constante. O desafio não é torná-los capazes - é torná-los confiáveis. Cada decisão extra multiplica a probabilidade de falha. Esta habilidade cobre loops de agentes (ReAct, Plan-Execute), decomposição de objetivos, padrões de reflexão e confiabilidade em produção. Insight-chave: taxas de erro compostas matam agentes autônomos. Uma taxa de sucesso de 95% por passo cai para 60% b

日本語の概要は準備中です。原文の説明を表示しています。

Modos operacionais de IA (brainstorm, implement, debug, review, teach, ship, orchestrate). Use para adaptar o comportamento com base no tipo de tarefa.

日本語の概要は準備中です。原文の説明を表示しています。

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.

日本語の概要は準備中です。原文の説明を表示しています。

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.

日本語の概要は準備中です。原文の説明を表示しています。

Guia completo para usar Claude Code de forma eficaz. Inclui templates de configuração, estratégias de prompting com keywords "Thinking", técnicas de debugging e melhores práticas para interagir com o agente.

日本語の概要は準備中です。原文の説明を表示しています。

Buscar automaticamente documentação atualizada de bibliotecas/frameworks para Claude Code via API Context7

日本語の概要は準備中です。原文の説明を表示しています。

Sistemas de memória persistente para conversas com LLM, incluindo memória de curto prazo, longo prazo e baseada em entidades. Use quando: memória de conversa, lembrar, persistência de memória, memória de longo prazo, histórico de chat.

日本語の概要は準備中です。原文の説明を表示しています。

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).

日本語の概要は準備中です。原文の説明を表示しています。

Execute tarefas de pesquisa autônoma que planejam, buscam, leem e sintetizam informações em relatórios abrangentes.

日本語の概要は準備中です。原文の説明を表示しています。

Treina modelos de linguagem grandes (2B-462B de parâmetros) usando NVIDIA Megatron-Core com estratégias avançadas de paralelismo. Use ao treinar modelos >1B de parâmetros, precisar de máxima eficiência de GPU (47% MFU em H100), ou necessitar de paralelismo tensor/pipeline/sequência/contexto/expert. Framework pronto para produção usado em Nemotron, LLaMA, DeepSeek.

日本語の概要は準備中です。原文の説明を表示しています。

Orientação especializada para treinamento com Fully Sharded Data Parallel do PyTorch (FSDP) - sharding de parâmetros, precisão mista, CPU offloading, FSDP2

日本語の概要は準備中です。原文の説明を表示しています。

Comprima modelos de linguagem grandes usando destilação de conhecimento de modelos professor para aluno. Use ao implantar modelos menores com desempenho retido, transferir capacidades do GPT-4 para modelos de código aberto ou reduzir custos de inferência. Aborda escalamento de temperatura, alvos suaves, KLD reversa, destilação de logits e estratégias de treinamento MiniLLM.

日本語の概要は準備中です。原文の説明を表示しています。

Estenda janelas de contexto de modelos transformer usando RoPE, YaRN, ALiBi e técnicas de interpolação de posição. Use ao processar documentos longos (32k-128k+ tokens), estender modelos pré-treinados além dos limites de contexto originais ou implementar codificações posicionais eficientes. Cobre embeddings rotativos, vieses de atenção, métodos de interpolação e estratégias de extrapolação para LLMs.

日本語の概要は準備中です。原文の説明を表示しています。

Mescle múltiplos modelos ajustados usando mergekit para combinar capacidades sem retreinar. Use ao criar modelos especializados misturando expertise específica de domínio (math + coding + chat), melhorando performance além de modelos únicos, ou experimentando rapidamente variantes de modelos. Cobre SLERP, TIES-Merging, DARE, Task Arithmetic, mesclagem linear e estratégias de deploy em produção.

日本語の概要は準備中です。原文の説明を表示しています。

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.

日本語の概要は準備中です。原文の説明を表示しています。

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.

日本語の概要は準備中です。原文の説明を表示しています。

Orientação especializada para fine-tuning de LLMs com Axolotl - configs YAML, 100+ modelos, LoRA/QLoRA, DPO/KTO/ORPO/GRPO, suporte multimodal

日本語の概要は準備中です。原文の説明を表示しています。

Gerencie múltiplos agentes CLI locais via sessões tmux (iniciar/parar/monitorar/atribuir) com agendamento compatível com cron.

日本語の概要は準備中です。原文の説明を表示しています。

Padrões de design para construir agentes de codificação autônomos. Cobre integração de tools, sistemas de permissão, automação de browser e workflows com intervenção humana. Use ao construir agentes IA, projetar APIs de tools, implementar sistemas de permissão ou criar assistentes de codificação autônomos.

日本語の概要は準備中です。原文の説明を表示しています。

Construa agentes de IA que interagem com computadores como humanos fazem - visualizando telas, movimentando cursores, clicando botões e digitando texto. Cobre Computer Use da Anthropic, Operator/CUA da OpenAI e alternativas de código aberto. Foco crítico em sandboxing, segurança e tratamento dos desafios únicos do controle baseado em visão. Use quando: computer use, automação de desktop agent, controle de tela IA, agente baseado em visão, automação de GUI.

日本語の概要は準備中です。原文の説明を表示しています。

Use quando enfrenta 2+ tarefas independentes que podem ser trabalhadas sem estado compartilhado ou dependências sequenciais

日本語の概要は準備中です。原文の説明を表示しています。

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.

日本語の概要は準備中です。原文の説明を表示しています。