MCP HubMCP Hub
SKILL·C947F7

dev-step-all

uuta
업데이트됨 1 month ago
8 조회
1
1
1
GitHub에서 보기
기타aiautomation

정보

이 스킬은 분할된 개발 계획에서 남은 모든 단계를 수동 확인 없이 자동으로 실행합니다. 오류나 테스트 실패가 발생할 때까지 지속적으로 단계를 처리하며 완료 시 중단됩니다. 계획이 완료되고 검증된 후 구현 단계를 자동화할 때 사용하세요.

빠른 설치

Claude Code

추천
기본
npx skills add uuta/dotfiles -a claude-code
플러그인 명령대체
/plugin add https://github.com/uuta/dotfiles
Git 클론대체
git clone https://github.com/uuta/dotfiles.git ~/.claude/skills/dev-step-all

Claude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요

GitHub 저장소

uuta/dotfiles
경로: skills/dev-step-all
0
FAQ

Frequently asked questions

What is the dev-step-all skill?

dev-step-all is a Claude Skill by uuta. Skills package instructions and resources that Claude loads on demand, so Claude can perform dev-step-all-related tasks without extra prompting.

How do I install dev-step-all?

Use the install commands on this page: add dev-step-all to Claude Code as a plugin, or clone its repository into your skills directory, then restart Claude so it picks up the skill.

What category does dev-step-all belong to?

dev-step-all is in the Other category, tagged ai and automation.

Is dev-step-all free to use?

Yes. dev-step-all is listed on AIMCP and free to install. It runs inside Claude, so no separate service account is required to use the skill itself.

연관 스킬

llamaguard
기타

LlamaGuard는 폭력 및 혐오 발언 등 6가지 안전 범주에서 LLM 입력과 출력을 조정하기 위한 Meta의 70-80억 파라미터 모델입니다. 94-95% 정확도를 제공하며 vLLM, Hugging Face 또는 Amazon SageMaker를 사용해 배포할 수 있습니다. 이 기술을 사용하여 AI 애플리케이션에 콘텐츠 필터링 및 안전 가드레일을 손쉽게 통합하세요.

스킬 보기
cost-optimization
기타

이 Claude Skill은 리소스 적정화, 태깅 전략, 지출 분석을 통해 개발자들이 클라우드 비용을 최적화할 수 있도록 지원합니다. AWS, Azure, GCP에서 클라우드 비용을 절감하고 비용 거버넌스를 구현하기 위한 프레임워크를 제공합니다. 인프라 비용을 분석하거나, 리소스를 적정화하거나, 예산 제약을 충족해야 할 때 사용하세요.

스킬 보기
sports-betting-analyzer
기타

이 Claude Skill은 스프레드, 오버/언더, 프로프 베트를 포함한 스포츠 베팅 시장을 분석합니다. 역사적 추이와 상황별 통계를 검토하여 가치 베트를 발견하고, 교육적 목적으로 실행 가능한 권장 사항이 담긴 구조화된 마크다운 결과를 제공합니다. 개발자는 이 기능을 스포츠 베팅 분석 도구에 활용할 수 있으며, 단순히 엔터테인먼트/교육 목적으로만 설계되었음을 유의해야 합니다.

스킬 보기
quantizing-models-bitsandbytes
기타

이 스킬은 bitsandbytes를 사용하여 LLM을 8비트 또는 4비트 정밀도로 양자화하며, 최소한의 정확도 손실로 50-75%의 메모리 감소를 달성합니다. 제한된 GPU 메모리에서 더 큰 모델을 실행하거나 추론을 가속화하는 데 이상적이며, INT8, NF4, FP4와 같은 형식을 지원합니다. 이 스킬은 HuggingFace Transformers와 통합되어 QLoRA 학습 및 8비트 옵티마이저를 가능하게 합니다.

스킬 보기