Skill

将复杂任务自动分解为多个可独立执行的子任务，为每个子任务分配专属上下文环境并制定明确目标，通过迭代式测试验证与反馈优化，确保各子模块功能正确且最终整合结果逻辑一致、运行可靠。

自动执行性能测试中的吞吐量计算任务，支持从原理讲解、参数配置到代码生成的全流程辅助，覆盖负载测试、压力测试及基准测试等典型场景。

实现 Fireflies.ai 集成中的隐私数据全生命周期管控，涵盖敏感信息识别与脱敏、分级分类存储、合规性数据保留与自动清理、GDPR/CCPA 数据主体权利响应（如导出与删除），并确保审计日志完整可追溯。

自动构建和验证 dbt 测试用例，支持数据管道中的质量保障流程，涵盖测试逻辑编写、配置生成及行业规范校验，适用于 ETL、数据转换与流式处理等场景。

自动配置和管理 GCP 环境下的 vertex ai 服务端点，支持生成符合最佳实践的部署方案与代码，适用于需要快速构建、验证及优化云上 AI 推理服务的场景。

自动检测并响应机器学习模型的漂移问题，通过分析运行时数据与历史基准的差异，触发预警或再训练流程，确保线上模型的预测准确性与稳定性，适用于持续监控和维护生产环境中的模型性能。

根据机器学习训练需求，自动生成数据加载器的实现代码与配置方案，支持主流框架下的数据预处理、批量读取及格式校验，适用于模型训练前的数据准备环节。

能够根据业务需求设计规范化的关系型数据库结构，涵盖从实体识别、关系建模到范式优化的全流程，自动生成可读的ER图与标准SQL建表语句，支持高效的数据组织与长期维护。

专注于将真实技术实践经验转化为清晰、有吸引力的文档内容，涵盖博客、教程、API 说明等场景，强调用具体案例和数据代替空泛描述，通过结构化排版提升可读性，并针对开发者、测试人员和管理者等不同角色调整表达重点与技术深度。

构建覆盖多场景的智能研究体系，支持快速、标准与深度三级调研模式，具备内容智能提取、复杂网页访问突破、专业领域分析及242 种 Fabric 模式调用能力，适配博客、简报与社交内容生成等下游任务。

根据用户需求推荐 Redpanda Connect 流处理组件，支持按输入、输出、处理器等类型查找适配的集成模块，提供配置字段说明与使用示例，并结合版本信息生成文档链接，帮助用户快速构建数据管道。

根据自然语言描述的数据需求，自动生成适配 Supabase 的数据库结构定义，支持新项目初始化、旧架构重构及从规格文档生成迁移脚本，覆盖从需求理解到可部署 schema 的完整转化流程。

支持渐进式发布流程的自动化配置，通过分阶段流量切换实现新旧版本平滑过渡，适用于机器学习模型服务上线与验证场景，确保系统稳定性与快速回滚能力。

针对 YouTube 视频提供端到端分析服务，自动提取元数据与多语言字幕，结合网络检索校正专有名词，生成结构化摘要、深度洞见及精准韩文译文，并内置三级难度共九道理解型测验，支持错题解析与后续深度调研。

为机器学习模型提供可解释性支持，帮助用户理解预测结果背后的逻辑、识别关键影响特征、诊断模型异常行为，并向非技术方清晰传达模型决策依据，适用于需要提升模型透明度与可信度的各种场景。

自动完成 TensorFlow Serving 的部署配置，涵盖环境搭建、模型加载、服务启动及生产级参数调优，支持生成可直接运行的配置文件与脚本，并遵循 MLOps 最佳实践。

能够高效处理文本检索与信息提取任务，支持从大量非结构化数据中精准定位关键内容，适用于日志分析、文档审查等场景。

根据机器学习训练需求自动生成混淆矩阵相关配置与代码，提供符合行业规范的实现方案与最佳实践建议，输出可直接投入生产的验证结果，适用于数据准备、模型训练及评估环节的自动化支持。

自动处理数据库变更数据流，支持对目标表的增删改操作，兼顾缓慢变化维度的实时更新与历史版本管理，适用于业务系统数据同步及复杂合并场景。

提供机器学习训练中数据标准化的全流程支持，包括自动化的步骤引导、符合行业规范的代码与配置生成、输出验证及常见问题排查，覆盖从环境准备到生产就绪的完整数据预处理环节。

自动处理 Bigquery 定时查询任务，提供配置生成、最佳实践指导与标准验证，支持从环境搭建到生产部署的全流程操作，适用于需要周期性执行数据查询与分析的场景。

自动处理机器学习部署中的特征存储连接任务，提供从配置搭建、最佳实践指导到生产级代码生成的全流程支持，覆盖模型服务、MLOps 流水线、推理监控及生产环境优化等场景。

自动生成符合 Google Cloud Platform 规范的 BigQuery 视图定义，涵盖语法构建、权限配置与性能优化建议，输出可直接部署的生产级 SQL 脚本和配套配置。

统筹多阶段数据库结构优化流程，自动创建隔离会话目录，依次调用分析、利用率评估、影响预测、脚本验证与最终建议五个环节的智能体，全程校验中间产物有效性，并聚合生成含量化收益预估的完整优化报告。

为多智能体协同开发提供量子安全、无锁的自学习版本控制能力，通过记录操作轨迹持续优化工作流，自动发现高效操作模式，支持高置信度智能建议与跨智能体经验共享，在保障代码完整性的同时实现冲突率大幅降低和执行效率显著提升。

执行高强度对抗性分析，通过多视角并行评估现有方案的薄弱环节，生成强化版论点与精准反制策略，适用于架构审查、决策验证及内容压力测试等场景。

自动识别持续集成与交付流程中的性能退化问题，通过对比历史基线、分析统计显著性及检查阈值越界，精准定位响应时间变慢、吞吐量下降等关键指标异常，支持在开发早期快速发现并预警性能瓶颈。

自动执行机器学习模型量化流程，支持从配置生成到生产验证的端到端部署，适用于优化推理性能与资源占用的场景。

支持机器学习场景下的特征全周期处理，涵盖从原始数据中构造新特征、筛选关键变量、实施标准化或编码等转换操作，以提升模型精度、简化结构并增强可解释性，适用于各类建模前的数据预处理需求。

支持在本地环境中生成高质量科学图表，涵盖散点图、折线图、热图、小提琴图、箱线图、密度图、火山图等多种类型，可定制配色、字体、分辨率与多面板布局，适用于论文发表、数据分析和报告展示。