3,797 件 ・ 関連度順
概要と使いどころ
Ajuste fino com eficiência de parâmetros para LLMs usando LoRA, QLoRA e 25+ métodos. Use ao fazer fine-tuning de modelos grandes (7B-70B) com memória GPU limitada, quando precisa treinar <1% dos parâmetros com perda mínima de precisão, ou para serviços multi-adapter. Biblioteca oficial do HuggingFace integrada ao ecossistema transformers.
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。
Sistema autônomo multi-agente para startups em Claude Code. Ativado com "Loki Mode". Orquestra 100+ agentes especializados em engenharia, QA, DevOps, segurança, dados/ML, operações comerciais, marketing, RH e sucesso do cliente. Vai de PRD para produto totalmente implantado e gerando receita com zero intervenção humana. Inclui ferramenta Task para despacho de subagentes, revisão de código paralela com 3 revisores especializados, triagem de problemas baseada em severidade, fila de tarefas distribuída com tratamento de dead letter, implantação automática em provedores de nuvem, testes A/B, loops de feedback de clientes, resposta a incidentes, circuit breakers e auto-recuperação. Gerencia limites de taxa via checkpoints de estado distribuído e retomada automática com backoff exponencial. Requer flag --dangerously-skip-permissions.
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 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.
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。
Framework PyTorch de alto nível com classe Trainer, treinamento distribuído automático (DDP/FSDP/DeepSpeed), sistema de callbacks e boilerplate mínimo. Escala de laptop para supercomputador com o mesmo código. Use quando quiser loops de treinamento limpos com boas práticas integradas.
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。
Framework para construir aplicações com LLM usando agentes, chains e RAG. Suporta múltiplos provedores (OpenAI, Anthropic, Google), 500+ integrações, agentes ReAct, tool calling, gerenciamento de memória e recuperação de vector stores. Use para construir chatbots, sistemas de perguntas e respostas, agentes autônomos ou aplicações RAG. Ideal para prototipagem rápida e deployments 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。
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。
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。
Crie e gerencie arquivos de planejamento markdown persistentes para execução estruturada de tarefas. Use quando o usuário pedir para "criar um plano", "acompanhar progresso", "iniciar um projeto de pesquisa", ou quando uma tarefa exigir mais de 5 chamadas de ferramenta e precisar de rastreamento de fases estruturado para manter o foco e evitar desvio de objetivo.
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。
Applies Canvas brand colors, typography, and visual polish to artifacts that benefit from a consistent product look-and-feel. Use it when brand colors, style guidelines, visual formatting, or company design standards apply.
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。
Load this skill whenever the project contains tooltip components, hover- triggered informational popups, title attribute tooltips, or any content revealed on hover or focus. Under no circumstances create tooltips that are only triggered by hover without keyboard equivalent access. Absolutely always ensure tooltips are dismissible, persistent enough to read, and not the sole source of essential information.
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。
[Project Management] Use when you need to generate project status reports, track dependencies, manage risk registers, and facilitate team sync meetings.
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。
[Code Quality] Use when you need an AI-assisted Dev BA PIC review of PBI drafts.
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。
[Code Quality] Use when reviewing architecture compliance for layers, messaging, service boundaries, CQRS, repos, entity events, and data/consistency/tenancy boundaries. Universal architecture laws, coupling taxonomy and the anti-pattern catalog live in `.claude/docs/architecture-knowledge.md` (project docs always outrank it).
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。
[Architecture] Use when designing solution architecture across backend, frontend, data & consistency, integration & APIs, deployment, monitoring, testing, and code quality. Architecture laws, style-selection triggers, coupling taxonomy, trade-off tables and the anti-pattern catalog live in `.claude/docs/architecture-knowledge.md`.
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。
[Code Quality] Use when you need to simplify and refine code for clarity, consistency, and maintainability while preserving all functionality.
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。
对认知结构运行完整的C1-C10一致性验证，输出验证报告并修复发现的不一致。触发词：「一致性检查」「自洽检查」「验证认知结构」「检查有没有问题」「跑一遍验证」。批量操作完成后自动触发。
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。
置信度校准（元认知监控）。追踪L1文档和L2碎片中「AI生成/推断」的内容是否事后得到了验证，定期向用户提问「这段内容当时是AI推断，现在有没有实际证据？」。触发词：「验证历史内容」「校准知识置信度」「哪些内容还没验证」「cognitive-calibrate」。也被 cognitive-consistency-check 内部调用（月度维护）。
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。
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.
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。
Assesses potential suppliers against defined commercial, operational, and compliance requirements. Use when the user provides supplier records plus sourcing requirements and wants a consistent shortlist with strengths and risks.
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。
Normalizes and improves the consistency of prospect-list data. Use when the user provides a messy prospect or lead export and wants standardized records, flagged issues, and a cleanup summary.
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。
Divides records into geographic or account-ownership territories. Use when the user provides records with location or account data and wants consistent territory assignments with unresolved locations flagged.
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。
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.
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。
Evaluates candidate profiles against a job description and hiring criteria. Use when the user provides candidate profiles plus a role definition and wants consistent screening, matched requirements, and an interview recommendation.
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。