Orchestriert Task-Operationen. Analysiert Story, erstellt optimalen Plan (1-6 Tasks), delegiert an ln-311-task-creator (ERSTELLEN/HINZUFÜGEN) oder ln-312-task-replanner (NEUPLANEN). Erkennt Team-ID automatisch.
DAZU WIRST DU
Perfekt für diese Szenarien
Reviewer-Kommentare automatisch bearbeiten und die Codequalität verbessern
Konsistente Formatierungs- und Stilrichtlinien in allen Dateien anwenden
Leistungs- und Wartbarkeitsverbesserungen aus Reviews umsetzen
Fehler und Probleme, die in Code-Reviews gemeldet wurden, beheben
MESSBARER GEWINN
Bewährte Vorteile und messbare Wirkung
Halbieren Sie die Zeit für die Bearbeitung von Gutachterkommentaren
Sicherstellung der einheitlichen Umsetzung von Best Practices und Richtlinien
Minimieren Sie Rückfragen, indem Sie Feedback präzise umsetzen
DEIN EQUIPMENT
Dateien, Tags und die Installation in drei Schritten
Tipp: Lies Dokumentation und Code vor der ersten Nutzung, damit du Funktion und benötigte Berechtigungen kennst.
NÄCHSTE SKRIPTE
Empfohlen basierend auf Tags und Kategorie
Claude Code-Agent-Erzeugungssystem, das benutzerdefinierte Agenten und Sub-Agenten mit erweiterter YAML-Frontmatter, Tools-Zugriffsmustern und MCP-Integrationsunterstützung gemäß bewährten Produktionsmustern erstellt
Generieren und pflegen Sie AGENTS.md-Dateien entsprechend der öffentlichen agents.md-Konvention. Verwenden Sie dies bei der Erstellung von Dokumentation für KI-Agenten-Workflows, Onboarding-Anleitungen oder bei der Standardisierung von Agenten-Interaktionsmustern zwischen Projekten.
Diese Fähigkeit sollte für Zeitreihenmaschinelles Lernen einschließlich Klassifikation, Regression, Clustering, Prognose, Anomalieerkennung, Segmentierung und Ähnlichkeitssuche verwendet werden. Verwenden Sie sie bei der Arbeit mit zeitlichen Daten, sequentiellen Mustern oder zeitindexierten Beobachtungen, die spezialisierte Algorithmen über standardisierte ML-Ansätze hinaus erfordern. Besonders geeignet für die Analyse univariate und multivariate Zeitreihen mit scikit-learn-kompatiblen APIs.
Greifen Sie auf über 200 Millionen durch KI vorhergesagte Proteinstrukturen von AlphaFold zu. Abrufen von Strukturen per UniProt-ID, Herunterladen von PDB/mmCIF-Dateien, Analyse von Zuverlässigkeitsmetriken (pLDDT, PAE) für die Arzneimittelforschung und Strukturbiologie.