MCP HubMCP Hub
SKILL·1EEFAE

fetch-github-issue-analysis

BerryKuipers
更新日 4 months ago
7 閲覧
6
3
6
GitHubで表示
その他aiautomationdata

について

このスキルは、WescoBarのコンダクターワークフローで使用するために、AI生成の分析コメントを含むGitHubイシューの詳細を取得します。フェーズ1のアーキテクチャ計画向けに設計されており、タイトル、本文、ラベルなどの構造化データを抽出します。入力の検証を行い、基本のイシューデータと、利用可能な場合はボットの分析コメントの両方を取得します。

クイックインストール

Claude Code

推奨
メイン
npx skills add BerryKuipers/claude-code-toolkit -a claude-code
プラグインコマンド代替
/plugin add https://github.com/BerryKuipers/claude-code-toolkit
Git クローン代替
git clone https://github.com/BerryKuipers/claude-code-toolkit.git ~/.claude/skills/fetch-github-issue-analysis

このコマンドをClaude Codeにコピー&ペーストしてスキルをインストールします

GitHub リポジトリ

BerryKuipers/claude-code-toolkit
パス: .claude/skills/github-integration/fetch-issue-analysis
0
FAQ

よくある質問

fetch-github-issue-analysis Skillとは何ですか?

fetch-github-issue-analysis はBerryKuipers が作成した Claude Skillです。Skillは、Claudeが必要に応じて読み込む指示とリソースをまとめ、追加の指示なしで fetch-github-issue-analysis に関連するタスクを実行できるようにします。

fetch-github-issue-analysis をインストールするには?

このページのインストールコマンドを使用してください。fetch-github-issue-analysis をプラグインとして Claude Code に追加するか、リポジトリを skills ディレクトリにクローンし、Claudeを再起動してSkillを読み込みます。

fetch-github-issue-analysis はどのカテゴリに属しますか?

fetch-github-issue-analysis は その他 カテゴリに属します。

fetch-github-issue-analysis は無料で利用できますか?

はい。fetch-github-issue-analysis は AIMCP に掲載されており、無料でインストールできます。

関連スキル

sports-betting-analyzer
その他

このClaudeスキルは、スポーツベッティング市場(スプレッド、オーバー/アンダー、プロップベットなど)を分析し、過去の傾向や状況統計を検証することでバリューベットを特定します。教育目的のための実践的な提案を構造化されたマークダウン形式で出力します。開発者はスポーツベッティング分析ツールとして本機能を活用できますが、娯楽および教育目的に限定されている点に留意してください。

スキルを見る
llamaguard
その他

LlamaGuardは、暴力やヘイトスピーチなど6つの安全性カテゴリーにおいて、LLMの入力と出力をモデレートするMetaの70-80億パラメータモデルです。94〜95%の精度を提供し、vLLM、Hugging Face、Amazon SageMakerを使用してデプロイ可能です。このスキルを使用して、AIアプリケーションにコンテンツフィルタリングと安全策を簡単に統合できます。

スキルを見る
cost-optimization
その他

このClaudeスキルは、リソースの適正サイジング、タグ付け戦略、支出分析を通じて、開発者がクラウドコストを最適化することを支援します。AWS、Azure、GCPにわたるクラウド支出の削減とコストガバナンスの実施のためのフレームワークを提供します。インフラコストの分析、リソースの適正サイジング、または予算制約への対応が必要な際にご利用ください。

スキルを見る
quantizing-models-bitsandbytes
その他

このスキルは、bitsandbytesを使用してLLMを8ビットまたは4ビット精度に量子化し、精度の低下を最小限に抑えつつ50〜75%のメモリ削減を実現します。限られたGPUメモリでより大規模なモデルを実行したり、推論を高速化するのに理想的で、INT8、NF4、FP4などのフォーマットをサポートしています。HuggingFace Transformersと統合され、QLoRAトレーニングや8ビットオプティマイザーを可能にします。

スキルを見る