Spezialisierte Fähigkeit zum Designen, Architekten und Prüfen von Produktionsreif Python-Bibliotheken. Leitet die Bibliotheksstruktur, API-Design, Teststrategien und Implementierung. Verwenden Sie sie bei der Entwicklung neuer Bibliotheken, bei der Treffen von Architekturentscheidungen, bei der Prüfung von Bibliothekscode oder bei der Auseinandersetzung mit Bibliotheksdesignherausforderungen aus einer Architektenperspektive.
DAZU WIRST DU
Perfekt für diese Szenarien
RESTful/GraphQL-APIs mit ordnungsgemäßer Fehlerbehandlung und Ratenbegrenzung erstellen
OAuth 2.1/JWT-Authentifizierung mit OWASP Top 10-Schutzmechanismen implementieren
Datenbankabfragen optimieren und Caching implementieren, um die Antwortzeiten zu beschleunigen
Automatisierung von Tests und Bereitstellungen mit Docker, GitHub Actions und Kubernetes
MESSBARER GEWINN
Bewährte Vorteile und messbare Wirkung
Backend-Entwicklungszeit mit Boilerplate-Code und Best Practices verkürzen
Verhindern Sie OWASP Top 10-Sicherheitslücken mit integrierten Sicherheitsmustern und Scans
Mehr Traffic mit Microservice-Patterns und Auto-Scaling-Lösungen bewältigen
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.
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.
Diese Fähigkeit sollte verwendet werden, wenn mit annotierten Datamatrizen in Python gearbeitet wird, insbesondere für Einzelzellgenomikanalysen, die Verwaltung von experimentellen Messungen mit Metadaten oder die Verarbeitung von groß angelegten biologischen Datensätzen. Verwenden Sie sie, wenn Aufgaben AnnData-Objekte, h5ad-Dateien, Einzelzell-RNA-seq-Daten oder die Integration mit Scanpy/Scverse-Tools betreffen.