Orquesta operaciones de tareas. Analiza la historia, elabora un plan óptimo (1-6 tareas), delega a ln-311-task-creator (CREAR/AGREGAR) o ln-312-task-replanner (REPLANIFICAR). Descubre automáticamente el ID del equipo.
EN LO QUE TE CONVIERTES
Perfecto para estos escenarios
Abordar automáticamente los comentarios del revisor y mejorar la calidad del código
Aplicar directrices de formato y estilo consistentes en todos los archivos
Implementar mejoras de rendimiento y mantenibilidad a partir de las revisiones
Resolver los errores y problemas reportados en las revisiones de código
GANANCIA MEDIBLE
Beneficios probados e impacto medible
Reducir a la mitad el tiempo dedicado a abordar los comentarios de los revisores
Garantizar la implementación coherente de las mejores prácticas y directrices
Minimiza las revisiones implementando el feedback con precisión
QUÉ INCLUYE
Archivos, etiquetas y la instalación en tres pasos
Consejo: Lee la documentación y el código antes del primer uso para saber qué hace y qué permisos necesita.
SIGUIENTES GUIONES
Recomendado según etiquetas y categoría
Sistema de generación de agentes de código Claude que crea agentes personalizados y subagentes con frontmatter YAML mejorado, patrones de acceso a herramientas y soporte para integración MCP siguiendo patrones de producción probados
Generar y mantener archivos AGENTS.md siguiendo la convención pública agents.md. Usar cuando se cree documentación para flujos de trabajo de agentes AI, guías de incorporación o cuando se estandaricen patrones de interacción de agentes en proyectos.
Esta habilidad debería usarse para tareas de aprendizaje automático de series temporales que incluyen clasificación, regresión, agrupamiento, pronóstico, detección de anomalías, segmentación y búsqueda de similitud. Usarla al trabajar con datos temporales, patrones secuenciales o observaciones indexadas en el tiempo que requieren algoritmos especializados más allá de los enfoques de ML estándar. Especialmente adecuada para análisis de series temporales univariadas y multivariadas con APIs compatibles con scikit-learn.
Acceda a más de 200 millones de estructuras de proteínas predichas por IA de AlphaFold. Recupere estructuras por ID de UniProt, descargue archivos PDB/mmCIF, analice métricas de confianza (pLDDT, PAE) para la descubrimiento de fármacos y la biología estructural.