SKILL DIRECTORY
설치 수와 최근 흐름을 기준으로 필요한 Agent Skill을 찾아보세요.
skills.sh API 기준방금 확인
AKS에 AI Runway 설정하기 — 클러스터 초기 구축부터 모델 실행까지. 클러스터 검증, 컨트롤러 설치, GPU 평가, 제공자 설정 및 첫 배포 과정을 다룹니다. 관련 검색어: \"AI Runway 설정\", \"AKS 클러스터 온보딩\", \"AI Runway 설치\", \"airunway 설정\", \"AKS에 모델 배포\", \"AKS에서 GPU 추론\", \"AKS에서 KAITO 설정\", \"AKS에서 LLM 실행\", \"AKS에서 vLLM\", \"AKS에서 모델 서빙 설정\", \"AI Runway 컨트롤러\".
테스트 파일에서 `as` 유형 어설션을 @total-typescript/shoehorn으로 마이그레이션합니다. 사용자가 shoehorn을 언급하거나, 테스트에서 `as`를 대체하고자 하거나, 부분적인 테스트 데이터가 필요한 경우에 이 방법을 사용하십시오.
Rigor Explore를 통해 의미 있고 잠재적으로 참신한 딥러닝 연구 후보를 위한 호환 가능한 스킬 슬러그를 탐색합니다. 연구자가 과제 계열, 데이터셋, 벤치마크, 평가 방법을 선택하고 SOTA 참고 문헌을 제공한 상태에서, `current_research`를 기반으로 후보만 선별하여 탐색을 진행하고자 할 때 사용합니다. 이때 감사 가능한 리포지토리 이해, 아이디어 선별, 공정한 비교, 그리고 `explore_outputs/`에 기록된 관리된 실험이 보장됩니다. README 우선의 신뢰할 수 있는 재현, 개방형 방향 탐색, 코드 전용 또는 실행 전용의 제한적인 탐색, 수동적인 리포지토리 분석, 검증된 독창성 주장, 또는 암묵적인 실험을 위해서는 사용하지 마십시오.
딥러닝 연구 저장소를 위한 Rigor Analyze / Rigor Audit 읽기 전용 기능입니다. 사용자가 코드를 수정하거나 부하가 큰 작업을 실행하지 않고도 저장소를 읽고 이해하거나, 모델 구조 및 훈련 또는 추론 진입점을 확인하거나, 구성 및 삽입 지점을 검토하거나, 의심스러운 구현 패턴을 표시하고자 할 때 사용합니다. 실행 중인 명령어 실행, 광범위한 리팩토링, 추측에 기반한 코드 수정, 또는 자동 버그 수정에는 사용하지 마십시오.
README-first 딥러닝 저장소 재현을 위한 Rigor Reproduce 호환 스킬 슬러그입니다. 사용자가 저장소를 먼저 읽고, 문서화된 추론 또는 평가 대상 중 가장 작은 것을 선택하며, 인테이크, 설정, 신뢰할 수 있는 실행, 선택적 신뢰할 수 있는 훈련, 선택적 저장소 분석, 선택적 논문 격차 해소를 포함하며, 보수적인 패치 규칙을 적용하고, 증거, 가정, 편차 및 인간의 의사결정 지점을 기록하며, 표준화된 `repro_outputs/` 번들을 생성하는 엔드투엔드 방식의 최소한의 신뢰가 필요한 워크플로를 원할 때 사용합니다. 논문 요약, 일반적인 환경 설정, 고립된 저장소 스캔, 독립형 명령어 실행, 무통보 프로토콜 변경, 점수 추종, 또는 저장소 기반의 재현을 벗어난 광범위한 연구 지원에는 사용하지 마십시오.
