Framework de Engenharia de Dados Agentica com servidor MCP — LLM local orquestra ferramentas de DE via loop ReAct
O Kanishkparganiha/de-agent-workflow é um framework inovador de Engenharia de Dados (DE) que combina um servidor MCP (Model Context Protocol) com um LLM local, permitindo que um agente de IA orquestre ferramentas de DE de forma autônoma por meio de um loop ReAct (Raciocínio + Ação). Esse framework é especialmente útil para profissionais de dados que desejam automatizar pipelines complexos, como extração, transformação e carga de dados, redução de dimensionalidade e geração de relatórios, tudo a partir de comandos em linguagem natural. Ele suporta a integração com ferramentas populares como Pandas, Scikit-learn e Seaborn, além de operar com modelos locais via Ollama, garantindo privacidade e baixa latência. Ideal para ser utilizado em ambientes de desenvolvimento como Claude Code, Cursor ou Codex, o sistema permite que o agente escolha dinamicamente a ferramenta certa para cada etapa, baseando-se em um arquivo de configuração JSON. Com uma interface simples via linha de comando, o workflow reduz significativamente o esforço manual na engenharia de dados, tornando-se uma solução poderosa para automação inteligente.
npx skills add Kanishkparganiha/de-agent-workflowInstalled? Explore more Pesquisa e Análise de Dados skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
Framework de Engenharia de Dados Agentica com servidor MCP — LLM local orquestra ferramentas de DE via loop ReAct
Fonte: https://github.com/Kanishkparganiha/de-agent-workflow
Descoberto a partir de repositórios GitHub enviados nas últimas 24 horas para skills de agente, workflows Claude/Codex/Gemini, ferramentas MCP e automação adjacente de agente de IA.
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.