academic-reading-workflow
Über
Diese Fähigkeit bietet einen systematischen Arbeitsablauf zum Lesen und Annotieren akademischer Papiere, der durchsuchbare Notizen und Belege für das Schreiben erzeugt. Sie wird ausgelöst, wenn Entwickler Papiere aufarbeiten oder zitierfähige Materialien erstellen müssen, und wendet Qualitätskontrollen und Einschränkungen an, um zuverlässige Ergebnisse zu gewährleisten. Zu den Hauptmerkmalen gehören disziplinierte Standardarbeitsanweisungen, explizite Obergrenzen zur Vermeidung von Übertreibungen und strukturierte, ausschließlich englischsprachige Annotationen.
Schnellinstallation
Claude Code
Empfohlennpx skills add DNYoussef/context-cascade -a claude-code/plugin add https://github.com/DNYoussef/context-cascadegit clone https://github.com/DNYoussef/context-cascade.git ~/.claude/skills/academic-reading-workflowKopieren Sie diesen Befehl und fügen Sie ihn in Claude Code ein, um diese Fähigkeit zu installieren
GitHub Repository
Häufig gestellte Fragen
Was ist der Skill academic-reading-workflow?
academic-reading-workflow ist ein Claude Skill von DNYoussef. Skills bündeln Anweisungen und Ressourcen, die Claude bei Bedarf lädt, um Aufgaben rund um academic-reading-workflow ohne zusätzliche Eingaben auszuführen.
Wie installiere ich academic-reading-workflow?
Verwende die Installationsbefehle auf dieser Seite: Füge academic-reading-workflow als Plugin zu Claude Code hinzu oder klone das Repository in dein Skills-Verzeichnis. Starte Claude danach neu, damit der Skill geladen wird.
Zu welcher Kategorie gehört academic-reading-workflow?
academic-reading-workflow gehört zur Kategorie Andere.
Kann ich academic-reading-workflow kostenlos nutzen?
Ja. academic-reading-workflow ist auf AIMCP gelistet und kann kostenlos installiert werden.
Verwandte Skills
Diese Claude Skill analysiert Sportwettenmärkte inklusive Handicaps, Over/Unders und Spezialwetten, indem sie historische Trends und situative Statistiken untersucht, um Wertwetten zu identifizieren. Sie liefert strukturierte Markdown-Ausgaben mit umsetzbaren Empfehlungen zu Bildungszwecken. Entwickler sollten dies für Sportwetten-Analysetools nutzen, wobei zu beachten ist, dass es nur zur Unterhaltung/Bildung konzipiert wurde.
LlamaGuard ist Metas 7-8B-Parameter-Modell zur Moderation von LLM-Eingaben und -Ausgaben in sechs Sicherheitskategorien wie Gewalt und Hassrede. Es bietet eine Genauigkeit von 94-95 % und kann mit vLLM, Hugging Face oder Amazon SageMaker eingesetzt werden. Nutzen Sie diese Skill, um Inhaltsfilterung und Sicherheitsguardrails einfach in Ihre KI-Anwendungen zu integrieren.
Diese Claude Skill unterstützt Entwickler bei der Optimierung von Cloud-Kosten durch Ressourcen-Dimensionierung, Tagging-Strategien und Ausgabenanalysen. Sie bietet einen Rahmen zur Senkung von Cloud-Ausgaben und zur Implementierung von Kosten-Governance für AWS, Azure und GCP. Nutzen Sie sie, wenn Sie Infrastrukturkosten analysieren, Ressourcen richtig dimensionieren oder Budgetvorgaben einhalten müssen.
Diese Fähigkeit quantisiert LLMs auf 8-Bit- oder 4-Bit-Präzision mittels bitsandbytes und erreicht dabei eine Speicherreduzierung von 50–75 % bei minimalem Genauigkeitsverlust. Sie ist ideal für den Betrieb größerer Modelle mit begrenztem GPU-Speicher oder zur Beschleunigung von Inferenzvorgängen und unterstützt Formate wie INT8, NF4 und FP4. Die Fähigkeit integriert sich in HuggingFace Transformers und ermöglicht QLoRA-Training sowie 8-Bit-Optimierer.