Was macht llm-batch?
🚀 Verarbeite JSON-Daten in Batches mit llm-batch und nutze sequenzielle oder parallele Modi für eine effiziente Interaktion mit LLMs.
🚀 Verarbeite JSON-Daten in Batches mit `llm-batch` und nutze sequenzielle oder parallele Modi für eine effiziente Interaktion mit LLMs.
`llm-batch` ist ein Tool, das entwickelt wurde, um die Verarbeitung großer JSON-Datensätze mit Large Language Models (LLMs) zu optimieren. Es ermöglicht es Entwicklern, Daten in Chargen (Batches) zu verarbeiten, wobei sie zwischen einem sequenziellen Modus (für abhängige Operationen) und einem parallelen Modus (für maximale Durchsatzsteigerung) wählen können. Dies ist besonders nützlich für Aufgaben wie Massentransformationen, Datenextraktion oder Stimmungswolken, bei denen viele ähnliche Anfragen an ein LLM gestellt werden. `llm-batch` ist als CLI-Tool oder als Python-Bibliothek nutzbar und unterstützt eine Vielzahl von Agenten-Frameworks, indem es die Batch-Verarbeitung nahtlos integriert. Durch die effiziente Batch-Verarbeitung reduziert es die Gesamtlatenz und -kosten im Vergleich zu einer individuellen API-Anfrage für jedes JSON-Objekt erheblich.
npx skills add kimmmmyy223/llm-batchInstalled? Explore more Recherche & Datenanalyse skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
🚀 Verarbeite JSON-Daten in Batches mit llm-batch und nutze sequenzielle oder parallele Modi für eine effiziente Interaktion mit LLMs.
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.