> Scripting _

Этот навык пригодится, когда нужно создать инструмент или скрипт, или выполнить задачу, для которой полезно использовать API Hugging Face. Особенно это актуально при объединении или последовательном вызове API, или когда задача будет повторяться/автоматизироваться. Этот навык создаёт переиспользуемый скрипт для получения, обогащения или обработки данных.

Создавайте структурированные руководства по реагированию на инциденты с пошаговыми инструкциями, схемами эскалации и действиями по восстановлению. Используйте этот навык при создании руководства по реагированию на сбой сервиса для системы обработки платежей, при разработке процедур для инцидентов с базой данных, охватывающих исчерпание пула соединений, отставание репликации и предупреждения о нехватке места на диске, при обучении новых инженеров, дежурных по вызову, которым нужны пошаговые руководства, написанные для полуночного мозга, или при стандартизации матриц эскалации между несколькими командами разработки.

Научись писать шелл-скрипты или выполнять команды в терминале, чтобы автоматизировать задачи в браузере или использовать Chrome DevTools через CLI.

Этот Python-модуль предоставляет удобный клиент для работы с сервисом Azure AI Transcription, позволяя осуществлять преобразование речи в текст как в пакетном, так и в режиме реального времени. Он упрощает интеграцию с Azure AI Transcription, обеспечивая аутентификацию и соблюдение лучших практик. Для удобства работы, модуль предоставляет функциональность, доступную через CLI-инструмент и командную строку. Модуль azure-ai-transcription-py позволяет автоматизировать процессы транскрибации, используя аутентификацию через переменные окружения и поддерживая пакетную транскрибацию для обработки больших объемов аудиоданных, а также потоковую транскрибацию для работы в реальном времени. Это эффективное решение для разработчиков, которым требуется надежный и простой в использовании инструмент для работы с сервисом Azure AI Transcription. В качестве терминальной утилиты, модуль позволяет быстро и эффективно выполнять транскрибацию, не требуя сложной настройки. Предоставляемый SDK для Python обеспечивает гибкость и контроль над процессом транскрибации, позволяя интегрировать его в существующие приложения и рабочие процессы.

PyMC – это open-source решение для построения и анализа байесовских моделей в Python. Он позволяет эффективно решать задачи, связанные с неопределенностью, предоставляя мощные инструменты для вероятностного программирования и статистического моделирования. С PyMC вы можете создавать сложные модели, включая иерархические структуры, и легко оценивать их параметры. PyMC является ценным инструментом разработчика для специалистов в области науки о данных, статистики и машинного обучения. Включая в себя такие методы, как MCMC (включая NUTS) и вариационное приближение, он упрощает процесс построения, подбора и валидации байесовских моделей, обеспечивая надежные результаты и интерпретируемые выводы. Благодаря автоматизации многих рутинных операций, связанных с байесовским моделированием, PyMC позволяет сосредоточиться на анализе данных и интерпретации результатов. Интеграция с такими библиотеками, как NumPy, ArviZ и другими, расширяет его функциональность и обеспечивает удобную рабочую среду.

Репозиторий golang-expert предлагает проверенные решения и лучшие практики для Go разработчиков, стремящихся создавать высокопроизводительный и легко поддерживаемый код. Особое внимание уделяется эффективной работе с конкурентностью и системному программированию, что критически важно при разработке игр и создании игрового движка. В рамках геймдева, где требуется максимальная эффективность, golang-expert предоставляет рекомендации по проектированию интерфейсов, обработке ошибок и использованию шаблонов конкурентности. Мы фокусируемся на принципах, таких как явная обработка ошибок на месте вызова и предпочтение композиции наследованию, что позволяет создавать модульный и расширяемый код. Репозиторий охватывает ключевые аспекты, включая управление контекстом (Context), обработку ошибок с использованием errgroup, а также принципы проектирования, соответствующие философии Go. Изучение этих практик позволит вам писать более надежный и оптимизированный код, пригодный для сложных задач, включая разработку высокопроизводительных приложений.

