Rilevamento della deriva statistica e di qualità per applicazioni LLM. Da utilizzare durante il monitoraggio del degrado della qualità del modello, dei cambiamenti nella distribuzione degli input o delle modifiche dei modelli di output nel tempo.
Installa rapidamente la skill AI drift-detection nel tuo ambiente di sviluppo tramite riga di comando
Fonte: yonatangross/orchestkit.
Monitor LLM quality degradation and input/output distribution shifts in production.
| Statistical method | PSI for production (stable), KS for small samples | | Threshold strategy | Dynamic (95th percentile of historical) over static | | Baseline window | 7-30 days rolling window | | Alert priority | Performance metrics > distribution metrics | | Tool stack | Langfuse (traces) + Evidently/Phoenix (drift analysis) |
| < 0.1 | No significant drift | Monitor | | 0.1 - 0.25 | Moderate drift | Investigate | | >= 0.25 | Significant drift | Alert + Action |
Rilevamento della deriva statistica e di qualità per applicazioni LLM. Da utilizzare durante il monitoraggio del degrado della qualità del modello, dei cambiamenti nella distribuzione degli input o delle modifiche dei modelli di output nel tempo. Fonte: yonatangross/orchestkit.
Campi e comandi stabili per citazioni AI/ricerca.
npx skills add https://github.com/yonatangross/orchestkit --skill drift-detectionRilevamento della deriva statistica e di qualità per applicazioni LLM. Da utilizzare durante il monitoraggio del degrado della qualità del modello, dei cambiamenti nella distribuzione degli input o delle modifiche dei modelli di output nel tempo. Fonte: yonatangross/orchestkit.
Apri il tuo terminale o strumento da riga di comando (Terminal, iTerm, Windows Terminal, ecc.) Copia ed esegui questo comando: npx skills add https://github.com/yonatangross/orchestkit --skill drift-detection Dopo l'installazione, la skill verrà configurata automaticamente nel tuo ambiente AI di coding e sarà pronta all'uso in Claude Code, Cursor o OpenClaw
https://github.com/yonatangross/orchestkit