搜索结果: "量化"

4.5

HashQL测试策略Skill testing-hashql

HashQL测试策略是用于测试HashQL代码的一套方法,包括编译测试(UI测试)、单元测试和快照测试,主要用于验证编译器行为、错误诊断、内部逻辑和MIR/HIR/AST传递,确保代码质量和错误报告准确。关键词包括HashQL、测试、编译测试、单元测试、快照测试、MIR、HIR、AST、诊断、错误消息、Rust、编译器、量化交易。

4.5

部署团队Skill deploy-team

这个技能用于自动化生成多代理团队的配置和模板,以设置高效的多代理工作流。它支持解析团队组成、生成代理配置、设计协调模式,并输出详细的部署规范,适用于AI智能体部署、量化交易策略实施等场景。关键词:部署团队、多代理系统、AI智能体、工作流自动化、量化交易。

4.5

自主编程KPI追踪技能Skill agentic-kpi-tracking

这个技能用于追踪和测量自主编码过程中的关键绩效指标(KPIs),以评估零接触执行(ZTE)准备情况。通过分析工作流有效性、连续成功、尝试次数等指标,帮助优化开发流程,提升自主操作能力。关键词:KPI追踪、自主编程、数据分析、工作流优化、量化评估、DevOps指标。

4.5

优化LLMSkill optimize-llm

这个技能用于为大型语言模型(LLM)提供优化建议,优化服务延迟、推理成本和吞吐量性能,涵盖量化、批处理和框架选择等策略。关键词:LLM优化,人工智能,深度学习,服务优化,成本降低,吞吐量提升

4.5

机器学习推理优化Skill ml-inference-optimization

这个技能专注于优化机器学习推理的延迟、减少模型大小、实现模型压缩技术(如量化、剪枝、蒸馏)、设计推理缓存策略,以及边缘部署模式。适用于需要提升推理速度、减少资源消耗的场景,特别是在边缘设备或高性能云环境中。关键词:机器学习、推理优化、模型压缩、边缘计算、延迟降低、缓存策略、硬件加速。

4.5

LLM服务模式Skill llm-serving-patterns

此技能专注于大语言模型(LLM)的服务模式,涵盖推理基础设施设计、服务框架选择、量化技术、批处理策略和流式响应模式。适用于优化LLM部署的延迟、吞吐量、成本效益,适合系统设计和生产部署。关键词:LLM服务、推理、vLLM、TGI、TensorRT-LLM、量化、批处理、流式响应、分页注意力、推测解码。

4.5

OpenAPI编写技能Skill openapi-authoring

OpenAPI编写技能用于创建和验证OpenAPI 3.1规范,支持REST API设计,遵循API-first和contract-first开发方法。关键词包括:OpenAPI, API设计, REST API, 规范编写, 验证, 开发实践, 架构设计, 量化交易无关,专注于API文档。

4.5

成就追踪Skill track-win

这个技能用于将个人成就结构化记录到夸耀文档中,帮助用户量化成果、分类成就类型,并支持职业发展和晋升准备。关键词:成就记录、夸耀文档、职业发展、绩效管理、量化指标、晋升准备。

4.5

调查Merkle根不匹配Skill investigate-merkle-root-mismatch

此技能用于调查区块链中relayer和validators之间Merkle根不匹配的警报和问题。通过查询监控系统、端口转发和二进制搜索,识别不匹配的索引和消息ID,并提供详细报告,为后续修复提供依据。关键词:Merkle根不匹配、区块链调试、节点运维、检查点验证、Hyperlane、量化交易分析。

4.5

会话洞察Skill session-insights

这是一个用于分析Elixir和Phoenix开发会话的技能,提供完整的会话分析管道。通过自然语言描述搜索开发会话,自动生成转录和综合报告,帮助开发者识别工作流模式、摩擦点和插件改进机会。关键词:会话分析,Elixir开发,Phoenix框架,开发调试,自动化报告,量化交易分析辅助工具。

4.5

分析会话Skill analyze-sessions

这个技能用于分析Claude Code开发工具的会话数据,以发现和优化插件改进机会。它是一个开发工具,帮助插件贡献者通过结构化管道进行会话分析,提升开发效率。关键词:Claude Code、插件改进、会话分析、开发工具、量化分析、DevOps工具。

4.5

Python多目标优化Skill python-multiobjective-optimization

这个技能专注于在Python中实现多目标优化,用于同时优化多个冲突目标,发现Pareto前沿,适用于数据分析、机器学习、工程优化和量化金融等场景。它提供专家指导,涵盖Pareto最优性、进化算法(如NSGA-II、NSGA-III、MOEA/D)、标量化方法、Pareto前沿分析,并使用pymoo、platypus和DEAP库进行实现。关键词包括多目标优化、Pareto前沿、NSGA-II、进化算法、Python优化、数据建模。