Проект prompt-engineer предлагает комплексный фреймворк и набор принципов для разработки и оптимизации запросов к большой языковой модели. Он решает проблему получения стабильных, воспроизводимых и экономически эффективных результатов, критически важных для успешной интеграции искусственного интеллекта в бизнес-процессы. Ключевые особенности включают в себя применение техник, таких как chain-of-thought prompting и few-shot learning, а также структурирование вывода с использованием схем. Автоматизированные метрики оценки и эффективное управление контекстным окном позволяют точно настраивать запросы и минимизировать затраты на использование AI-агента. Фреймворк prompt-engineer использует Rust и Python для разработки, поддерживает форматы JSON и XML для структурирования данных, и обеспечивает возможность точной настройки запросов для различных семейств моделей, учитывая компромиссы между размером модели, скоростью и качеством результата.

python-expert – это open-source решение для разработки и управления Python-агентами, предоставляющее надежный фундамент для создания сложных систем искусственного интеллекта. Проект предлагает комплексный фреймворк, упрощающий построение, развертывание и мониторинг автономных агентов, интегрированных с большими языковыми моделями (LLM). В основе python-expert лежит гибкая архитектура, построенная на современных технологиях, таких как asyncio, pydantic и uv. Это инструмент разработчика, позволяющий эффективно решать задачи, связанные с автоматизацией рутинных процессов и созданием интеллектуальных приложений. Код написан с учетом принципов чистоты, типобезопасности и производительности. python-expert способствует повышению эффективности разработки, предоставляя готовые компоненты и инструменты для автоматизации задач, связанных с управлением агентами. Проект активно развивается и приветствует вклад сообщества, обеспечивая открытость и прозрачность процесса разработки.

DSPy.rb решает проблему разработки приложений на основе большой языковой модели, предоставляя инструменты для применения принципов разработки программного обеспечения, таких как типобезопасность и модульность. Это позволяет создавать надежные и масштабируемые решения, используя лучшие практики искусственного интеллекта. DSPy.rb – это Ruby фреймворк, который позволяет строить приложения, использующие AI-агент и LLM APIs (например, Claude, Codex), с программируемыми подсказками. Ключевые особенности включают типобезопасные сигнатуры, реализованные с использованием Sorbet, модульные компоненты логики LLM (Predict, ChainOfThought, ReAct, CodeAct) и автоматическую оптимизацию подсказок на основе данных. Фреймворк обеспечивает автоматическую оптимизацию подсказок, встроенную наблюдаемость и тестирование, что значительно упрощает создание и поддержку приложений на основе искусственного интеллекта. DSPy.rb позволяет разработчикам сосредоточиться на логике приложения, а не на ручной настройке подсказок, обеспечивая более эффективный и предсказуемый процесс разработки.

Phoenix Evals – это open-source решение для создания, запуска и проверки эффективности оценщиков (evaluators) для приложений на базе искусственного интеллекта и больших языковых моделей (LLM). Оно позволяет разработчикам оценивать как код, так и LLM, обеспечивая надежную и воспроизводимую оценку качества. Инструмент разработчика Phoenix Evals предоставляет гибкую структуру для построения оценщиков, включая возможности генерации синтетических данных, пакетной оценки DataFrame, и валидации точности. Поддерживаются как оценщики, основанные на коде, так и на LLM, с возможностью использования LangChain и LLM Index. Автоматизация процесса оценки критически важна для быстрого развития AI/LLM. Phoenix Evals упрощает этот процесс, предлагая готовые решения и инструменты для валидации, что позволяет сосредоточиться на улучшении самих моделей, а не на рутинных задачах. Технологический стек включает Python, TypeScript и интеграцию с OpenAI.

phoenix-evals-new-metric предоставляет комплексную структуру для разработки, тестирования и документирования оценщиков для больших языковых моделей (LLM), особенно в задачах классификации. Решение позволяет создавать надежные и воспроизводимые оценки, критически важные для развития искусственного интеллекта и повышения качества работы AI-агентов. Фреймворк упрощает процесс создания и управления оценками, обеспечивая прозрачность и согласованность. Основа фреймворка – конфигурационные файлы YAML, которые автоматически компилируются в Python и TypeScript код, генерируя классы оценщиков и обеспечивая автоматизированную конвейерную обработку для бенчмаркинга и документирования. Поддерживается широкий спектр метрик оценки LLM, а гибкая система шаблонов позволяет адаптировать оценщики к различным типам входных данных и задачам. Используются технологии Langchain и LLaMAIndex для расширения функциональности. Ключевой особенностью является возможность интеграции с пользовательским интерфейсом экспериментов с наборами данных, что позволяет визуализировать и анализировать результаты оценки. Фреймворк обеспечивает четкий контракт между оценщиком и вызывающим кодом через использование переменных шаблонов, таких как {{input}} и {{output}}, что способствует созданию надежных и предсказуемых результатов.