Rigor: 딥러닝 연구 저장소에서 검증 가능한 후보 구현을 위한 리프 구현 기술을 개선합니다. 연구자가 격리된 브랜치나 워크트리에서 모듈 이식, 백본 조정, LoRA 또는 어댑터 레이어 추가, 헤드 교체, 또는 `explore_outputs/`에 롤백을 고려한 기록을 남기며 의미 있고 위험이 낮은 마이그레이션 아이디어를 조합하는 탐색적 작업을 명시적으로 승인한 경우에만 사용하십시오. `current_research`를 기반으로 한 종단간 탐색 조정, 신뢰할 수 있는 베이스라인 재현, 보수적인 디버깅, 환경 설정, 검증된 기여 주장, 또는 기본 저장소 분석에는 사용하지 마십시오.
딥러닝 연구 작업을 위한 Rigor Debug / Rigor Audit 기술. 사용자가 트레이스백, 터미널 오류, CUDA OOM, 체크포인트 로드 실패, 형상 불일치, NaN 손실 증상 또는 훈련 실패를 붙여넣고, 패치 적용 전에 보수적인 진단을 원하며, 디버그 수정 사항이 연구 기여와 명확히 구분되기를 원할 때 사용합니다. 광범위한 리팩토링, 추측적 수정, 자동 탐색적 패치 적용, 또는 일반적인 저장소 파악을 위해서는 사용하지 마십시오.
딥러닝 연구 저장소를 위한 Rigor Train 스킬입니다. 문서화되거나 선택된 훈련 명령어를 시작 검증, 단기 실행 검증, 본격적인 시작 또는 재개 시 신중하게 실행해야 할 때 사용하며, 명령어, 구성, 시드, 로그, 체크포인트, 상태 및 메트릭 증거는 표준화된 `train_outputs/`에 기록됩니다. 환경 설정, 탐색적 스윕, 가설적 아이디어 구현 또는 종단간 오케스트레이션에는 사용하지 마십시오.
Rigor Improve / Rigor Explore는 딥러닝 연구 저장소에서 제한된 탐색적 증거를 위한 리프 스킬을 실행합니다. 연구자가 소규모 하위 집합 검증, 단주기 추측 및 검증, 배치 스윕, 유휴 GPU 검색 또는 신속한 전이 학습 시도와 같은 탐색적 실행을 명시적으로 승인할 때 사용하며, 이 경우 `explore_outputs/`에 공정한 비교에 대한 주의사항과 과장되지 않은 요약이 포함되어야 합니다. `current_research`를 기반으로 한 종단간 탐색 조정, 신뢰할 수 있는 베이스라인 실행, 보수적인 훈련 검증, 기본 라우팅, 검증된 SOTA 주장 또는 암묵적 실험에는 사용하지 마십시오.
깔끔한 에디토리얼 스타일의 인터페이스. 따뜻한 단색 계열의 색상, 타이포그래피의 대비, 플랫한 벤토 그리드, 은은한 파스텔 톤. 그라데이션이나 진한 그림자는 없습니다.
기본 LLM 잘림 동작을 재정의합니다. 완전한 코드 생성을 강제하고, 자리 표시자 패턴을 허용하지 않으며, 토큰 제한으로 인한 분할을 깔끔하게 처리합니다. 완전하고 축약되지 않은 출력이 필요한 모든 작업에 적용하십시오.
인라인으로 작업하거나 `Explore`를 사용하는 대신, 언제 `cavecrew-investigator`(코드 위치 확인), `cavecrew-builder`(파일 1~2개 수정) 또는 `cavecrew-reviewer`(차이점 검토)에 작업을 위임해야 하는지. 이들의 출력은 압축되어 있으므로 메인 컨텍스트가 더 오래 유지됩니다.
스위스식 타이포그래피와 군용 터미널의 미학을 융합한 거친 기계적 인터페이스. 엄격한 그리드, 극단적인 글자 크기 대비, 실용적인 색상, 아날로그식 노화 효과. 기밀 해제된 설계도 같은 느낌을 주어야 하는 데이터 중심의 대시보드, 포트폴리오 또는 편집용 사이트에 적합합니다.
