MCP App StoreMCP App Store
de zorai308
Intégrez Weights & Biases pour le suivi d'expériences ML : journalisez les métriques, les hyperparamètres, les points de contrôle, lancez des sweeps et consultez des tableaux de bord collaboratifs.
L'intégration de Weights & Biases (wandb) permet à un agent ou à un développeur d'instrumenter des cycles d'entraînement pour journaliser les métriques, les hyperparamètres, les points de contrôle du modèle, les artefacts et les visualisations. La compétence montre comment initialiser wandb, journaliser les métriques d'entraînement/validation par époque, terminer les runs et lancer des sweeps d'hyperparamètres (Bayésiens/pilotés par agent). Elle inclut des extraits de code Python pour l'initialisation, l'utilisation de wandb.log et un exemple de configuration de sweep.
Utilisez cette compétence lorsque vous avez besoin d'un suivi d'expériences reproductible, de tableaux de bord collaboratifs pour les équipes ML, d'une recherche automatisée d'hyperparamètres ou d'un stockage versionné de modèles/artefacts. Elle est appropriée pendant le développement de modèles, le réglage des hyperparamètres et lorsque vous souhaitez des visualisations rapides du comportement de l'entraînement.
Agents et environnements exécutant Python et pouvant exécuter du code d'entraînement (agents de type Copilot/Codex, exécuteurs Python locaux, ou tout assistant pouvant fournir du code et des instructions).
Compétence de documentation uniquement pour le suivi d'expériences ML avec Weights & Biases. Fournit des étapes d'installation claires, la journalisation d'expériences et des exemples de balayage d'hyperparamètres. Aucun script joint à exécuter. Le fichier SKILL.md est bien structuré avec un frontmatter approprié et du code Python idiomatique. Profil de sécurité propre, aucun risque identifié.
Compétence de documentation pure — aucun script à auditer pour la sécurité ou le comportement au runtime. Utile comme référence pour l'intégration wandb, mais manque de scripts d'automatisation qui la rendraient plus actionnable.
Optimiseur de Code (Audit de Performance)
Réalise des audits de performance approfondis sur les bases de données, la mémoire, les algorithmes, la concurrence, les E/S, le bundling et plus encore, via des agents spécialisés et une détection basée sur des patterns.
Base de Connaissances (Centre d'Aide)
Conseils et modèles pour concevoir l'architecture d'un centre d'aide, rédiger des articles de support efficaces et optimiser la recherche pour maximiser la redirection vers le libre-service.
EconML (Microsoft) — Effets de Traitement Hétérogènes
Guide et exemples pour utiliser Microsoft EconML afin d'estimer les effets de traitement hétérogènes (Double ML, Causal Forest, Deep IV) à partir de données observationnelles.
Git Guardrails (Claude Code)
Hook PreToolUse qui bloque les commandes git destructives (push, reset --hard, clean, branch -D) pour empêcher les agents comme Claude Code de les exécuter sans approbation.
DSPy — Declarative LM Programming
Use DSPy to build declarative, modular LM pipelines, optimize prompts automatically, and assemble reliable RAG/agent systems with structured signatures and opti
Synalinks Framework
Keras-inspired framework for building structured, neuro-symbolic LLM programs with DataModel schemas, modular Programs, and training/optimization tools.
Terradev — Cross‑Cloud GPU Provisioning
Provision and manage GPUs across clouds, create GPU Kubernetes clusters, deploy inference endpoints, and burst local compute to cloud with BYOAPI credential saf
Runtime Communication (research_mvp)
Rules and workflows for messaging, delegation, and task coordination in the research_mvp local multi-agent runtime (leader, researcher, trainer).
Deliberate Practice
Guided framework for accelerating skill acquisition using focused practice, immediate feedback, and progressive challenge—useful for learning technical skills,
MessyData
Generate realistic synthetic datasets with configurable anomalies (missing values, duplicates, invalid categories, bad dates, outliers) using YAML configs, CLI,
vLLM-Omni Video Generation
Generate videos (text→video, image→video, text+image→video) using vLLM-Omni and Wan2.2-style diffusion models, with guidance on parameters and performance trade
Model Deployment (SageMaker & Bedrock)
Generates deployment code and a Jupyter notebook to deploy LoRA fine-tuned Nova or OSS models (from SageMaker Serverless Model Customization) to SageMaker endpo