ml plugins

by Jeremy Longshore

Professional AI/ML Engineering toolkit: Prompt engineering, LLM integration, RAG systems, AI safety with 12 expert plugins

by tonone-ai

Data Science Team — 10 agents: Cast, Feat, Fit, Score, Drift, Vect, Tune, Plot, Clean, Eval

by Claude Code Plugins

Train and optimize machine learning models with automated workflows

by tonone-ai

Engineering + Product + Operations + Legal + Design + Data Science + Security Operations + Developer Experience + Infrastructure Specialist + AI Operations team — 100 agents as Claude Code specialists. Infrastructure, DevOps, backend, security, ML/AI, mobile, UX, analytics, growth, revenue, content, PR, customer success, finance, people, operations, support, contracts, compliance, IP, governance, regulatory, color systems, typography, motion, accessibility, design tokens, forecasting, feature engineering, model training, drift monitoring, vector search, LLM fine-tuning, pen testing, detection engineering, incident response, zero trust, API docs, SDK design, developer onboarding, Kubernetes, Terraform, FinOps, service mesh, edge computing, caching, queuing, multi-cloud, chaos engineering, model deployment, LLM evaluation, AI observability, guardrails, prompt engineering, embeddings, ranking, and more.

by tonone-ai

Data Science Team — 10 agents: Cast, Feat, Fit, Score, Drift, Vect, Tune, Plot, Clean, Eval

by Claude Code Plugins

Train and optimize machine learning models with automated workflows

by tonone-ai

Engineering + Product + Operations + Legal + Design + Data Science + Security Operations + Developer Experience + Infrastructure Specialist + AI Operations team — 100 agents as Claude Code specialists. Infrastructure, DevOps, backend, security, ML/AI, mobile, UX, analytics, growth, revenue, content, PR, customer success, finance, people, operations, support, contracts, compliance, IP, governance, regulatory, color systems, typography, motion, accessibility, design tokens, forecasting, feature engineering, model training, drift monitoring, vector search, LLM fine-tuning, pen testing, detection engineering, incident response, zero trust, API docs, SDK design, developer onboarding, Kubernetes, Terraform, FinOps, service mesh, edge computing, caching, queuing, multi-cloud, chaos engineering, model deployment, LLM evaluation, AI observability, guardrails, prompt engineering, embeddings, ranking, and more.

by Jeremy Longshore

Professional AI/ML Engineering toolkit: Prompt engineering, LLM integration, RAG systems, AI safety with 12 expert plugins

by Jeremy Longshore

Professional AI/ML Engineering toolkit: Prompt engineering, LLM integration, RAG systems, AI safety with 12 expert plugins

by Claude Code Plugins

Train and optimize machine learning models with automated workflows

by GadaaLabs

24 elite skills across 5 layers: discipline, domain expertise, intelligence, coordination, and execution. Turn Claude Code into a proactive engineering partner.

by lcf

Claude Code skill for managing ML experiment task queues with Labtasker

by RapidReview

Lean Codex research-state workflow with hosted MCP research state, typed artifacts, reviews, and cloud SSH sandboxes.

by Jetty AI

Build, run, and monitor AI/ML workflows on Jetty — from prompt to production in 5 minutes.

Операционный плагин AI/ML-харнесса: маршрутизация знания (md vs playbook vs skill vs hook), гигиена библиотеки скиллов и дистилляция. Отвечает на вопрос «надо ли вообще писать скилл», а не «как его написать». Триггеры: «куда это положить», «нужен ли скилл», «оформить как скилл или заметку», «дистиллировать материал», ретро-ревью библиотеки скиллов.

Доменный плагин AI/ML-исследователя: проектирование нейросетей с нуля — выбор семейства архитектуры (MLP/CNN/RNN/Transformer/MoE/SSM/hybrid) под задачу и индуктивный сдвиг, парам-бюджет и скейлинг-законы (total vs active params, tokens-per-param, пять рычагов пост-тренинга), оценка VRAM/pамяти до аренды GPU (веса+KV-кэш+оверхед, 2 байта × 2 копии + overhead) и типовые ловушки (mode collapse, ABI-несовместимость, OOM). Триггеры: «спроектировать сеть», «выбрать архитектуру», «MLP vs Transformer vs MoE», «сколько параметров», «скейлинг-законы», «влезет ли в GPU», «оценка VRAM», «KV-кэш», «mode collapse», «ABI», «OOM».