Эта экспертиза нужна, когда пользователь хочет расширить фреймворк для тестирования параллельной нагрузки, добавить новый функционал, изменить существующий или добавить покрытие SQL для параллельной нагрузки. Активируйся, если пользователь упоминает "параллельная нагрузка", "parallel-workload", "action.py" в контексте параллельной нагрузки, или хочет проверить на паники и неожиданные ошибки запросов при одновременном доступе. Используй эту экспертизу даже если пользователь просто говорит "добавить это в параллельную нагрузку" или ссылается на ошибку, которая вызывает панику при одновременном выполнении DDL/DML.

Этот репозиторий предлагает набор шаблонов проектирования и принципов для создания поддерживаемых и хорошо структурированных Python-приложений, работающих через командную строку. Он решает проблему управления сложностью при разработке терминальных утилит и скриптов, помогая создавать более понятный и модифицируемый код. Основная задача – не добавление новых функций, а эффективное управление сложностью. Принципы, основанные на философии разработки программного обеспечения (Ousterhout), адаптированы для Python-скриптов, помогая избежать "накопительной" сложности, которая проявляется в виде усиления изменений, повышенной когнитивной нагрузки и скрытых зависимостей. В результате, вы получаете набор практических рекомендаций для создания качественных CLI-инструментов, обеспечивающих глубокую модульность, упрощение управления сложностью и, как следствие, более поддерживаемый код. Этот подход особенно полезен при написании, модификации и рефакторинге существующих Python-скриптов.

Этот навык стоит применять, когда пользователь просит создать воркфлоу Temporal, написать Temporal activity, отладить зависший воркфлоу, исправить ошибку недетерминизма, интересуется Temporal на Python, Temporal на TypeScript, Temporal на Go, воркфлоу replay, таймаутом activity, сигнализацией воркфлоу, запросом статуса воркфлоу, проблемой запуска worker'а, бесконечными ретриями activity, Temporal heartbeat, режимом continue-as-new, дочерним воркфлоу, шаблоном саги, версионированием воркфлоу, надежным распределенным выполнением или упоминает разработку SDK Temporal.

Этот навык пригодится, когда пользователь просит "создать bash-скрипты", "автоматизировать задачи в Linux", "мониторить ресурсы системы", "делать резервные копии файлов", "управлять пользователями" или "написать продакшн-скрипты для командной строки". Он предоставляет готовые шаблоны shell-скриптов для администрирования системы.

Организуй параллельное выполнение пакетных задач, разделяя работу на независимые блоки и отправляя их нескольким агентам одновременно. Применяй этот подход, когда пользователь имеет несколько похожих, независимых задач — например, обработку пакета файлов (PDF, DOCX, изображений, CSV), разработку нескольких страниц или компонентов, генерацию отчётов или любой сценарий, где встречаются слова "каждый", "все", "пакет" или список похожих элементов. Также запускай этот навык, если пользователь предоставляет нумерованный список задач, ссылается на папку с файлами для обработки или описывает повторяющуюся работу с несколькими входными данными. Даже если пользователь явно не говорит о "параллелизме" или "пакете", если работа естественно разбивается на 3+ независимых блока схожего типа, используй этот подход для повышения производительности.

Основа автоматизации macOS — это MacPilot CLI. Он позволяет Claude Code управлять приложениями, вводить текст, кликать по элементам, выполнять shell-команды и автоматизировать воркфлоу на macOS через команду `macpilot`.

Генерируй полные, устанавливаемые навыки OpenClaw для торговли на основе описаний стратегий на естественном языке. Используй, когда твой человек хочет создать новую торговую стратегию, собрать бота, сгенерировать навык, автоматизировать идею для торговли, превратить твит в стратегию или просит "создай мне навык, который...". Создаёт полный каталог навыков (SKILL.md + Python скрипт + конфиг), готовый к установке и запуску.

Активируется только при явном запросе пользователем "принять решение о сделке и выполнить" или упоминании "my_stock_decide_execute_skill". Это строгий, оркестрованный навык для исполнения сделок, который принудительно следует трехступенчатой последовательности "решение -> размещение ордера -> логирование", с обязательным явным выводом результатов на каждом этапе и подтверждением пользователем или автоматической связью.

Инструмент командной строки, который запускает Python-код для управления задачами через API Linear. Создаёт задачи с указанием дат на естественном языке, приоритетов и планирования. Это навык выполнения кода – код в `src/linear_todos/` выполняется при вызове команд.

Взаимодействуйте с CLI Jules, чтобы управлять асинхронными сессиями кодирования. Используйте эту возможность экономно для сложных, изолированных задач, которым выгодно использование удалённой виртуальной машины.