Microsoft Graph를 통해 Microsoft Entra 에이전트 ID 블루프린트, BlueprintPrincipals 및 인스턴스별 에이전트 ID를 프로비저닝하고, AgentID 사이드카용 Microsoft Entra SDK를 포함한 OAuth 2.0 토큰 교환(fmi_path, OBO, 테넌트 간)을 구성합니다. 사용 목적: 에이전트 ID 블루프린트, BlueprintPrincipal, 에이전트 OAuth, fmi_path 토큰 교환, 에이전트 OBO, 에이전트용 워크로드 ID 페더레이션, 다중 언어 에이전트 인증, Microsoft.Identity.Web.AgentIdentities. 사용하지 말아야 할 용도: 표준 Entra 앱 등록(entra-app-registration 사용), Microsoft Foundry 에이전트 작성(microsoft-foundry 사용).
세션 로그에서 읽어온 현재 세션의 실제 토큰 사용량과 예상 절감액을 표시합니다. 트리거: /caveman-stats.
최고 수준의 UX/UI 및 고급 GSAP 모션 엔지니어. 레이아웃 변동을 위해 파이썬 기반의 진정한 무작위화를 적용하고, 엄격한 AIDA 페이지 구조, 폭넓은 편집용 타이포그래피(6줄 줄바꿈 금지), 간격 없는 벤토 그리드, 엄격한 GSAP 스크롤 트리거(고정, 스태킹, 스크러빙), 인라인 마이크로 이미지, 그리고 넉넉한 섹션 간격을 적용합니다.
Google Stitch용 시맨틱 디자인 시스템 기술. 엄격한 타이포그래피, 정밀하게 조율된 색상, 비대칭 레이아웃, 지속적인 미세 움직임, 하드웨어 가속 성능을 통해 평범함을 배제하고 수준 높은 UI 표준을 준수하는, 에이전트 친화적인 DESIGN.md 파일을 생성합니다.
HyperFrames 컴포지션에 펀치인, 펀치아웃, 줌, 리프레임, 켄 번스 효과, 카메라 이동, 비주얼 매치/위프 핸드오프 또는 기타 시크 세이프 2D/3D 키프레임이 필요한 경우 사용하십시오. 또한 GSAP, CSS 키프레임, Anime.js, WAAPI, FLIP, 경로, 마스크, SVG 모프/드로우, 텍스트 트레일, 3D 깊이 또는 `HyperFrames 키프레임` 진단에 사용하십시오. 광범위한 장면 전략, 브랜드 디자인, 미디어 소싱, 캡션 또는 일반적인 영상 기획에는 사용하지 마십시오.
고급 브랜드 가이드라인 보드, 로고 시스템, 아이덴티티 데크, 비주얼 월드 프레젠테이션을 제작하기 위한 프리미엄 브랜드 키트 이미지 생성 기술입니다. 미니멀리즘, 시네마틱, 에디토리얼, 다크 테크, 럭셔리, 문화, 보안, 게임, 개발자 도구 및 소비자 앱 브랜드 시스템에 최적화되어 있습니다. 의도적인 로고 컨셉팅, 세련된 구도, 절제된 타이포그래피, 강력한 상징적 의미, 프리미엄 모크업, 아트 디렉팅이 가미된 이미지, 유연한 그리드 레이아웃에 최적화되어 있습니다.
Codex를 위한 최상급 웹사이트 이미지-투-코드 기술. 시각적으로 중요한 웹 작업의 경우, 먼저 디자인 이미지를 직접 생성하고 이를 심층적으로 분석한 뒤, 해당 이미지와 최대한 일치하도록 웹사이트를 구현해야 합니다. Codex에서는 작고 압축된 보드 대신 크고 가독성이 높으며 섹션별로 구분된 이미지를 우선적으로 사용해야 하며, 기존 이미지를 자르는 대신 섹션이나 상세 보기를 위한 새로운 독립형 이미지를 생성해야 합니다. 또한 대충 처리하는 식의 생성 부족을 피하고, ‘카드 안에 카드, 그 안에 또 카드’와 같은 중첩된 UI 구조를 피하며, 헤로 영역을 깔끔하고 여유 있게 구성하여 가독성을 높이고 작은 노트북 화면에서도 잘 보이도록 해야 합니다.