「deploy」の検索結果

Google Cloud Platformの構成設計と運用を支援します。Cloud RunやGKEなどの選定・設定から、権限管理、監視、費用管理まで見直すスキルです。

• Cloud RunとCloud SQLでAPIを設計
• GKEのアクセス権限を見直したいとき
• Pub/Subでイベント処理を設計

ファイルのダウンロードやAgentの読み取り処理で、許可範囲外へのアクセスを防ぐ実装規約を案内し、パス検証から多ユーザー環境の制限まで確認するスキル。

• ファイルダウンロード処理のレビュー
• Agentのファイルアクセスを制限したいとき
• クラウド向けのLoaderを確認したいとき

KubeSphereのアプリ管理で、Helm・YAMLテンプレートや配布元の同期、バージョン審査・公開、導入済みアプリの状態確認と不具合調査を支援します。

• アプリリポジトリの追加と同期
• テンプレートのバージョン審査と公開
• 導入済みアプリの状態確認

KubeSphereで外部アクセスを管理するTraefikベースのGateway API拡張を導入・更新・削除し、GatewayProxyの状態確認や障害調査を支援します。

• 対象クラスタへの拡張導入・更新
• 管理範囲別のGatewayProxy状態確認
• Traefikの起動・更新障害の調査

KubeSphereのServiceMesh拡張機能の導入・削除・状態確認に加え、段階的リリースや通信経路の可視化、処理追跡で起きる問題の調査を支援します。

• ServiceMeshの導入・更新・削除
• 段階的リリースの通信経路調査
• Istioの補助コンテナ追加の確認

KubernetesとKubeSphereの操作履歴を集める監査拡張を導入・設定し、ユーザーや操作種別、対象リソースで履歴を検索・集計します。

• 指定クラスタへの監査イベント収集の導入
• ユーザー・操作・対象・時間で履歴検索
• 監査データの保存先と保持設定

KubeSphereでコンテナの出力やファイルのログを集める拡張機能を導入・設定し、APIでの条件検索、集計、エクスポートを支援します。

• 指定クラスタへのログ収集環境の導入
• コンテナ内のファイルログ収集
• キーワード・稼働対象・時間でログ検索

KubeSphereの拡張機能を探し、依存関係や指定バージョンを確認して導入・設定変更・更新・削除を進め、状態やログから障害を調べるスキル。

• 拡張機能と利用可能なバージョンを探す
• 拡張を指定バージョンで導入したいとき
• 設定変更やアップグレードをしたいとき

ClaudeからComposio CLIを通じて外部アプリを操作し、Gmailでのメール送信、GitHubの課題作成、Slackへの投稿、Notionへの記録を実行するスキル。

• Gmailで公開案内を送信したいとき
• GitHubに不具合の課題を登録したいとき
• Slackにデプロイ完了を投稿したいとき

Composio CLIでDatadogのログを期間・サービス・環境別に検索・集計し、障害調査や日次レポートに使えるJSON形式の結果を取得するスキル。

• エラー急増や応答遅延を調査したいとき
• デプロイ前後のログ比較
• 複数サービスにまたがるリクエストの追跡

Update a QM source fork by merging upstream, or upgrade a package deployment dependency, and open a PR. Use when asked to "update qm", "sync from upstream", "pull in the latest qm".

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。

Check that a tRPC change is safe for released desktop, mobile, CLI, and SDK builds, pick the compatible pattern, and decide when a deprecated procedure can be removed. Use when changing, renaming, or removing an existing procedure, input field, or output field in packages/trpc or packages/host-service, when reviewing such a PR, or when a deploy broke released clients.

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。

First-pass triage of a possible production incident for Superset's hosted services. Gathers signals (recent deploys, Sentry spikes, health checks), proposes a severity and a status.superset.sh message, then stops for human approval. Use when someone reports an outage, errors spike, or asks "is something down?".

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。

Serves LLMs with high throughput using vLLM's PagedAttention and continuous batching. Use when deploying production LLM APIs, optimizing inference latency/throughput, or serving models with limited GPU memory. Supports OpenAI-compatible endpoints, quantization (GPTQ/AWQ/FP8), and tensor parallelism.

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 for building LLM-powered applications with agents, chains, and RAG. Supports multiple providers (OpenAI, Anthropic, Google), 500+ integrations, ReAct agents, tool calling, memory management, and vector store retrieval. Use for building chatbots, question-answering systems, autonomous agents, or RAG applications. Best for rapid prototyping and production deployments.

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。

Compress large language models using knowledge distillation from teacher to student models. Use when deploying smaller models with retained performance, transferring GPT-4 capabilities to open-source models, or reducing inference costs. Covers temperature scaling, soft targets, reverse KLD, logit distillation, and MiniLLM training strategies.

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。

Merge multiple fine-tuned models using mergekit to combine capabilities without retraining. Use when creating specialized models by blending domain-specific expertise (math + coding + chat), improving performance beyond single models, or experimenting rapidly with model variants. Covers SLERP, TIES-Merging, DARE, Task Arithmetic, linear merging, and production deployment strategies.

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。

Optimizes LLM inference with NVIDIA TensorRT for maximum throughput and lowest latency. Use for production deployment on NVIDIA GPUs (A100/H100), when you need 10-100x faster inference than PyTorch, or for serving models with quantization (FP8/INT4), in-flight batching, and multi-GPU scaling.

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。

GGUF format and llama.cpp quantization for efficient CPU/GPU inference. Use when deploying models on consumer hardware, Apple Silicon, or when needing flexible quantization from 2-8 bit without GPU requirements.

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。

Post-training 4-bit quantization for LLMs with minimal accuracy loss. Use for deploying large models (70B, 405B) on consumer GPUs, when you need 4× memory reduction with <2% perplexity degradation, or for faster inference (3-4× speedup) vs FP16. Integrates with transformers and PEFT for QLoRA fine-tuning.

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。

Half-Quadratic Quantization for LLMs without calibration data. Use when quantizing models to 4/3/2-bit precision without needing calibration datasets, for fast quantization workflows, or when deploying with vLLM or HuggingFace 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。

Meta's 7-8B specialized moderation model for LLM input/output filtering. 6 safety categories - violence/hate, sexual content, weapons, substances, self-harm, criminal planning. 94-95% accuracy. Deploy with vLLM, HuggingFace, Sagemaker. Integrates with NeMo Guardrails.

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。

Activation-aware weight quantization for 4-bit LLM compression with 3x speedup and minimal accuracy loss. Use when deploying large models (7B-70B) on limited GPU memory, when you need faster inference than GPTQ with better accuracy preservation, or for instruction-tuned and multimodal models. MLSys 2024 Best Paper Award winner.

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。

Meta's 86M prompt injection and jailbreak detector. Filters malicious prompts and third-party data for LLM apps. 99%+ TPR, <1% FPR. Fast (<2ms GPU). Multilingual (8 languages). Deploy with HuggingFace or batch processing for RAG security.

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。