Was macht auto_train_skills?
Maschinelle Lernverfahren auf Prompt Engineering anwenden – Evals ausführen, LLM-bewertete Ausgaben erzeugen und Bestehensquoten verfolgen, um Claude Code-Fähigkeiten iterativ zu verbessern.
ML-basierte Trainingsschleifen auf Prompt Engineering anwenden – Evals ausführen, LLM-bewertete Ausgaben erzeugen und Bestehensquoten verfolgen, um Claude Code-Fähigkeiten iterativ zu verbessern.
Der Skill `dave-wind/auto_train_skills` befähigt Entwickler, maschinelle Lernmethoden zur Verbesserung von KI-Prompts einzusetzen. Er führt einen automatisierten Trainingszyklus durch: Zunächst werden Evaluierungsdurchläufe (Evals) gestartet, die die Qualität und Korrektheit der Ausgaben eines Claude Code-Skills messen. Anschließend werden die Ergebnisse durch ein großes Sprachmodell (LLM) bewertet und mit einer Bestehensquote (pass rate) versehen. Diese Metrik wiederum fließt in die iterative Optimierung des Prompts ein – ähnlich wie bei einem ML-Modell, das anhand eines Verlustwerts trainiert wird. Der Skill ist speziell für die Claude Code-Plattform konzipiert und erleichtert es Entwicklern, promptbasierte Fähigkeiten systematisch und datengesteuert zu verbessern, ohne auf manuelles Testen angewiesen zu sein.
npx skills add dave-wind/auto_train_skillsInstalled? Explore more Recherche & Datenanalyse skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
Maschinelle Lernverfahren auf Prompt Engineering anwenden – Evals ausführen, LLM-bewertete Ausgaben erzeugen und Bestehensquoten verfolgen, um Claude Code-Fähigkeiten iterativ zu verbessern.
USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.
Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.
Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.
The agent harness performance optimization system. Skills, instincts, memory, security, and research-first development for Claude Code, Codex, Opencode, Cursor and beyond.
Agent skill repository discovered by 10x-chat research.
Review backend code for quality, security, maintainability, and best practices based on established checklist rules. Use when the user requests a review, analysis, or improvement of backend files (e.g., `.py`) under the `api/` directory. Do NOT use for frontend files (e.g., `.tsx`, `.ts`, `.js`). Supports pending-change review, code snippets review, and file-focused review.