Доменный плагин AI/ML-исследователя: континуальное обучение и пост-тренинг LLM как единый конвейер стадий — CPT (домен-дообучение) → SFT → RLHF (предпочтения) → RL на рубриках → RLVR (верифицируемые награды) → дистилляция (офлайн и онлайн/on-policy). Для каждой стадии: цель, данные, лосс, верификатор/reward, предпосылки и типовые отказы; плюс порядок стадий (DAG), диагностика «на какой стадии проблема» и антипаттерны конвейера. Триггеры: «пайплайн обучения», «что после SFT», «CPT/continued pretraining», «домен-дообучение», «выбор RLHF vs RLVR vs рубрики», «дистилляция учителя», «on-policy дистилляция», «reward hacking», «mode collapse», «катастрофическое забывание».

Доменный плагин AI/ML-исследователя: LLM-графтинг (трансплантация компонентов между моделями) — прививка/замена слоёв (full attention → GQA/MLA/linear), перенос голов и эмбеддингов, сшивание чекпоинтов разных вендоров, learning-free трансплантация токенизаторов (OMP / token-surgeon), merge/TIES/task arithmetic, LoRA на чужой базе, cross-lingual и domain grafting. Триггеры: «графтинг», «трансплантация», «model surgery», «замени слой», «пришей энкодер», «merge моделей», «TIES», «franken-модель». Содержит разбор рисков: расхождение активаций, ABI/раскладка тензоров, RoPE, деградация базы.

Доменный плагин AI/ML-исследователя: RL-среды оценки знания концептов (реестр Ариадны E1_define…E8_plan_experiment). Одна среда = задача-формат (определение, формула, классификация, извлечение карточки, связь, контраст, починка карточки, план эксперимента) + verifier-паттерн (детерминированный код) + опциональный LLM-судья по рубрике и веса judge_weight/verifiable_weight, плюс k_samples — число сэмплов на задачу для RL-дисперсии. Разбирает контракт verifier'а (float 0..1 либо dict {gate, components, evidence}), шкалу судьи 0–4 и её перевод в task_score, калибровку судьи (Spearman ρ ≥ 0.75), известные дефекты verifier'ов (E4 константный 0.5, E8 заглушка 0.0, E5-адаптер from/to→source/target) и как собрать из сред честный сигнал для оценки знания концептов, arena-лигу и reward для RL. Триггеры: «RL-среда», «RL-окружение», «E1_define», «E4_extract», «verifier», «верификатор ответа», «judge_weight», «verifiable_weight», «k_samples», «оценка знания концептов», «рубрика судьи», «LLM-судья», «arena лига», «task_score», «калибровка судьи», «reward-сигнал для RL».

Доменный плагин AI/ML-исследователя: контракт selfplay-эпизода — как устроена генерация обучающих диалогов между агентом-средой (ENV-AGENT: генерирует задачи, ведёт состояние, даёт промежуточный отклик, грундует факты в базе концептов Ариадны) и обучаемой моделью (SOLVER). Ключевой инвариант: НИ ОДИН агент не назначает финальную награду — reward считает только внешний verifier-конвейер. Формат эпизода JSONL (episode_id/turn/actor/type/content/grounding), машина состояний INIT→TASK→SUBMIT→VERIFY→REWARD→LOG с ABORT, commit-reveal золотого эталона по sha256, режимы M1–M5, сэмплер по леджеру frontier и детекторы вырождения (коллапс, дрейф сложности, сговор env↔solver, length-bias, шаблонный коллапс, нарушение персоны). Связь с fitness/rubric-дисциплиной харнесса: reward = внешний verifier (rubric.rs weighted_total + изоляция судьи + k-сэмплов медиана), веса judge_weight/verifiable_weight = аналог весов критериев. Триггеры: «selfplay-эпизод», «ENV-AGENT», «SOLVER», «контракт эпизода», «JSONL эпизода», «внешний verifier», «reward назначает агент», «commit-reveal», «генерация selfplay-данных», «анти-дегенерация selfplay», «сговор env и solver».

by opencharly

Self-contained skills + MCP wiring for the jupyter image family (jupyter, jupyter-ml, jupyter-ml-notebook, unsloth-studio). Ships the jupyter MCP server (port 8888).