LLM-Apps sicher zwischen Modellen migrieren – und dann alt gegen neu benchmarken, um das Upgrade zu belegen. Agenten-Skill für verhaltenserhaltende Migrationen + eine ausführbare Evaluierungsumgebung (Drei-Arm-Bestenliste, Prompt-Durchläufe). Funktioniert in Claude Code, Codex & Cursor.
MPort ist ein Agenten-Skill, der entwickelt wurde, um LLM-Anwendungen sicher zwischen verschiedenen Modellen zu migrieren und gleichzeitig sicherzustellen, dass das Verhalten erhalten bleibt. Es bietet ein ausführbares Evaluierungsharness, das eine Drei-Arm-Bestenliste und Prompt-Durchläufe umfasst, sodass Entwickler die alte und neue Modellleistung gründlich vergleichen können. Der Skill ist besonders nützlich, um Upgrades zu validieren und Regressionen zu vermeiden, was ihn zu einem wesentlichen Werkzeug für Produktionseinsätze macht. Er ist mit gängigen KI-Agentenplattformen wie Claude Code, Codex und Cursor kompatibel und automatisiert den gesamten Migrationsprozess, von der Einrichtung der Testumgebung bis zur Generierung von Berichten über relative Leistungsänderungen. Durch die Verwendung von MPort können Entwickler sicher LLM-Modellaktualisierungen durchführen, mit datengestützten Beweisen, dass die neue Version besser oder zumindest nicht schlechter ist.
npx skills add forkadarshp/MPortInstalled? Explore more Recherche & Datenanalyse skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
LLM-Apps sicher zwischen Modellen migrieren – und dann alt gegen neu benchmarken, um das Upgrade zu belegen. Agenten-Skill für verhaltenserhaltende Migrationen + eine ausführbare Evaluierungsumgebung (Drei-Arm-Bestenliste, Prompt-Durchläufe). Funktioniert in Claude Code, Codex & Cursor.
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.