Умный оркестратор навыков, который преобразует запросы на естественном языке в безопасные, многоразовые воркфлоу.

Навыки автоматизации рабочего стола Windows: создание скриншотов, извлечение текста с помощью OCR и поиск UI-элементов по изображению. Применяйте, когда: (1) нужно сделать снимок экрана, (2) требуется извлечь текст из изображений, (3) необходимо находить UI-элементы для автоматизации.

Для OpenClaw разработаны пайплайны обработки данных. Развёртывайте навыки из маркетплейса Expanso, чтобы трансформировать, анализировать и обрабатывать данные локально.

Решение задачи поиска и архивации версий навыков из clawhub.com стало возможным благодаря bocha-search-python. Этот инструмент, написанный на Python, предоставляет удобный доступ к истории изменений и позволяет эффективно находить актуальную информацию, используя мощь искусственного интеллекта и интеграцию с API. Он особенно полезен для разработчиков, работающих с AI-агентами и нуждающихся в отслеживании эволюции навыков. Bocha-search-python обеспечивает архивацию версий навыков, расширенный поиск с фильтрами по актуальности и гибкие возможности форматирования результатов. Интеграция с API позволяет использовать большую языковую модель для анализа и представления данных в различных форматах: raw, brave, markdown. Настройка осуществляется через файл .env, где необходимо указать API ключ. Для работы требуется Python 3 и доступ к API платформы Bocha AI. Примеры команд для поиска, суммирования и фильтрации результатов по свежести (например, --freshness oneWeek) демонстрируют простоту использования инструмента. Вывод может быть представлен в формате JSON, Brave/Bing или Markdown, что обеспечивает удобство интеграции с различными системами и рабочими процессами.

Algernon-review – это CLI-инструмент, автоматизирующий сессии повторения с использованием алгоритма FSRS-4.5. Он решает проблему ручного управления и оптимизации процесса запоминания, интегрируясь с Clawhub для эффективного контроля навыков и прогресса. Инструмент предназначен для упрощения и ускорения процесса обучения, особенно при работе с большим объемом информации. Терминальная утилита поддерживает различные типы карточек: бинарные, диссертативные (с оценкой на основе AI) и аргументативные (также с AI-оценкой). Автоматизированная проверка на продвижение (N1 -> N2 -> N3) и сохранение данных сессии позволяют пользователям сосредоточиться на изучении, а не на администрировании процесса. В основе работы лежат Bash, SQLite и, вероятно, Python для оценки карточек. Algernon-review предоставляет мощный и гибкий способ организации процесса обучения, используя командную строку для управления сессиями и данными. Настройка параметров FSRS-4.5 и интеграция с внешними сервисами делают его ценным активом для тех, кто серьезно относится к процессу обучения и стремится к максимальной эффективности.

Модуль axon-agent решает проблему управления версиями навыков AI-агента, развернутых на блокчейне Axon. Он обеспечивает надежное архивирование и отслеживание изменений в конфигурациях и возможностях агентов, создавая полную историю их развития. Это критически важно для обеспечения воспроизводимости и аудита в среде, где искусственный интеллект играет ключевую роль. Модуль использует Python и Go для взаимодействия с блокчейном Axon, используя библиотеки Web3.py и EVM. Ключевые функции включают в себя архивирование версий навыков, скрипты регистрации агентов и автоматические проверки статуса, что позволяет эффективно управлять жизненным циклом AI-агента. Обратите внимание на использование scripts/register.py вместо стандартного SDK из-за известных проблем с ABI. Для успешной работы требуется сервер с Python 3.8+ и Go 1.21+, доступ к EVM-кошельку с достаточным балансом AXON (минимум 120) и установленный пакет web3. Модуль позволяет легко проверять статус агента и регистрировать новых агентов, обеспечивая прозрачность и контроль над процессами, основанными на большая языковая модель и AI-агентах.

Используй этот подход при написании скриптов, cron-задач, пайплайнов обработки данных или любых автоматизированных процессов, которые могут запускаться повторно. Проектируй каждую операцию так, чтобы её можно было безопасно перезапустить без нежелательных последствий.

Пригодится, когда делегируешь подзадачу другому агенту, запускаешь параллельный процесс или передаешь работу между сессиями. Опиши задачу полностью, чтобы принимающий агент не нуждался в дополнительном контексте.

Используй это, когда пишешь шелл-скрипты, автоматизацию на Python или любые фоновые задачи. Убедись, что ошибки обнаруживаются, логируются и обрабатываются — никогда не игнорируй их молча.