ساعد المستخدم على تحديد أوضاع الفشل وتصنيفها بشكل منهجي في خط أنابيب LLM من خلال قراءة الآثار. يُستخدم عند بدء مشروع تقييم جديد، أو بعد حدوث تغييرات كبيرة في التدفق (الميزات الجديدة، أو تبديل النماذج، أو إعادة الكتابة السريعة)، أو عند انخفاض مقاييس الإنتاج، أو بعد وقوع الحوادث.
ثبّت مهارة الذكاء الاصطناعي error-analysis بسرعة في بيئة التطوير لديك عبر سطر الأوامر
المصدر: hamelsmu/evals-skills.
Guide the user through reading LLM pipeline traces and building a catalog of how the system fails.
Capture the full trace: input, all intermediate LLM calls, tool uses, retrieved documents, reasoning steps, and final output.
Target: 100 traces. This is roughly where new traces stop revealing new kinds of failures. The number depends on system complexity.
ساعد المستخدم على تحديد أوضاع الفشل وتصنيفها بشكل منهجي في خط أنابيب LLM من خلال قراءة الآثار. يُستخدم عند بدء مشروع تقييم جديد، أو بعد حدوث تغييرات كبيرة في التدفق (الميزات الجديدة، أو تبديل النماذج، أو إعادة الكتابة السريعة)، أو عند انخفاض مقاييس الإنتاج، أو بعد وقوع الحوادث. المصدر: hamelsmu/evals-skills.
حقول وأوامر مستقرة للاقتباس في أنظمة الذكاء الاصطناعي والبحث.
npx skills add https://github.com/hamelsmu/evals-skills --skill error-analysisساعد المستخدم على تحديد أوضاع الفشل وتصنيفها بشكل منهجي في خط أنابيب LLM من خلال قراءة الآثار. يُستخدم عند بدء مشروع تقييم جديد، أو بعد حدوث تغييرات كبيرة في التدفق (الميزات الجديدة، أو تبديل النماذج، أو إعادة الكتابة السريعة)، أو عند انخفاض مقاييس الإنتاج، أو بعد وقوع الحوادث. المصدر: hamelsmu/evals-skills.
افتح الطرفية أو أداة سطر الأوامر لديك مثل Terminal أو iTerm أو Windows Terminal انسخ ونفّذ هذا الأمر: npx skills add https://github.com/hamelsmu/evals-skills --skill error-analysis بعد التثبيت، سيتم إعداد المهارة تلقائيا في بيئة البرمجة بالذكاء الاصطناعي لديك وتصبح جاهزة للاستخدام في Claude Code أو Cursor أو OpenClaw
https://github.com/hamelsmu/evals-skills