Create Atomic Schema
Skill Verifiziert AktivEntwerfen und schreiben Sie ein `BaseIOSchema`-Eingabe-/Ausgabepaar für einen Atomic Agents-Agenten oder ein Tool – Docstrings, Feld-Beschreibungen, Validatoren, Fehler-Varianten. Verwenden Sie dies, wenn der Benutzer nach "Schema erstellen", "Eingabe-/Ausgabe-Schema entwerfen", "`IOSchema` definieren", "`BaseIOSchema` schreiben", "Modellieren der Agentenausgabe" fragt oder `/atomic-agents:create-atomic-schema` ausführt.
Zur Rationalisierung der Erstellung robuster und gut dokumentierter Eingabe-/Ausgabeschemata für Atomic Agents, um Konsistenz und Wartbarkeit bei der Entwicklung von KI-Anwendungen zu gewährleisten.
Funktionen
- Leitet das Schema-Design mit klaren Phasen (klären, schreiben, verifizieren).
- Erzwingt Docstrings und Feld-Beschreibungen für die LLM-Integration.
- Demonstriert diskriminierte Unions und die Verwendung von Validatoren.
- Stellt eine minimale Vorlage für eine schnelle Schemaimplementierung bereit.
Anwendungsfälle
- Wenn ein Benutzer nach der Erstellung oder Definition eines Schemas für einen Agenten oder ein Tool fragt.
- Beim Ändern eines vorhandenen Schemas mit neuen Feldern oder Fehler-Varianten.
- Wenn sichergestellt wird, dass Schemata für die LLM-Interpretation ordnungsgemäß dokumentiert sind.
Nicht-Ziele
- Bearbeitung allgemeiner Fragen zum Atomic Agents-Framework (verwenden Sie die übergreifende Fähigkeit).
- Implementierung komplexer Validatoren oder fortgeschrittener Pydantic-Muster, die über den Bereich der Schema-Definition hinausgehen.
- Schreiben der eigentlichen Agenten- oder Tool-Logik, die das Schema verwendet.
Workflow
- Klare den Aufrufer, die Richtung, die Felder und die Fehlerfälle.
- Schreiben Sie Schemata an konventionellen Stellen unter Verwendung von `BaseIOSchema` und `Field` mit Beschreibungen.
- Verifizieren Sie, dass Schema-Importe sauber sind und die Round-Trip-Überprüfung über `model_json_schema()` erfolgreich durchlaufen.
- Übergabe an den Benutzer mit Importorten und nächsten Schritten (Agent, Tool, Anbieter).
Praktiken
- Schema-Design
- Code-Dokumentation
- Typsicherheit
Installation
Zuerst Marketplace hinzufügen
/plugin marketplace add BrainBlend-AI/atomic-agents/plugin install atomic-agents@brainblend-pluginsQualitätspunktzahl
VerifiziertVertrauenssignale
Ähnliche Erweiterungen
Create Atomic Tool
99Erstellen Sie eine `BaseTool[InSchema, OutSchema]`-Unterklasse — Eingabe-/Ausgabeschemata, `BaseToolConfig`, `run()` (und optional `run_async()`), umgebungsgesteuerte Geheimnisse, typisierte Fehler-Outputs. Verwenden Sie dies, wenn der Benutzer fragt, "ein Werkzeug hinzuzufügen", "ein Werkzeug zu erstellen", "eine API als Werkzeug zu verpacken", "eine `BaseTool` zu bauen", "ein Werkzeug für Berechnungen/Suche/Wetter zu erstellen" oder `/atomic-agents:create-atomic-tool` ausführt.
Instructor
98Extract structured data from LLM responses with Pydantic validation, retry failed extractions automatically, parse complex JSON with type safety, and stream partial results with Instructor - battle-tested structured output library
Instructor
75Extract structured data from LLM responses with Pydantic validation, retry failed extractions automatically, parse complex JSON with type safety, and stream partial results with Instructor - battle-tested structured output library
Embedding Strategies
100Select and optimize embedding models for semantic search and RAG applications. Use when choosing embedding models, implementing chunking strategies, or optimizing embedding quality for specific domains.
Aws Cdk Development
100AWS Cloud Development Kit (CDK) Experte für den Aufbau von Cloud-Infrastruktur mit TypeScript/Python. Verwenden Sie dies beim Erstellen von CDK-Stacks, Definieren von CDK-Konstrukten, Implementieren von Infrastructure as Code oder wenn der Benutzer CDK, CloudFormation, IaC, cdk synth, cdk deploy erwähnt oder AWS-Infrastruktur programmatisch definieren möchte. Behandelt CDK-App-Struktur, Konstruktmuster, Stack-Komposition und Bereitstellungs-Workflows.
Fit Drift Diffusion Model
100Fit cognitive drift-diffusion models (Ratcliff DDM) to reaction time and accuracy data with parameter estimation (drift rate, boundary separation, non-decision time), model comparison, and parameter recovery validation. Use when modeling binary decision-making with reaction time data, estimating cognitive parameters from experimental data, comparing sequential sampling model variants, or decomposing speed-accuracy tradeoff effects into latent cognitive components.