“3D Models” 共 118 个结果
io.github.camunda/camunda/frontend-integration-test
在 orchestration cluster webapp 中编写、修改或调试 Playwright 测试时使用——集成测试、视觉回归或无障碍测试；涉及 MSW mock、Page Object Model 或 axe-core。测试目录：webapp/client/apps/orchestration-cluster-webapp/test/。
io.github.Klotzkette/claude-fuer-deutsches-recht/pdf-bericht-erzeugen
将 3D 审查结果生成为 PDF 报告：摘要、表格、风险红绿灯。适用规范：《破产法》（InsO）第 174 条及以下。审查清单：报告内容完整性、版式、签名栏。输出：3D 表格审查 PDF 报告。边界：不含 Excel 导出。
io.github.aristoteleo/PantheonOS/database_access
用于从基因组、转录组、三维基因组与癌症基因组数据库查询并下载数据的技能。涵盖对公共仓库的编程访问、基因注释、序列检索、处理后的功能基因组学轨道、Hi-C / Micro-C 接触矩阵、TCGA 风格队列以及大规模单细胞数据。
io.github.affaan-m/ECC/remotion-video-creation
Remotion 最佳实践——用 React 创作视频。包含 29 条领域专属规则，覆盖 3D、动画、音频、字幕、图表、转场等。
io.github.affaan-m/ECC/remotion-video-creation
Remotion 最佳实践 - 在 React 中创建视频。29 条领域特定规则，涵盖 3D、动画、音频、字幕、图表、过渡等。
io.github.midudev/autoskills/python-executor
通过 [inference.sh](https://inference.sh) 在安全沙箱环境中执行 Python 代码。预装：NumPy、Pandas、Matplotlib、requests、BeautifulSoup、Selenium、Playwright、MoviePy、Pillow、OpenCV、trimesh 及 100 多个其他库。适用于：数据处理、网页抓取、图像编辑、视频创作、3D 模型处理、PDF 生成、API 调用、自动化脚本。触发词：python、执行代码、运行脚本、网页抓取、数据分析、图像处理、视频剪辑、3D 模型、自动化、pandas、matplotlib。
io.github.openakita/openakita/python-executor
通过 [inference.sh](https://inference.sh) 在安全的沙箱环境中执行 Python 代码。预装：NumPy、Pandas、Matplotlib、requests、BeautifulSoup、Selenium、Playwright、MoviePy、Pillow、OpenCV、trimesh 及 100+ 其他库。适用：数据处理、网页抓取、图像操作、视频创作、3D 模型处理、PDF 生成、API 调用、自动化脚本。触发词：python、execute code、run script、web scraping、data analysis、image processing、video editing、3D models、automation、pandas、matplotlib
io.github.calesthio/OpenMontage/manimce-best-practices
触发条件:(1) 用户提到 "manim"、"Manim Community" 或 "ManimCE";(2) 代码包含 `from manim import *`;(3) 用户运行 manim CLI 命令;(4) 使用 Scene、MathTex、Create() 等 ManimCE 类。Manim 社区版(社区维护的 Python 动画引擎)最佳实践,涵盖 Scene 结构、动画、LaTeX/MathTex、3D(ThreeDScene)、相机控制、样式与 CLI 用法。不适用于 ManimGL/3b1b 版(使用 manimlib 导入与 manimgl CLI)。
io.github.vercel-labs/json-render/react-three-fiber
json-render 的 React Three Fiber 3D 渲染器。在使用 @json-render/react-three-fiber、从 JSON spec 构建 3D 场景、渲染网格/灯光/模型/环境，或将 Three.js 与 json-render 目录集成时使用。
io.github.davila7/claude-code-templates/fastapi-endpoint
以面试式规划先行，构建生产级 FastAPI 接口：异步 SQLAlchemy、Pydantic v2 模型、用于认证的依赖注入以及 pytest 测试。写代码前先澄清数据模型、认证方式、分页策略与缓存方案。
io.github.skypilot-org/skypilot/skypilot
在启动云端 VM、Kubernetes pod 或 Slurm 作业以承载 GPU/TPU/CPU 负载、在云端 GPU 上训练或微调模型、部署带自动扩缩的推理服务（vllm、TGI 等）、编写或调试 SkyPilot 任务 YAML、用 spot/抢占式实例节省成本、跨云比较 GPU 价格、统一管理 25+ 云服务以及 Kubernetes、Slurm 与本地集群并在其间故障切换、排查资源可用性或 SkyPilot 错误、优化成本与 GPU 可用性，或迁移既有 Slurm 工作负载（把 sbatch 脚本、salloc 会话、job array 或 srun 调用转换为 SkyPilot 任务 YAML，并把 Slurm 命令、指令与 SLURM_* 环境变量映射到对应的 SkyPilot 写法）时使用。
io.github.alirezarezvani/claude-skills/senior-ml-engineer
