Crea la estructura de documentación de referencia (docs/reference/ con directorios README, adrs/, guides/, manuals/). Segundo trabajador en ln-110-documents-pipeline.
EN LO QUE TE CONVIERTES
Perfecto para estos escenarios
Garantizar el pleno cumplimiento de la norma ISO 14971 durante todo el ciclo de vida del producto
Realizar análisis y evaluaciones de riesgos exhaustivos para dispositivos médicos
Verificar la eficacia de las medidas de control de riesgos implementadas
Analizar los datos de postproducción para actualizar los archivos de gestión de riesgos
GANANCIA MEDIBLE
Beneficios probados e impacto medible
Agilice los procesos de aprobación con expedientes de riesgo bien documentados
Reduzca el tiempo dedicado a las evaluaciones de riesgo automatizando la documentación
Minimizar las retiradas de productos mediante la identificación y mitigación proactiva de riesgos
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.
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.