下载

Skill UI

浏览并发现 15558+ 精选技能

全部编程开发人工智能设计创意产品商业数据科学市场营销职场通用效率工具硬件工程语言学习

搜索 MLops ，共找到 35 条记录

默认排序最新上传最多下载

流式推理部署

streaming-inference-setup

jeremylongshore/claude-code-plugins-plus-skills

在询问流式推理架构或实施方案时，自动提供模型服务、MLOps、监控与生产就绪配置的部署流程指导。

Torchserve 配置生成器

torchserve-config-generator

jeremylongshore/claude-code-plugins-plus-skills

自动生成 TorchServe 部署配置，提供模型服务、MLOps 流水线、推理与生产监控的实践指导，帮助保障机器学习部署的规范性与可靠性。

Triton 推理配置

triton-inference-config

jeremylongshore/claude-code-plugins-plus-skills

自动提供 Triton 推理配置指导，针对模型服务、MLOps 管道、监控与生产环境优化，生成符合业界最佳实践的配置与代码。

Vertex AI 部署助手

vertex-ai-deployer

jeremylongshore/claude-code-plugins-plus-skills

该技能自动响应 Vertex AI 部署相关问询，提供部署流水线、模型服务、监控与生产化建议，并生成符合行业标准的代码与配置。

实验结果监控与分析

monitor-experiment

wanshuiyin/Auto-claude-code-research-in-sleep

提供了一个全面的多平台实验监控流程。该技能用于跟踪和收集跨越SSH、vast.ai、Modal等多个环境的长时运行实验状态。它不仅能获取终端日志和结构化结果，还能通过Weights & Biases (W&B) API拉取详细的训练曲线和性能指标，辅助进行实验结果的对比和深度分析。

生成Arize UI深度链接

github/awesome-copilot

本技能用于生成指向Arize平台各种资源的深度链接（deep links）。无论用户需要分享特定的模型跟踪（traces）、单个数据点（spans）、数据集还是评估器配置，本技能都能根据提供的资源ID和时间范围，生成可点击的URL，帮助团队成员快速定位和分享特定项目状态。

CoreWeave KServe GPU推理服务部署

coreweave-core-workflow-a

jeremylongshore/claude-code-plugins-plus-skills

本指南详细介绍了如何在CoreWeave上使用KServe部署生产级机器学习推理服务。内容涵盖了配置GPU调度、实现自动扩缩容以及设置冷启动优化的流程。适用于需要部署大型语言模型（LLMs）或其他复杂AI模型的MLOps工程师。

CoreWeave生产部署检查清单

coreweave-prod-checklist

jeremylongshore/claude-code-plugins-plus-skills

这份清单用于指导将GPU工作负载（如推理服务或模型训练）从开发环境迁移到CoreWeave生产环境的全部关键步骤。它系统地覆盖了自动伸缩、资源配置、安全策略、持久化存储、性能监控和故障回滚等MLOps及DevOps最佳实践。

CoreWeave GPU云参考架构

coreweave-reference-architecture

jeremylongshore/claude-code-plugins-plus-skills

本参考架构提供了一套在CoreWeave GPU云上部署机器学习模型的完整蓝图。它详细描述了多模型服务（如vLLM, TGI）的Kubernetes部署结构、共享持久化存储（PVC）以及基于KServe/Knative的自动扩缩容机制。适用于设计鲁棒的MLOps流程、规划高性能多模型推理服务，或建立标准的GPU云部署规范。

Together AI生产部署清单

together-prod-checklist

jeremylongshore/claude-code-plugins-plus-skills

本清单是一份完整的M/Ops指南，用于指导使用Together AI API构建AI应用的生产环境部署。它涵盖了生产环境的关键环节，包括安全密钥管理、API限流处理、错误容错机制（如断路器和重试）、以及全面的监控和成本控制，确保大型语言模型（LLM）服务的稳定性和可靠性。

机器学习集成方法论

ml-adoption-playbook

本方法论为软件工程师和AI代理提供了一个端到端的流程，用于将机器学习模型安全、系统地集成到现有的非机器学习代码库中。它涵盖了从问题定义、数据准备、架构解耦、基线模型构建到MLOps部署的全生命周期，确保模型集成过程的可靠性和可维护性。

语言