面向将模型产品化的 ML 工程技能，涵盖 MLOps 流水线构建与 LLM 集成。包括模型部署、特征存储、漂移监控、RAG 系统与成本优化。当用户询问向生产部署 ML 模型、搭建 MLOps 基础设施（MLflow、Kubeflow、Kubernetes、Docker）、监控模型性能或漂移、构建 RAG 流水线，或集成带重试逻辑与成本控制的 LLM API 时使用。聚焦生产与运维，而非模型研究或初始训练。
io.github.openai/codex/openai-docs
用于 Codex 模型/定价、定时任务、skills、设置、安装、排障、定制、自动化与自我知识——包括指代 Codex 的“you”“your”“this app”“this coding agent”——以及 OpenAI API/产品与 ChatGPT Work 的问题。也用于模型选型/迁移、prompt 撰写、SDK、Responses、Realtime、agents、evals 以及 Chat/Work/Codex 的对比。仅提到 Codex 的普通应用/软件任务不适用。
io.github.vllm-project/vllm/model-recipes
Find vLLM deployment recipes and configs for LLMs and Hugging Face models by model and hardware. Use for recipe lookup, creation, and updates.
io.github.lobehub/lobehub/lobe-design
Single entry for LobeHub UI design work. Routes any instruction — macro ("重做这个后台", "整体打磨一下"), medium ("把列表页的交互和空态补齐") or fine ("这个按钮颜色不对", "修 K-07") — into a business-first, layered pipeline of focused stages: 00 brief → 05 init → 10 decode → 20 direction → 30 structure → 40 flow → 50 visual → 60 system → 70 detail → 75 copy → 80 review. Covers seven scenarios: 0→1 visual pages (landing / portfolio / campaign), polishing existing product UI, admin consoles / dashboards / forms / workflows, design-system unification, screenshot restoration, pre-launch audit, and project bootstrap (AGENTS.md). Grounded in classic analysis models (double diamond, Gestalt, Nielsen heuristics, Kano, peak-end, Fogg, journey map, cognitive load) and in a layered component boundary: take atoms from @lobehub/ui, build business composites yourself. Built on @lobehub/ui, @lobehub/ui/form, @lobehub/ui/pro-table, cssVar tokens, @lobehub/charts / icons / fluent-emoji / streamdown, with runnable lint, route, refs and bootstrap checks; in-pr
io.github.fastapi/fastapi/fastapi
FastAPI 最佳实践与约定。在处理 FastAPI 接口、Pydantic 模型、依赖、包含 Server-Sent Events（SSE）的流式响应，以及托管前端应用时使用。让 FastAPI 代码保持整洁并跟上最新的特性与模式。
io.github.stas00/ml-engineering/ml-engineering
Field-tested methodology and concrete recipes for training and operating large-scale LLM/VLM/multi-modal models end to end - choosing and benchmarking accelerators, storage and network; SLURM/Kubernetes orchestration; maximizing training throughput and fitting models in memory; diagnosing and surviving training instabilities, NaN/Inf, and hardware/job failures; checkpointing and fault tolerance; inference performance and memory; debugging multi-node/ multi-GPU hangs; and writing/running tests. Use when the user is training or fine-tuning large models, hits low TFLOPS/MFU, OOM, slow dataloading, a loss spike/divergence, a NCCL/InfiniBand or multi-node hang, node/GPU failures, checkpoint or preemption problems, storage/network bottlenecks, or needs to pick GPUs/cloud/file-systems or size inference latency/throughput. Distilled from "Machine Learning Engineering", the latest version of which can be found at https://github.com/stas00/ml-engineering The latest SKILL.md version can be found at https://github.com/st
