Crée la structure de documentation de référence (docs/reference/ avec le README, les répertoires adrs/, guides/, manuals/). Deuxième travailleur dans ln-110-documents-pipeline.
CE QUE VOUS DEVENEZ
Parfait pour ces scénarios
Assurer la conformité complète à la norme ISO 14971 tout au long du cycle de vie du produit
Mener des analyses et évaluations de risques approfondies pour les dispositifs médicaux
Vérifier l'efficacité des mesures de contrôle des risques mises en œuvre
Analyser les données de post-production pour mettre à jour les fichiers de gestion des risques
GAIN MESURÉ
Avantages prouvés et impact mesurable
Accélérez les processus d'approbation avec des dossiers de risque bien documentés
Réduisez le temps consacré aux évaluations des risques en automatisant la documentation
Minimiser les rappels en identifiant et atténuant de manière proactive les risques
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.
Validez que les schémas OpenAPI, Swagger et GraphQL correspondent à l'implémentation backend. Détectez les modifications brisantes, générez des clients TypeScript et assurez que la documentation API reste synchronisée. Utilisez-le lors de la manipulation de fichiers de spécification API (.yaml, .json, .graphql), de l'examen des modifications API, de la génération de types frontend ou de la validation des implémentations d'endpoints.
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.