Experto en pruebas de contratos inteligentes Move en Aptos, incluyendo pruebas unitarias, pruebas de integración, verificación formal Move Prover, estrategias de depuración y cobertura de pruebas. Se activa con las palabras clave move test, unit test, integration test, move prover, formal verification, debug, coverage, assert, expect
EN LO QUE TE CONVIERTES
Perfecto para estos escenarios
Generar rápidamente archivos CLAUDE.md completos para nuevos proyectos
Actualizar archivos CLAUDE.md desactualizados con las mejores prácticas modernas
Crear documentación modular para sistemas complejos con múltiples repositorios
Adaptar la documentación a tecnologías y frameworks específicos
GANANCIA MEDIBLE
Beneficios probados e impacto medible
Asegurar estándares consistentes asistidos por IA en todos los proyectos
Reduce a la mitad el tiempo de configuración del proyecto con documentación automatizada
Aumenta la velocidad del equipo con directrices de proyecto claras y preparadas para IA
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.
Plataforma de laboratorio en la nube para pruebas y validación automáticas de proteínas. Utilícelo al diseñar proteínas y necesitar validación experimental que incluya ensayos de unión, pruebas de expresión, mediciones de termostabilidad, ensayos de actividad enzimática o optimización de secuencias de proteínas. También úselo para enviar experimentos a través de API, rastrear el estado de los experimentos, descargar resultados, optimizar secuencias de proteínas para una mejor expresión utilizando herramientas computacionales (NetSolP, SoluProt, SolubleMPNN, ESM) o gestionar flujos de trabajo de diseño de proteínas con validación en laboratorio húmedo.
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.