cloudflare-temporary-deploy(Cloudflare 临时部署)
io.github.NousResearch/hermes-agent/cloudflare-temporary-deploy
通过 wrangler --temporary 免账号直接上线部署一个 Worker。
“Deploy” 共 723 个结果
io.github.NousResearch/hermes-agent/cloudflare-temporary-deploy
通过 wrangler --temporary 免账号直接上线部署一个 Worker。
io.github.affaan-m/ECC/deployment-patterns
Web 应用的部署工作流、CI/CD 流水线模式、Docker 容器化、健康检查、回滚策略与生产就绪检查清单。在搭建 CI/CD、容器化应用或发布前做生产就绪检查时使用。
io.github.PostHog/posthog/gating-production-deploys
在新增或编辑会向镜像仓库推送容器镜像(经 build-push-action 推 ECR/ghcr/Docker Hub)或触发生产部署(向 PostHog/charts 发起 `commit_state_update` repository_dispatch)的 GitHub Actions 工作流时使用。这类工作流从单一权威部署仓库运行,并由 CD_DEPLOY_ENABLED 变量把关。不适用于发布 GitHub Release、npm、crate 或 Homebrew 的工作流——那些留在公开仓库。
io.github.omnigent-ai/omnigent/docker
在任意 Docker 主机上以 Docker compose 栈(server + Postgres)运行 Omnigent 服务器——笔记本、VPS、手动操作的 EC2,或作为任何容器平台部署的底层。当用户要构建镜像、拉起 compose 栈、调试已有主机上的栈,或为新平台扩展该栈时调用。
io.github.microsoft/ai-agents-for-beginners/deploying-scalable-agents
把可用的 agent 原型带至 Microsoft Foundry 上可扩展、可观测的生产部署。涵盖部署模式(客户端托管、托管 agent、agent 工作流)、agent 生命周期、模型路由、响应缓存、评估门禁、人工审批环节、基于 OpenTelemetry 的可观测性、成本优化,以及用 AI Smoke Test 动作对已部署 agent 做冒烟测试。基于《AI Agents for Beginners》第 16 课。适用于:将 agent 部署到生产、为 agent 扩容、Microsoft Foundry 托管 agent、Foundry Agent Service、模型路由、响应缓存、评估门禁、发布门禁、人工审批工作流、agent 可观测性、agent 追踪、agent 成本优化、对托管 agent 做冒烟测试、生产客服 agent。不适用于:初次构建 agent(请从第 01 课开始)、在本地设备上运行 agent(用 local-ai-agents / 第 17 课)、与 agent 无关的 Azure 基础设施开通、非 Foundry 的部署目标。
io.github.NVIDIA/skills/vss-deploy-detection-tracking-3d
以 MV3DT 模式(`MODE=mv3dt`)部署并运行 RTVI-CV-3D 微服务:逐相机 DeepStream 感知,加上标定相机的 BEV 融合。支持内置样例数据集、自定义视频文件与 RTSP 流;缺少标定时会串联调用 `vss-generate-video-calibration`。完整仓库蓝图请用 `vss-deploy-profile`,单相机 2D 检测请用 `vss-deploy-detection-tracking-2d`。
io.github.pollinations/pollinations/tinybird-deploy
使用 Tinybird Forward CLI 部署 Tinybird 的 pipe 与 datasource,为 enter.pollinations.ai 提供可观测性。
io.github.microsoft/ai-agents-for-beginners/deploying-scalable-agents
把可用的 agent 原型带至 Microsoft Foundry 上可扩展、可观测的生产部署。涵盖部署模式(客户端托管、托管 agent、agent 工作流)、agent 生命周期、模型路由、响应缓存、评估门禁、人工审批环节、基于 OpenTelemetry 的可观测性、成本优化,以及用 AI Smoke Test 动作对已部署 agent 做冒烟测试。基于《AI Agents for Beginners》第 16 课。适用于:将 agent 部署到生产、为 agent 扩容、Microsoft Foundry 托管 agent、Foundry Agent Service、模型路由、响应缓存、评估门禁、发布门禁、人工审批工作流、agent 可观测性、agent 追踪、agent 成本优化、对托管 agent 做冒烟测试、生产客服 agent。不适用于:初次构建 agent(请从第 01 课开始)、在本地设备上运行 agent(用 local-ai-agents / 第 17 课)、与 agent 无关的 Azure 基础设施开通、非 Foundry 的部署目标。
