Escena, confirma y envía cambios git con mensajes de confirmación convencionales. Usa cuando el usuario quiera confirmar y enviar cambios, mencione enviar a un remoto o pida guardar y enviar su trabajo. También se activa cuando el usuario dice "enviar cambios", "confirmar y enviar", "enviar esto", "enviar a github" o solicitudes de flujo de trabajo git similares.
EN LO QUE TE CONVIERTES
Perfecto para estos escenarios
Ejecuta automáticamente el análisis de código, las pruebas de regresión y las pruebas manuales para garantizar la calidad del código.
Cree tareas de corrección/refactorización específicas cuando fallen las pruebas para agilizar la depuración.
Para garantizar la fiabilidad, finaliza las historias solo después de verificar que todas las pruebas pasen.
Monitorear las tasas de aprobado/reprobado para mejorar el rendimiento del equipo y los estándares del código.
GANANCIA MEDIBLE
Beneficios probados e impacto medible
Detecte defectos de forma temprana con las pruebas automatizadas, reduciendo el tiempo de retrabajo.
Minimiza los esfuerzos de las pruebas manuales automatizando las comprobaciones de calidad.
Lanza funciones más rápido asegurando que las historias cumplan con los criterios de calidad de antemano.
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
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.
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.
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.