Erstellt die Struktur für Referenzdokumentation (docs/reference/ mit README, adrs/, guides/, manuals/ Verzeichnissen). Zweiter Worker in der ln-110-documents-pipeline.
DAZU WIRST DU
Perfekt für diese Szenarien
Sicherstellung der vollen Einhaltung der Norm ISO 14971 über den gesamten Produktlebenszyklus
Umfassende Risikoanalysen und -bewertungen für Medizinprodukte durchführen
Wirksamkeit der umgesetzten Risikokontrollmaßnahmen überprüfen
Post-Produktionsdaten analysieren, um Risikomanagement-Dateien zu aktualisieren
MESSBARER GEWINN
Bewährte Vorteile und messbare Wirkung
Beschleunigen Sie Genehmigungsprozesse mit gut dokumentierten Risikodateien
Zeit für Risikobewertungen durch Automatisierung der Dokumentation reduzieren
Rückrufaktionen minimieren durch proaktives Erkennen und Mindern von Risiken
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.
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.