Skill

自动完成机器学习模型的灰度发布配置，提供从流量切分到服务部署的全流程支持，确保新模型在生产环境中的安全迭代与稳定运行。

生成符合 IntelliJ coding-aider 插件规范的结构化开发计划，包含任务概览、目标定义、可追踪的实现清单及文件上下文管理，支持通过原子化任务分解与上下文文件关联实现系统性功能开发、重构或缺陷修复。

自动执行 A/B 测试的数据分析全流程，涵盖实验设计评估、统计显著性检验、结果可视化及业务影响解读，支持从原始数据到决策建议的端到端分析能力。

提供堆内存转储文件的自动化分析能力，支持识别内存泄漏、对象引用链及异常内存占用模式，生成符合行业标准的诊断报告与优化建议，适用于性能测试中的内存问题排查与调优场景。

提供按日、周、季度、年度周期自动汇总个人工作影响的能力，通过读取对应周期的指令文件，结合对工作成果目录中结构化文档的检索与整理，生成反映实际产出与目标进展的阶段性总结。

自动管理机器学习训练中的模型检查点，支持断点续训与版本控制，能够生成符合生产标准的代码配置并验证其规范性，适用于 PyTorch、TensorFlow 等主流框架的训练流程优化。

实现多模态生理信号的同步处理与深度分析，支持心电、脑电、皮电、呼吸、肌电及眼电等信号的去噪、特征提取与功能评估，适用于心理生理学研究、自主神经系统评估及复杂动力学特征计算。

获取 Gemini 的最新回复内容，支持查看指定数量的历史对话记录，仅在用户明确要求时执行，输出结果保持原始格式，若无可用回复则提示“no reply available”。

自动构建机器学习流水线，通过自动化特征工程、模型选择与超参数调优实现端到端的分类与回归任务处理，包含数据验证、性能评估及结果文档化，适用于需要快速生成高效 ML 模型的场景。

针对已明确的问题或根本原因，立即启动多角度推理流程，生成多样化解决方案，全程由脚本自动编排执行，不进行前置探索或分析。

自动检查 Claude Code 插件是否符合官方仓库规范，涵盖目录结构、JSON 模式、元数据格式、脚本权限、安全风险、市场目录一致性及文档完整性，支持一键修复常见问题并生成详细诊断报告。

通过优化音频输入质量、会议环境、记录模板和处理流程，全面提升语音转文字的准确率与会议纪要质量，同时缩短处理延迟，支持持续反馈学习以适配专业术语和团队协作习惯。

专注于提升AI代理系统中上下文的利用效率，通过精炼高信息密度的输入来增强大模型推理质量，同时严格控制令牌消耗。涵盖上下文建模、衰减诊断、压缩与缓存策略、记忆架构设计、多代理协同机制及基于LLM的评估方法，适用于从单体代理调试到复杂管道开发的全周期工程实践。

支持非关系型数据库的数据建模，根据应用需求设计高效的文档结构与表架构，优化查询模式并合理选择分片键，适用于 MongoDB 和 DynamoDB 等系统的架构设计与性能调优。

安全执行数据库模式变更与系统迁移，支持跨库数据转换、历史数据回填及零停机部署，通过分阶段写入与读取切换保障数据一致性，并具备完整的回滚机制以应对异常情况，确保迁移过程可靠可逆。

根据用户需求从 LangGraph 官方文档中提取最新信息，通过索引定位相关指南、概念说明或 API 参考，并据此提供精准的实现建议与技术解答，确保回应内容准确且时效性强。

自动生成和管理数据工作流的编排配置，支持 ETL 流程设计、任务调度定义及数据处理管道构建，适用于需要自动化生成可靠、可扩展的数据流水线场景。

自动优化数据压缩流程，支持高效的数据编码与解码策略配置，生成符合生产标准的代码和参数建议，适用于数据管道中的存储与传输性能调优场景。

确保机器学习模型具备科学严谨性，通过强制执行基线对比、交叉验证、结果可解释性及数据防泄漏四大核心实践，杜绝单次训练集测试集分割、黑箱决策和未来信息泄露等问题，使模型评估结果具备统计显著性和业务可信度。

生成结构清晰、语义配色的 HTML 系统架构图，涵盖业务目标、数据流向、处理流程、分层技术架构、功能特性及部署方案，适用于项目文档、技术评审和高阶系统说明场景。

基于访问模式设计数据模型，通过单一表结构整合多类型实体，利用主键、排序键与全局二级索引实现高效查询与事务一致性，支持海量规模下的低延迟数据读写操作。

自动管理 FairDB 数据库的完整备份与恢复流程，通过集成 S3 存储实现加密、压缩及异地冗余，支持定时备份、即时验证与快速灾备响应，确保数据安全与业务连续性。

自动生成符合行业规范的 Plotly 可视化图表代码，支持从需求分析、结构设计到代码生成与校验的全流程，适用于数据可视化、报告图表及交互式仪表盘构建场景。

自动完成机器学习实验跟踪系统的初始化配置，涵盖服务部署、环境变量设置、后端存储配置及客户端集成，生成符合生产标准的可执行代码与验证方案。

构建本地 LangChain 应用的高效开发环境，支持测试驱动开发、LLM 模拟、热重载与覆盖率分析，便于快速验证链式逻辑和集成行为，同时确保代码结构清晰、依赖可管理。

提供交互式 Python 编程环境，内置数据分析、对象调试和性能分析等常用功能，自动完成常见库导入与配置，支持快速执行代码片段并获取结构化结果。

自动执行机器学习训练中的实验记录任务，支持初始化追踪会话、记录指标与参数、保存模型快照及生成可视化报告，适用于需要系统化管理训练过程与结果的场景。

支持快速记录零散想法，并自动识别内容所属领域，从中提炼关键主题、潜在问题与待办事项；结合用户档案分析情绪状态和思维模式，提取战略级洞察，若涉及竞品信息则同步归档至对应项目，全程保持低操作门槛与高结构化输出。

自动执行文件格式转换任务，支持多种数据类型的解析与生成，能够处理结构化与非结构化数据间的转换流程，适用于 ETL 流程构建、数据标准化及跨系统数据交换场景。

能够自动识别并列出 yardstick 包中所有可用的评估指标函数，支持通过源码扫描快速定位指标定义、构造器及导出项，适用于需要全面了解或动态调用该包度量能力的分析场景。