Use esta habilidad para tareas de aprendizaje por refuerzo, incluyendo la entrenamiento de agentes RL (PPO, SAC, DQN, TD3, DDPG, A2C, etc.), la creación de entornos Gym personalizados, la implementación de callbacks para monitoreo y control, el uso de entornos vectorizados para entrenamiento paralelo, y la integración con flujos de trabajo de RL profundo. Esta habilidad debe usarse cuando los usuarios soliciten la implementación de algoritmos RL, el entrenamiento de agentes, el diseño de entornos o la experimentación con RL.
EN LO QUE TE CONVIERTES
Perfecto para estos escenarios
Registra automáticamente cada error en Sentry para depuración en tiempo real.
Rastrea las solicitudes lentas y optimiza las consultas de la base de datos sin esfuerzo
Asegura que las tareas programadas se ejecuten sin problemas con registros de ejecución detallados
Correlacionar errores con sesiones de usuario para priorizar las correcciones
GANANCIA MEDIBLE
Beneficios probados e impacto medible
Identifica y soluciona errores rápidamente con todo el contexto del fallo
Resolver proactivamente los problemas antes de que afecten a los usuarios
Lanza más rápido con la confianza del monitoreo de errores
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.
Esta habilidad se debe usar cuando se trabaja con matrices de datos anotados en Python, especialmente para análisis de genómica de células individuales, gestión de mediciones experimentales con metadatos o manejo de conjuntos de datos biológicos a gran escala. Usarla cuando las tareas involucren objetos AnnData, archivos h5ad, datos de RNA-seq de células individuales o integración con herramientas scanpy/scverse.
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.
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.