io.github.microsoft/ai-agents-for-beginners/deploying-scalable-agents
把可用的 agent 原型带至 Microsoft Foundry 上可扩展、可观测的生产部署。涵盖部署模式(客户端托管、托管 agent、agent 工作流)、agent 生命周期、模型路由、响应缓存、评估门禁、人工审批环节、基于 OpenTelemetry 的可观测性、成本优化,以及用 AI Smoke Test 动作对已部署 agent 做冒烟测试。基于《AI Agents for Beginners》第 16 课。适用于:将 agent 部署到生产、为 agent 扩容、Microsoft Foundry 托管 agent、Foundry Agent Service、模型路由、响应缓存、评估门禁、发布门禁、人工审批工作流、agent 可观测性、agent 追踪、agent 成本优化、对托管 agent 做冒烟测试、生产客服 agent。不适用于:初次构建 agent(请从第 01 课开始)、在本地设备上运行 agent(用 local-ai-agents / 第 17 课)、与 agent 无关的 Azure 基础设施开通、非 Foundry 的部署目标。
io.github.microsoft/ai-agents-for-beginners/deploying-scalable-agents
把可用的 agent 原型带至 Microsoft Foundry 上可扩展、可观测的生产部署。涵盖部署模式(客户端托管、托管 agent、agent 工作流)、agent 生命周期、模型路由、响应缓存、评估门禁、人工审批环节、基于 OpenTelemetry 的可观测性、成本优化,以及用 AI Smoke Test 动作对已部署 agent 做冒烟测试。基于《AI Agents for Beginners》第 16 课。适用于:将 agent 部署到生产、为 agent 扩容、Microsoft Foundry 托管 agent、Foundry Agent Service、模型路由、响应缓存、评估门禁、发布门禁、人工审批工作流、agent 可观测性、agent 追踪、agent 成本优化、对托管 agent 做冒烟测试、生产客服 agent。不适用于:初次构建 agent(请从第 01 课开始)、在本地设备上运行 agent(用 local-ai-agents / 第 17 课)、与 agent 无关的 Azure 基础设施开通、非 Foundry 的部署目标。
io.github.jeremylongshore/claude-code-plugins-plus-skills/kubernetes-deployment-creator
创建 Deployment 相关操作,属于 DevOps Advanced 的自动激活 skill。在部署应用或服务时使用。触发词:kubernetes deployment creator、kubernetes creator、deploy kubernetes。
io.github.jeremylongshore/claude-code-plugins-plus-skills/portaljs-deploy
把 PortalJS 门户部署到 PortalJS Arc——由 Datopian 基于 Cloudflare 管理的静态托管。构建静态导出并上传,返回可访问的 <slug>.arc.portaljs.com 地址。一条命令,一个目标。
io.github.Vincentqyw/image-matching-webui/deploy-hf
发布新的 imcui 版本并部署到 HuggingFace Spaces(测试环境 → 生产环境)。当用户要求发布、部署或推送新版本时调用。
io.github.jeremylongshore/claude-code-plugins-plus-skills/coreweave-deploy-integration
用 Helm chart 与 Kustomize 在 CoreWeave 上部署推理服务。用于部署多模型推理、大规模管理 GPU 部署,或模板化 CoreWeave manifest。触发语如 “deploy coreweave”、“coreweave helm”、“coreweave kustomize”、“coreweave deployment patterns”。
io.github.jeremylongshore/claude-code-plugins-plus-skills/figma-deploy-integration
将 Figma 驱动的应用部署到 Vercel、Cloud Run 与 Fly.io。用于把 webhook 接收端、design token API 或连接 Figma 的 Web 应用部署到生产平台。触发语如 “deploy figma”、“figma Vercel”、“figma production deploy”、“figma Cloud Run”。
