O que auto_train_skills faz?
Aplica loops de treinamento de ML à engenharia de prompt — execute avaliações, avalie saídas com LLM e monitore taxas de aprovação para melhorar iterativamente as habilidades do Claude Code.
Aplica loops de treinamento de ML à engenharia de prompt — execute avaliações, avalie saídas com LLM e monitore taxas de aprovação para melhorar iterativamente as habilidades do Claude Code.
Esta skill permite que desenvolvedores que utilizam o Claude Code apliquem conceitos de aprendizado de máquina (ML) na engenharia de prompts de forma automatizada e iterativa. Ela fornece um sistema para executar avaliações (evals) em respostas geradas por modelos de linguagem (LLMs), pontuar a qualidade dessas saídas usando o próprio LLM como avaliador (LLM-grading) e acompanhar métricas como taxas de aprovação (pass rates) ao longo do tempo. Com base nos resultados, é possível refinar prompts, testar variações e medir melhorias de maneira sistemática, similar a um ciclo de treinamento supervisionado. Suporta a plataforma Claude Code, integrando-se diretamente ao fluxo de trabalho de desenvolvimento de habilidades (skills) para agentes de IA. É útil para engenheiros de prompt e desenvolvedores que desejam otimizar prompts de forma data-driven, garantindo que modificações levem a ganhos reais de desempenho.
npx skills add dave-wind/auto_train_skillsInstalled? Explore more Pesquisa e Análise de Dados skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
Aplica loops de treinamento de ML à engenharia de prompt — execute avaliações, avalie saídas com LLM e monitore taxas de aprovação para melhorar iterativamente as habilidades do Claude Code.
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.