3,177 件 ・ 関連度順
概要と使いどころ
Automate construction data processing using LLM (ChatGPT, Claude, LLaMA). Generate Python/Pandas scripts, extract data from documents, and create automated pipelines without deep programming knowledge.
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。
Comprehensive guide to Spark Structured Streaming for production workloads. Use when building streaming pipelines, working with Kafka ingestion, implementing Real-Time Mode (RTM), configuring triggers (processingTime, availableNow), handling stateful operations with watermarks, optimizing checkpoints, performing stream-stream or stream-static joins, writing to multiple sinks, or tuning streaming cost and performance.
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。
Create, configure, validate, deploy, run, and manage Declarative Automation Bundles (DABs, formerly Databricks Asset Bundles). Use when working with Databricks resources via DABs including dashboards, jobs, pipelines, alerts, volumes, and apps.
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。
Develop and deploy Lakeflow Jobs on Databricks via DABs, Python SDK, or the CLI. Use when creating data engineering jobs with notebooks, Python wheels, SQL, dbt, or pipelines. Invoke BEFORE starting implementation.
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。
Migrate Databricks workloads from classic compute to serverless compute. Use when migrating notebooks, jobs, pipelines, or Scala JARs (`spark_jar_task`) from classic clusters to serverless, checking if existing code is serverless-compatible, or writing new serverless-compatible code. Provides concrete fixes for the serverless Spark Connect architecture and guides the full migration. Not for classic DBR version upgrades or cluster configuration changes within classic compute.
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。
Weighted pipeline forecast by probability. Historical accuracy tracking, commit vs best-case scenarios, deal slippage patterns.
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。
Routes multi-tool workflows through MCP servers for large datasets and pipelines. Use when Bash tool overhead is limiting throughput on data-heavy tasks.
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。
Autonomous orchestrator for manifest work items through the development lifecycle. Use when running egregore to process a backlog automatically.
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。
Orchestrates the QUALITY pipeline stage for egregore work items, running code review, unbloat, and test updates. Use when running quality checks before a PR.
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。
Generates a Mermaid workflow diagram showing process steps, decisions, and state transitions. Use when documenting CI/CD pipelines or lifecycle processes.
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。
Generates a Mermaid sequence diagram showing how data moves between components. Use when tracing request flows or documenting data transformation pipelines.
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 when drafting a medical research manuscript or any IMRAD section. Runs an 8-phase pipeline from outline to submission-ready draft for original articles, AI validation studies, case reports, meta-analyses, technical notes and more. Checking a draft is /self-review.
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 when a paper needs publication-ready figures or a visual abstract. Makes ROC, forest, calibration, Kaplan-Meier and Bland-Altman plots, CONSORT/STARD/PRISMA flow diagrams, confusion matrices, pipeline diagrams and journal visual abstracts, checking the journal's AI-image policy first.
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。
Operate FATE 2.2.0 federated-learning deployments, FateFlow Pipeline workflows, local launchers, and component CLI/runtime inspection.
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。
Operate the Fengshenbang-LM Fengshen package for pipelines, model families, data/training utilities, examples, and conversion planning.
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 FlashRAG for retrieval-augmented generation research workflows: config/data validation, retrieval and index building, generation/refinement components, RAG pipelines/method reproduction, evaluation, and WebUI setup.
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 FFCV to convert datasets into .beton files, build fast PyTorch loader pipelines, handle image and custom fields/transforms, and tune cache, traversal, and throughput behavior.
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 Hugging Face Evaluate to load metrics, comparisons, and measurements; compute and combine results; run evaluator pipelines; create custom modules; troubleshoot optional dependencies, cache, Hub, and CLI workflows.
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 the DVC repository skill for data versioning, pipelines, experiments, remotes/cache, metrics/params/plots, Python API usage, and DVC codebase maintenance.
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 Docling to convert, parse, configure, extract, chunk, serve, and maintain document-processing workflows across Python APIs, CLI commands, optional pipelines, and repository edits.
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。
Routes DI-engine users to the right workflow for CLI/config launches, serial and framework-based RL pipelines, and environment integration.
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。
Routes DataChain operating guidance for Python SDK pipelines, query expressions, CLI and Studio commands, agent-harness knowledge workflows, and repository maintenance.
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 DeepVariant and DeepTrio for genomics variant-calling command planning, input validation, pipeline-stage troubleshooting, custom training, and report analysis.
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。
Route DataFlow workflows for pipelines, text and document processing, serving, evaluation, and Ray acceleration.
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。