io.github.microsoft/skills/deploy-model
统一的 Azure OpenAI 模型部署 skill,按意图智能路由。支持快捷预设部署、完全自定义部署(版本/SKU/容量/RAI 策略),以及跨地域与项目的容量查询。适用:deploy model、deploy gpt、创建部署、模型部署、部署 openai 模型、初始化模型、预置模型、查容量、查模型可用性、该在哪个地域部署、容量分析。不适用:列出现有部署(请用 foundry_models_deployments_list MCP 工具)、删除部署、创建 agent(用 agent/create)、创建项目(用 project/create)。
io.github.NVIDIA/Model-Optimizer/deployment
用 vLLM、SGLang 或 TRT-LLM,把量化或未量化的 LLM checkpoint 作为 OpenAI 兼容 API 端点提供服务。当用户说「部署模型」「服务模型」「启动 vLLM 服务器」「launch SGLang」「TRT-LLM 部署」「AutoDeploy」「压测吞吐」「serve checkpoint」,或需要从 HuggingFace/ModelOpt 量化 checkpoint 起一个推理端点时使用。不要用于模型量化(用 ptq)或精度评估(用 evaluation)。
io.github.sickn33/antigravity-awesome-skills/expo-deployment
使用 EAS 将 Expo 应用部署到生产环境——构建并提交到 iOS App Store、Google Play Store 与 TestFlight,配置 eas.json 的 build 与 submit profile,管理应用版本与构建号,发布 App Store 元数据与 ASO,并通过 EAS 部署 Web bundle 与 API 路由等。
io.github.jeremylongshore/claude-code-plugins-plus-skills/databricks-deploy-integration
用 Declarative Automation Bundles 部署 Databricks 作业与数据管道。用于跨环境部署作业、管理部署或搭建部署自动化。触发语如 “databricks deploy”、“asset bundles”、“databricks deployment”、“deploy to production”、“bundle deploy”。
io.github.google/skills/agent-platform-deploy
从 Model Garden 部署开放模型或自定义权重到 Agent Platform 端点,检查部署状态、验证 serving 端点,或通过卸载模型与删除端点清理资源。当被要求部署 Agent Platform 模型、列出可用 Model Garden 模型、检查模型可部署性、查询部署成本、排查部署错误(如配额限制),或卸载/清理端点时使用。复制并部署 1P Tuned Model 时也使用。不用于公共 Vertex AI 部署(用 `vertex-deploy` 技能)或运行模型评测(用 `agent-platform-eval` 技能)。
io.github.mukul975/Anthropic-Cybersecurity-Skills/deploying-honeytokens-and-canarytokens
布设 canarytokens 与蜜罐凭据并在泄露时告警。
io.github.expo/skills/expo-deployment
使用 EAS 将 Expo 应用部署到生产环境——构建并提交到 iOS App Store、Google Play 商店和 TestFlight,配置 eas.json 的构建与提交配置文件,管理应用版本与构建号,发布商店元数据与 ASO,并通过 EAS Hosting 部署 Web 包和 API 路由。适用于准备生产构建、运行 eas build 或 eas submit、发布到 TestFlight、应用商店发布或灰度、递增版本号/构建号或设置 Expo 应用的商店列表元数据
io.github.mukul975/Anthropic-Cybersecurity-Skills/deploying-decoy-files-for-ransomware-detection
在文件系统中部署金丝雀文件(蜜标)以实时检测勒索软件的加密活动。通过文件完整性监控或操作系统级看门狗监视精心放置的诱饵文档,在勒索软件修改或加密时触发告警。适用于涉及勒索软件金丝雀部署、蜜罐文件设置、基于欺骗的勒索软件检测,或加密的文件完整性监控等请求。
io.github.mukul975/Anthropic-Cybersecurity-Skills/deploying-ransomware-canary-files
借助 Python 的 watchdog 库做实时文件系统事件检测,在关键目录中部署并监控勒索软件诱饵(canary)文件。放置按精心命名、模仿高价值目标(财务记录、凭据、数据库导出)的诱饵文件,位置选在勒索软件通常会优先枚举的目录。一旦监控到对诱饵文件的读取、修改、重命名或删除操作,就通过邮件、Slack webhook 或 syslog 立即告警,在全面加密开始之前给出早期预警。