Orchestre les opérations de tâches. Analyse l'histoire, construit un plan optimal (1-6 tâches), délègue à ln-311-task-creator (CRÉER/AJOUTER) ou à ln-312-task-replanner (REPLANIFIER). Découvre automatiquement l'ID de l'équipe.
CE QUE VOUS DEVENEZ
Parfait pour ces scénarios
Répondre automatiquement aux commentaires du réviseur et améliorer la qualité du code
Appliquer des directives de formatage et de style cohérentes à l'ensemble des fichiers
Mettre en œuvre les améliorations de performance et de maintenabilité issues des relectures
Résoudre les bogues et problèmes signalés lors des revues de code
GAIN MESURÉ
Avantages prouvés et impact mesurable
Réduire de moitié le temps consacré à la prise en compte des commentaires des réviseurs
Assurer la mise en œuvre cohérente des meilleures pratiques et des directives
Minimisez les allers-retours en appliquant les retours avec précision
CE QUE VOUS OBTENEZ
Fichiers, tags et installation en trois étapes
Conseil : Lisez la documentation et le code avant la première utilisation pour connaître son rôle et les permissions requises.
SCRIPTS SUIVANTS
Recommandé selon les tags et la catégorie
Système de génération d'agents de code Claude qui crée des agents et sous-agents personnalisés avec un en-tête YAML amélioré, des modèles d'accès aux outils et un support d'intégration MCP conformément à des modèles de production éprouvés
Générez et maintenez les fichiers AGENTS.md conformément à la convention publique agents.md. Utilisez-le lors de la création de documentation pour les flux de travail des agents IA, les guides d’intégration ou lors de la standardisation des modèles d’interaction des agents à travers les projets.
Cette compétence doit être utilisée pour les tâches d'apprentissage automatique sur séries temporelles, y compris la classification, la régression, le clustering, la prévision, la détection d'anomalies, la segmentation et la recherche de similarité. Utilisez-la lors du travail avec des données temporelles, des motifs séquentiels ou des observations indexées dans le temps nécessitant des algorithmes spécialisés au-delà des approches ML standard. Particulièrement adaptée à l'analyse de séries temporelles univariées et multivariées avec des APIs compatibles scikit-learn.
Accédez aux plus de 200 millions de structures de protéines prédites par l'IA d'AlphaFold. Récupérez les structures par ID UniProt, téléchargez les fichiers PDB/mmCIF, analysez les indicateurs de confiance (pLDDT, PAE), pour la découverte de médicaments et la biologie structurale.