Skill

自动优化深度学习模型的训练过程，通过智能选择优化器、动态调整学习率、应用正则化等策略，在提升准确率的同时缩短训练耗时并降低资源占用，适用于各类模型性能调优需求。

通过分析数据库查询负载与现有索引配置，自动识别缺失的高效索引以加速慢查询，同时发现长期未被使用的冗余索引以便清理，从而在提升读取性能的同时节省存储并优化写入效率。

自动分析深度学习模型的结构与训练过程，通过调整优化算法、学习率策略及正则化手段提升模型性能，在保证准确率的同时缩短训练时间并降低资源消耗。

自动完成数据集的划分任务，支持按指定比例生成训练、验证和测试子集，适用于机器 learning 模型开发前的数据准备阶段，兼顾随机性、分层抽样与数据完整性保障。

自动管理机器 learning 模型的版本迭代与部署流程，支持从代码配置到生产验证的全周期操作，确保模型更新符合行业标准并具备可追溯性。

支持 Groq 在开发、预发布和生产环境中的差异化配置，包括环境感知的 API 密钥注入、配置参数覆盖、安全密钥管理集成、运行时环境检测与生产操作防护机制，确保多环境部署的安全性与一致性。

自动生成和优化机器学习模型的部署配置，支持从模型导出到服务化封装的完整流程，适用于高效构建可扩展的推理服务。

通过后台代理与文件系统协同，实现任务上下文隔离，避免子代理输出污染主会话上下文；所有中间结果均写入指定缓存目录下的文件，主流程通过读取文件而非直接调用 TaskOutput 获取数据，从而保障上下文精简和对话连贯性。

整合多源性能指标并集中管理，支持统一监控与分析，通过设计指标体系、配置采集工具及建立可视化看板与告警机制，实现对应用、系统及服务性能的全面观测，适用于需跨平台聚合监控数据的场景。

自动化完成 Google Cloud Platform 中 Cloud SQL 实例的创建、配置与验证全流程，涵盖网络设置、权限分配、高可用架构部署及安全策略实施，输出符合生产环境标准的可执行配置与最佳实践建议。

提供 Kling AI 集成的生产级 SDK 实践方案，涵盖客户端封装、异常恢复、异步任务跟踪与配置管理，支持 Python 和 Node.js 环境下的高可靠性调用。

支持以用户数据和访谈为基础构建多维度研究型人物画像，覆盖行为模式识别、心理特征提取、典型场景生成及设计建议输出，并结合样本规模提供可信度评估，助力精准的用户洞察与体验决策。

直接在数据库中实现业务逻辑与数据管控，支持 PostgreSQL、MySQL 和 SQL Server 等主流系统，生成可用于生产环境的存储过程、函数及触发器，兼顾事务安全、性能优化与数据完整性保障。

自动生成审批工作流的配置与代码，提供符合行业规范的最佳实践指导，支持业务自动化场景下的流程设计、邮件处理及电子表格操作，确保输出结果经过标准验证并可直接投入生产环境使用。

通过机器学习算法识别数据集中的异常值与偏离模式，适用于发现非正常行为或意外偏差。支持对结构化数据进行自动扫描、特征分析及异常评分，输出检测结果与置信度，可用于监控、风控或质量检测等场景。

支持多种数据库的协同管理与高性能架构设计，涵盖关系型与非关系型数据存储的建模、查询优化及分布式部署，适用于复杂业务场景下的数据整合与实时分析需求。

聚合来自应用、系统、数据库及外部服务的性能指标，实现集中化监控与分析，支持统一的指标分类设计、采集工具选型、可视化看板及告警配置，适用于构建可观察性体系。

实现 Perplexity 应用在 Vercel、Fly.io 和 Cloud Run 上的自动化部署，支持安全密钥配置与环境变量管理，确保生产环境下的服务健康检查与持续集成。

提供端到端的回归建模与预测能力，支持线性回归、决策树和随机森林等多种算法，自动完成数据清洗、特征工程、模型训练调优、性能评估及可视化分析，适用于房价预测、销量预估等连续数值预测任务，并全面兼容中文数据与输出。

支持 Groq 本地开发环境的快速搭建与迭代，涵盖项目结构初始化、环境变量配置、热重载服务启动及单元测试集成，适用于需要高频调试和验证 Groq 集成逻辑的开发场景。

基于种子词生成扩展关键词并按主题与用户意图聚类，支持内容策略规划与关键词矩阵构建，适用于内容日历设计及内容缺口分析，输出包含搜索量预估的结构化主题集群报告。

掌握 MongoDB与 PostgreSQL 两大数据库系统的核心能力，涵盖从选型决策、模式设计、增删改查到聚合分析、索引优化、性能调优、高可用部署及备份恢复的全流程管理，支持文档型与关系型数据场景的灵活适配与协同使用。

自动生成符合企业级工作流规范的用户故事，覆盖需求分析、场景建模与验收标准定义，支持从模糊诉求到可执行文档的端到端转化，并内置合规性检查与行业最佳实践校验。

自动化管理机器学习模型注册中心，涵盖模型版本控制、元数据记录、生命周期管理及生产环境部署配置，支持从开发到上线的全流程标准化操作。

自动生成符合 AWS 最佳实践的 Lambda 函数代码与配置，覆盖函数创建、事件源集成、权限设置及部署参数等完整流程，支持按需生成可直接投入生产的 serverless 解决方案。

全面升级 claude-flow v3 的安全架构，修复高危漏洞并强制实施密码哈希强化、凭据动态生成、输入校验、路径净化与命令隔离等安全实践，构建默认安全的运行环境。

实现跨计算、存储、网络、容器、负载均衡器及数据库等基础设施层的性能指标采集与聚合，支持 Prometheus、Datadog 和 CloudWatch 等主流监控平台的自动配置，并生成用于健康监测、瓶颈分析和容量规划的可视化看板。

面向多种主流数据库系统，自动生成可用于生产环境的存储过程、函数及触发器，用以封装业务逻辑、保障数据一致性、提升查询效率并支持事务安全，适用于需要在数据库层实现复杂规则与审计追踪的开发场景。

构建覆盖多源信息的智能研究体系，支持快速、标准与深度三种研究模式，具备内容智能检索、复杂网页访问突破、专业领域知识萃取及242种 Fabric 模式调用能力，适用于各类信息获取与洞察生成任务。

自动化完成机器学习特征工程全流程，包括从原始数据中构造新特征、筛选关键变量、对数值型特征进行缩放归一化、对类别型特征实施编码转换，并评估各特征对模型性能的实际贡献。