de Zorai309
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.
Cette compétence exécute un ensemble coordonné d'agents spécialisés pour identifier les anti-patterns de performance dans une base de code. Chaque agent se concentre sur un domaine (requêtes de base de données, mémoire, complexité algorithmique, concurrence, taille du bundle, code mort, E/S, rendu, structures de données, gestion des erreurs, mise en cache, configuration de build et performance liée à la sécurité). Les agents utilisent la recherche basée sur des patterns (grep/glob) et des lectures de contexte limitées pour faire remonter les problèmes à fort impact et les corrections recommandées, puis la compétence consolide les résultats dans un rapport d'audit priorisé.
À utiliser lorsque vous avez besoin d'une revue de code ou d'un audit axé sur la performance : « optimiser mon code », « trouver des goulots d'étranglement », « accélérer mon application », ou après une version ayant introduit des régressions. Idéal pour les grandes bases de code où des vérifications ciblées par domaine détectent des problèmes que des réviseurs humains pourraient manquer.
Probablement compatible avec les orchestrateurs multi-agents basés sur le CLI et l'API ainsi que les runtimes d'agents (adaptateurs CLI style Copilot/Codex, Gemini/Claude/autres modèles via l'orchestration de l'hôte).
Cette compétence n'a pas encore été examinée par notre pipeline d'audit automatisé.
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.
OpenAI CLIP
Pré-entraînement contrastif langage-image (classification d'images zero-shot, similitude image-texte et récupération cross-modale).
Weights & Biases (wandb)
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.
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.
