Skill

自动完成 Google Cloud Platform 中 BigQuery 表的创建任务，涵盖架构设计、权限配置与数据加载全流程，生成符合生产环境标准的可部署代码和配置方案。

实现 Gemini 模型的命令行委托执行，支持超长上下文（百万级 token）分析、批量文件处理与结构化输出，通过统一认证、配额校验和用量追踪机制，确保大模型调用的稳定性与可审计性。

能够对机器学习模型进行性能评估与分析，支持准确率、F1 分数等指标的计算与对比，适用于模型验证、优化建议及多模型性能比较场景。

根据应用架构需求自动生成符合生产标准的 docker compose 配置文件，支持多服务编排、网络隔离、持久化存储、健康监测及资源约束，覆盖从基础部署到复杂微服务场景的容器化配置任务。

基于历史时序数据自动识别趋势、周期性等规律，构建适配模型并生成未来值预测结果及置信区间，适用于销售预测、流量预估、股价分析等需要推演时间维度变化的场景。

自动生成符合 Graphviz Dot 语言规范的图表描述代码，支持创建流程图、结构图等各类矢量图形，提供语法校验、最佳实践建议及可直接运行的配置输出。

自动构建基于 Flask 的机器学习模型服务接口，涵盖从代码生成、配置设定到生产就绪验证的全流程，支持模型部署、推理服务、MLOps 流程集成及线上监控等核心场景。

自动生成数据库结构的可视化图表，支持将表关系、字段定义等 Schema 信息转换为直观的图形化呈现，适用于文档编写、架构评审和团队协作场景。

支持从零构建或优化关系型数据库结构，能够根据业务需求分析实体关联，实施规范化设计以消除数据冗余，并生成可视化模型与标准 SQL 语句，适用于社交、电商等复杂场景的高效数据架构实现。

将事件流转换为可查询的读模型，支持实时数据聚合、跨流统计与多维分析，适用于构建高性能查询视图、搜索索引及业务报表，确保最终一致性下的数据可用性与扩展性。

自动构建和配置专业级问卷系统，涵盖从结构设计、逻辑编排到数据收集与初步分析的全流程，支持与邮件、电子表格等业务工具集成，满足企业级自动化调研需求。

自动生成和优化数据流水线的构建流程，支持从配置生成到代码实现的完整闭环，适用于 ETL 处理、流式计算及工作流编排等场景，确保输出符合行业标准与最佳实践。

能够根据用户需求自动生成符合生产环境标准的 Kubernetes 资源定义，涵盖 Deployment、Service、ConfigMap、Secret、Ingress 和 HPA 等核心组件，内置健康检查、自动扩缩容、TLS 配置与资源约束等最佳实践。

生成文档文件，包括 NotebookLM 配置和演示文稿内容，适用于需要产出结构化文档或幻灯片的场景，不用于代码实现或部署类任务。

负责系统性地沉淀和维护工程决策知识，专门记录代码无法直接体现的架构模式、外部接口限制、数据模型陷阱及跨智能体协作规范，确保关键经验可追溯、可复用，避免重复踩坑。

自动提供机器学习训练中的梯度裁剪辅助，支持相关流程的代码生成与最佳实践指导，涵盖模型训练与超参数优化等场景。

支持数据库测试的全流程管理，通过生成真实测试数据、事务包裹确保测试后自动回滚，并验证数据库模式完整性，保障数据交互的可靠性与一致性。

专注于通过 Terraform 自动化部署 Vertex AI 基础设施，支持模型花园集成、Gemini 模型端点发布、向量搜索索引构建、机器学习流水线编排，同时内置加密保护、自动扩缩容、最小权限 IAM 策略及运行时验证能力。

自动完成数据管道监控系统的初始化配置，涵盖 ETL、数据转换、工作流编排和流式数据处理等场景，提供符合行业规范的可部署代码与配置方案，并支持标准合规性校验。

处理 FireCrawl 集成中的敏感数据，实现 PII 识别与自动脱敏，支持 GDPR 和 CCPA 合规需求，提供数据留存策略配置及自动化清理机制，确保用户数据导出、删除请求的完整执行，适用于需要隐私保护的数据处理场景。

提供机器学习模型的可解释性分析能力，能解析预测结果成因、量化特征影响程度，并揭示模型决策逻辑，适用于调试性能异常、验证公平性及向业务方传达技术洞察等场景。

自动化完成预训练模型的迁移学习适配，根据任务需求与数据特征生成可执行的微调代码，内置数据校验、训练监控与异常处理机制，输出准确率、精确率等评估指标，并保存模型文件、日志及配套文档。

为 API 开发提供条件请求逻辑的自动化支持，涵盖 REST、GraphQL 和 OpenAPI 场景下的请求头配置、缓存控制、ETag 处理及状态码响应策略，生成符合规范的代码与配置。

提供面向业务自动化的场景构建支持，能够根据自然语言指令生成可执行的工作流配置与代码，覆盖邮件处理、表格操作及流程优化等典型任务，并确保输出符合行业最佳实践和生产环境标准。

基于用户需求在GKE上部署AI/ML推理工作负载，通过自动化流程实现模型发现、硬件匹配与Kubernetes部署配置生成，利用Google最佳实践优化性能与成本，适用于需快速部署大模型并生成对应推理服务的应用场景。

执行数据聚类分析，自动识别数据中的隐含分组结构，支持基于不同算法特性对多类型数据集进行模式发现与异常检测，适用于客户分群、行为分析等场景。

自动生成符合行业规范的 Webhook 接收器代码与配置，覆盖从初始化、安全校验、事件路由到错误处理的完整流程，支持快速对接第三方 API 并保障生产环境可用性。

通过缓存响应、合并请求、复用连接和优化分页，显著降低 Perplexity API 的延迟并提升吞吐量，适用于高并发调用、重复查询及资源受限环境下的性能瓶颈治理。

支持机器学习模型的构建与训练，涵盖数据预处理、模型开发、超参数优化及实验追踪，通过自动化流程生成符合工程规范的代码与配置，适用于需要快速实现可复现训练任务的深度学习应用场景。

根据用户需求自动生成数据可视化相关的配置与代码，提供符合行业标准的图表设计指导和最佳实践建议，输出可用于生产的解决方案并验证其有效性，适用于各类视觉化内容的构建场景。