Experte für Claude Code settings.json-Konfiguration, Berechtigungen, Sandbox, Umgebungsvariablen und Einstellungen-Hierarchie. Ausgelöst wird er, wenn der Benutzer settings.json, Berechtigungen, Zulassungsregeln, Verweigerungsregeln, Sandbox, Hooks-Konfiguration oder Einstellungen-Präzedenz erwähnt.
DAZU WIRST DU
Perfekt für diese Szenarien
Erstellen Sie schnell wiederverwendbare React-Komponenten mit TypeScript und Tailwind CSS.
Bündelgrößen analysieren und optimieren, Komponenten lazy-loaden und die Laufzeit verbessern.
Figma-Designs ganz einfach in responsiven, barrierefreien Web-Komponenten umsetzen.
Frontend-Code auf Best Practices, TypeScript-Fehler und Performance-Probleme überprüfen.
MESSBARER GEWINN
Bewährte Vorteile und messbare Wirkung
Entwicklungsdauer mit vorgefertigten Komponentenvorlagen und Automatisierung verkürzen.
Anwendungs-Ladezeiten und Interaktivität mit Optimierungstechniken verbessern.
Laufzeitfehler durch die von TypeScript erzwungene Typsicherheit und Code-Reviews reduzieren.
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
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.
Claude Code-Agent-Erzeugungssystem, das benutzerdefinierte Agenten und Sub-Agenten mit erweiterter YAML-Frontmatter, Tools-Zugriffsmustern und MCP-Integrationsunterstützung gemäß bewährten Produktionsmustern erstellt
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.