ml-ops-engineer — скилл для Claude Code: развёртывание моделей и мониторинг
Скилл ml-ops-engineer для Claude Code автоматизирует MLOps: развёртывание моделей, оркестрацию тренировочных конвейеров, мониторинг дрифта и настройку feature stores. Помогает закрывать разрывы в CI/CD.
LicenseRef-MIT-Commons-Clause 180 установок ★ 1 183 обновлён 2026-10-23
npx skills add borghei/Claude-Skills --skill ml-ops-engineer -a claude-codeЧто делает ml-ops-engineer
Скилл помогает структурировать весь цикл MLOps: от оценки зрелости (ручные ноутбуки → автоматизированные конвейеры → полный CI/CD) до развёртывания моделей, регистрации артефактов и настройки мониторинга. Перед началом уточняет режим обслуживания (real-time на FastAPI или batch), SLA по задержкам, уровень текущей автоматизации и пороги для алертов дрифта. Это определяет, какую архитектуру выбрать.
Включает готовые примеры: FastAPI-сервер для real-time предсказаний с трекингом задержки, YAML для Kubernetes развёртывания с autoscaling, Python-функции для обнаружения дрифта через тесты Колмогорова — Смирнова, конфигурацию алертов по latency, error rate и accuracy drop, базовую структуру Feast для feature store. Рабочий процесс: сборка конвейера обучения с гейтами на точность, логирование в MLflow, health checks для serving, smoke-тесты и проверка процедуры rollback.
После уточнения входных параметров помощник предложит, какой разрыв в зрелости закрыть первым, и даст конкретные шаги для его заполнения.
Какие задачи решает
- развернуть обученную модель на продакшене с real-time latency SLA
- настроить автоматическую переподготовку при обнаружении дрифта
- логировать версии моделей, метрики и артефакты в единый реестр
- мониторить P99 latency, error rate и distribution shift предсказаний
- построить CI/CD для ML-конвейера от данных до развёртывания
Примеры запросов агенту
- Помоги развернуть fraud-detector в Kubernetes с 3 репликами и автоскейлингом по CPU
- Настрой мониторинг дрифта для feature store с проверками каждый день
- Какие шаги мне нужны, чтобы перейти от ручных ноутбуков к автоматизированному конвейру?
Как установить ml-ops-engineer
1Через Skills CLI (Vercel)
npx skills add borghei/Claude-Skills --skill ml-ops-engineer -a claude-code2Вручную: положить файлы
~/.claude/skills/ml-ops-engineer/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/ml-ops-engineer/
1Через Skills CLI (Vercel)
npx skills add borghei/Claude-Skills --skill ml-ops-engineer -a codex2Вручную: положить файлы
.agents/skills/ml-ops-engineer/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add borghei/Claude-Skills --skill ml-ops-engineer -a cursor2Вручную: положить файлы
.cursor/skills/ml-ops-engineer/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install borghei/Claude-Skills data-analytics/ml-ops-engineer/SKILL.md2Вручную: положить файлы
.github/skills/ml-ops-engineer/SKILL.md1Через Skills CLI (Vercel)
npx skills add borghei/Claude-Skills --skill ml-ops-engineer -a gemini-cli2Командой платформы
gemini skills install https://github.com/borghei/Claude-Skills --path data-analytics/ml-ops-engineerВручную: положить файлы
.devin/skills/ml-ops-engineer/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Через Skills CLI (Vercel)
npx skills add borghei/Claude-Skills --skill ml-ops-engineer -a opencodeClaude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Вопросы о ml-ops-engineer
Как установить ml-ops-engineer в Claude Code?
Выполните npx skills add borghei/Claude-Skills --skill ml-ops-engineer -a claude-code, затем смотрите документацию в ~/.claude/skills/ml-ops-engineer/SKILL.md.
Что делает ml-ops-engineer?
Помогает развернуть модели в продакшене, настроить тренировочные конвейеры, включить мониторинг дрифта, и автоматизировать ML CI/CD. Перед началом уточняет архитектурные решения: режим обслуживания, SLA, текущий уровень автоматизации.
Какие инструменты поддерживаются?
Примеры включают FastAPI для serving, Kubernetes для оркестрации, MLflow для реестра моделей, Feast для feature store, Airflow или Kubeflow для конвейеров, и стандартные инструменты мониторинга (Prometheus, DataDog).