Buscando en internet documentación técnica usando el estándar llms.txt, repositorios de GitHub a través de Repomix y exploración paralela. Usar cuando el usuario necesita: (1) Documentación más actualizada de librerías/frameworks, (2) Documentación en formato llms.txt, (3) Análisis de repositorios de GitHub, (4) Documentación sin soporte directo para llms.txt, (5) Múltiples fuentes de documentación en paralelo
EN LO QUE TE CONVIERTES
Perfecto para estos escenarios
Crea folletos, publicaciones para redes sociales y anuncios digitales de forma rápida, manteniendo la identidad de marca.
Diseña diapositivas profesionales con los colores y las fuentes de Anthropic.
Generar firmas de correo electrónico y boletines visualmente consistentes.
Aplicar las directrices de marca a las guías internas y los informes externos.
GANANCIA MEDIBLE
Beneficios probados e impacto medible
Reduce un 90% el tiempo dedicado a ajustes manuales de color y fuente.
Garantizar el 100 % de cumplimiento de la marca en todos los activos visuales.
Aplicar las directrices a nuevos artefactos en menos de 30 minutos.
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
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.
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
Valide que los esquemas OpenAPI, Swagger y GraphQL coincidan con la implementación del backend. Detecte cambios que rompan la compatibilidad, genere clientes TypeScript y asegúrese de que la documentación de la API permanezca sincronizada. Use cuando trabaje con archivos de especificación de API (.yaml, .json, .graphql), revise cambios en la API, genere tipos frontend o valide implementaciones de endpoints.
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.