Suchen im Internet nach technischer Dokumentation unter Verwendung des llms.txt-Standards, GitHub-Repositorys über Repomix und parallele Erkundung. Verwenden Sie dies, wenn der Benutzer benötigt: (1) Neueste Dokumentation für Bibliotheken/Frameworks, (2) Dokumentation im llms.txt-Format, (3) Analyse von GitHub-Repositorys, (4) Dokumentation ohne direkte llms.txt-Unterstützung, (5) Mehre Dokumentationsquellen parallel
DAZU WIRST DU
Perfekt für diese Szenarien
Erstellen Sie schnell Flyer, Social-Media-Posts und digitale Anzeigen, die dem Markenauftritt entsprechen.
Entwerfen Sie professionelle Folien mit Anthropics Farben und Schriftarten.
Visuell konsistente E-Mail-Signaturen und Newsletter erstellen.
Markenrichtlinien auf interne Leitfäden und externe Berichte anwenden.
MESSBARER GEWINN
Bewährte Vorteile und messbare Wirkung
Reduzieren Sie die Zeit für manuelle Farb- und Schriftanpassungen um 90 %.
100% Markeneinhaltung für alle visuellen Assets sicherstellen.
Richtlinien auf neue Artefakte in unter 30 Minuten anwenden.
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
Validieren Sie OpenAPI-, Swagger- und GraphQL-Schemas auf Übereinstimmung mit der Backend-Implementierung. Erkennen Sie bruchlose Änderungen, generieren Sie TypeScript-Clients und stellen Sie sicher, dass die API-Dokumentation synchron bleibt. Verwenden Sie dies bei der Arbeit mit API-Spezifikationsdateien (.yaml, .json, .graphql), der Überprüfung von API-Änderungen, der Generierung von Frontend-Typen oder der Validierung von Endpunktimplementierungen.
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.