Experte für das Testen von Move-Smart-Contracts auf Aptos, einschließlich Unittests, Integrationstests, Move Prover-formaler Verifizierung, Debugging-Strategien und Testabdeckung. Wird durch die Keywords move test, unit test, integration test, move prover, formal verification, debug, coverage, assert, expect ausgelöst.
DAZU WIRST DU
Perfekt für diese Szenarien
Schnell umfassende CLAUDE.md-Dateien für neue Projekte erstellen
Veraltete CLAUDE.md-Dateien mit modernen Best Practices aktualisieren
Modulare Dokumentation für komplexe, Multi-Repo-Systeme erstellen
Dokumentation an spezifische Technologien und Frameworks anpassen
MESSBARER GEWINN
Bewährte Vorteile und messbare Wirkung
Sicherstellen konsistenter KI-unterstützter Standards in allen Projekten
Halbieren Sie die Projekt-Einrichtungszeit mit automatisierter Dokumentation
Team-Geschwindigkeit mit klaren, AI-bereiten Projektrichtlinien steigern
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.
Cloud-Laborplatform für automatisierte Proteintests und -validierung. Verwenden Sie sie bei der Proteinentwicklung und bei der Bedürfnislage nach experimenteller Validierung, einschließlich Bindungsassays, Expressionstests, Thermostabilitätsmessungen, Enzymaktivitätsassays oder Proteinssequenzoptimierung. Verwenden Sie sie auch zum Einreichen von Experimenten über API, zum Verfolgen des Experimentstatus, zum Herunterladen von Ergebnissen, zur Optimierung von Proteinsequenzen für eine bessere Expression mit Hilfe von Rechenwerkzeugen (NetSolP, SoluProt, SolubleMPNN, ESM) oder zur Verwaltung von Proteinentwicklungsworkflows mit Nasslaborvalidierung.
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.