3,877 件 ・ 関連度順
概要と使いどころ
Train object-detection, image-classification, or SAM segmentation models on Hugging Face Jobs. Use for vision fine-tuning and evaluation; use huggingface-llm-trainer for language models.
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。
Detects fail-open insecure defaults (hardcoded secrets, weak auth, permissive security) that allow apps to run insecurely in production. Use when auditing security, reviewing config management, or analyzing environment variable handling.
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。
Performs security-focused differential review of code changes (PRs, commits, diffs). Adapts analysis depth to codebase size, uses git history for context, calculates blast radius, checks test coverage, and generates comprehensive markdown reports. Automatically detects and prevents security regressions.
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。
Error handling review — silent failure detection, catch block analysis, error logging.
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 comment accuracy verification, documentation completeness assessment, comment rot detection.
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。
General code quality review — project guideline compliance, bug detection, code quality 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。
Detect Git remote URL for GitHub 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。
Guided setup of the tools the design harness can use — image/video generation channels, browser, encoders. Detects what the user already has, explains pros/cons/costs, asks instead of instructing, and saves choices to .omd/config.json so every later design task reuses them. Trigger: 'omd setup', '도구 셋업', '이미지 생성 뭐 쓸 수 있어', 'configure media', '세팅해줘', 'what can you generate'.
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。
Guided setup of the tools the design harness can use — image/video generation channels, browser, encoders. Detects what the user already has, explains pros/cons/costs, asks instead of instructing, and saves choices to .omd/config.json so every later design task reuses them. Trigger: 'omd setup', '도구 셋업', '이미지 생성 뭐 쓸 수 있어', 'configure media', '세팅해줘', 'what can you generate'.
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。
Metacognitive check-ins during problem solving - detects when to pivot or persist
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。
Map code questions to the optimal tldr command by detecting intent and routing to the right analysis layer.
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。
Claude Code session analysis, tool call patterns, efficiency metrics, and anti-pattern detection
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。
Security audit workflow - OWASP Top 10, input validation, auth, secret detection, vulnerability scan
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。
Security scan, dead code detection, and code quality audit for any project
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。
Detect fail-open configurations, hardcoded secrets, weak authentication defaults, permissive CORS, disabled security features, and other insecure-by-default patterns. Adapted from Trail of Bits. Use during security review or when auditing configuration and initialization code.
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。
Adaptive content summarization - auto-detect content type and produce relevant 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。
Web change monitoring - track changes on pages, detect updates, changelog diffs
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。
TOCTOU prevention, distributed locking, idempotency keys, race condition detection for Node.js and serverless environments.
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。
Dependency graph visualization, circular dependency detection, CVE scanning, and license compliance
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 measuring and tracking agent response quality over time. Detects regressions before they reach production. Use when evaluating agent changes, auditing quality, or establishing performance baselines.
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 versioning strategies, breaking change detection, deprecation lifecycle, and migration guides
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。
When validating system performance under load, identifying bottlenecks through profiling, or optimizing application responsiveness. Covers load testing (k6, Locust), profiling (CPU, memory, I/O), and optimization strategies (caching, query optimization, Core Web Vitals). Use for capacity planning, regression detection, and establishing performance SLOs.
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。
Graph database implementation for relationship-heavy data models. Use when building social networks, recommendation engines, knowledge graphs, or fraud detection. Covers Neo4j (primary), ArangoDB, Amazon Neptune, Cypher query patterns, and graph data modeling.
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。
Strategic guidance for operationalizing machine learning models from experimentation to production. Covers experiment tracking (MLflow, Weights & Biases), model registry and versioning, feature stores (Feast, Tecton), model serving patterns (Seldon, KServe, BentoML), ML pipeline orchestration (Kubeflow, Airflow), and model monitoring (drift detection, observability). Use when designing ML infrastructure, selecting MLOps platforms, implementing continuous training pipelines, or establishing model governance.
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。