io.github.browser-use/browser-use/open-source
基于 browser-use 开源库编写 Python 代码的文档参考。凡涉及 Agent、Browser、Tools 配置、导入 browser_use 的代码、@sandbox 部署、支持的 LLM 模型、Actor API、自定义 tools、lifecycle hooks、MCP 服务器搭建、Laminar 或 OpenLIT 监控/可观测性，以及 browser-use 安装、prompt 策略、敏感数据处理时都适用。不适用于 Cloud API/SDK 用法与定价——用 cloud skill；也不适用于通过 CLI 命令直接驱动浏览器——用 browser-use skill。
io.github.K-Dense-AI/scientific-agent-skills/gtars
在 Python、Rust 与 CLI 中使用 Gtars 完成本地基因组区间模型与集合代数、重叠与计数、consensus 与覆盖度、tokenization、片段处理，以及 refget/BEDbase 规划。
io.github.K-Dense-AI/scientific-agent-skills/modal
Modal 是按需运行 Python（含按需 GPU）的无服务器云平台。在使用 Modal SDK 部署或托管 AI/ML 模型、运行 GPU 加速负载（训练、微调、推理）、托管 Web 端点、调度批处理任务，或将 Python 代码扩展到云容器时使用。
io.github.coollabsio/coolify/infer-conventions
Use this skill to analyze how a Laravel application is actually written and record its conventions as shared rules. Trigger when the user wants to detect, infer, document, or standardize project conventions or coding style, set up or grow `.ai/rules`, resolve mixed or conflicting patterns (e.g. "are we using Form Requests or inline validation?"), or onboard agents and teammates to "how we do things here". Covers: a systematic sweep of ~49 Laravel convention dimensions (validation, models, architecture, testing, frontend, database, console), open-ended house-pattern discovery, conflict reporting, and recording rules scoped to the right paths via the Boost `record-rule` MCP tool. Only run this skill when the user explicitly asks for it; never start a sweep as part of another task. Do not use for one-off code review, enforcing formatting a linter already handles, or editing `.ai/rules` files by hand.
io.github.coollabsio/coolify/laravel-best-practices
在编写、审查或重构 Laravel PHP 代码时使用。包括创建或修改控制器、模型、迁移、表单请求、策略、任务、定时命令、服务类与 Eloquent 查询。涉及 N+1 与查询性能、缓存策略、授权与安全模式、校验、错误处理、队列与任务配置、路由定义和架构决策时触发。也用于 Laravel 代码审查及将现有 Laravel 代码重构至最佳实践。覆盖一切 Laravel 后端 PHP 代码模式的任务。
skillsmp.stas00-ml-engineering-skill-md
端到端训练与运维大规模 LLM/VLM/多模态模型的实战方法论与具体配方——选择并基准测试加速器、存储与网络；SLURM/Kubernetes 编排；最大化训练吞吐并在显存内装下模型；诊断并撑过训练不稳定、NaN/Inf 与硬件/作业故障；检查点与容错；推理性能与显存；调试多节点/多卡挂起；以及编写/运行测试。当用户在训练或微调大模型、遭遇低 TFLOPS/MFU、OOM、数据加载缓慢、损失尖峰/发散、NCCL/InfiniBand 或多节点挂起、节点/GPU 故障、检查点或抢占问题、存储/网络瓶颈，或需要挑选 GPU/云/文件系统，或估算推理延迟/吞吐时使用。提炼自《Machine Learning Engineering》，最新版本见 https://github.com/stas00/ml-engineering。
io.github.sickn33/agentic-awesome-skills/model-serving-kubernetes
Deploy ML models on Kubernetes with KServe (formerly KFServing) and NVIDIA Triton Inference Server.
