Skip to content
Back to search

create_ML

SkillWorks with Claude CodeGitHub

Varre o código de um projeto, diagnostica se Machine Learning é tecnicamente viável, estima os ganhos, sugere a infra e gera um plano em Markdown (ML_PLANO.md) para outra IA construir o ML sob medida. Agnóstica de banco. Não faz perguntas. Use para "/create_ML", "viabilidade de ML", "dá para colocar ML neste projeto?", "plano de ML", "diagnóstico de ML".

Safety scan

A static text scan, not a guarantee. Select the badge to see what was scanned and every finding.

Badge for your README
findsafeskills safety rating

Markdown

[![findsafeskills safety rating](/api/listings/robsonsnw--create-ml/badge.svg)](/listings/robsonsnw--create-ml)

HTML

<a href="/listings/robsonsnw--create-ml"><img src="/api/listings/robsonsnw--create-ml/badge.svg" alt="findsafeskills safety rating" /></a>

Install

i

What was scanned

The files the safety scan read, as written by the repository's author and shown as plain text. Lines with a finding are marked.

SKILL.md · Manifest · 64 lines
  1. ---
  2. name: create_ML
  3. description: Varre o código de um projeto, diagnostica se Machine Learning é tecnicamente viável, estima os ganhos, sugere a infra e gera um plano em Markdown (ML_PLANO.md) para outra IA construir o ML sob medida. Agnóstica de banco. Não faz perguntas. Use para "/create_ML", "viabilidade de ML", "dá para colocar ML neste projeto?", "plano de ML", "diagnóstico de ML".
  4. ---
  5. # create_ML
  6. Roda sozinha, **sem perguntar nada**, e entrega um diagnóstico + um `ML_PLANO.md` pronto para colar numa IA construtora.
  7. ## Comandos
  8. | Comando | O que faz |
  9. |---|---|
  10. | `/create_ML` | **sem pasta informada, varre tudo a partir da pasta onde o usuário rodou o comando (a pasta atual), incluindo todas as subpastas e arquivos em qualquer profundidade**; diagnostica e grava `ML_PLANO.md` nessa pasta |
  11. | `/create_ML <pasta>` | idem, para outra pasta |
  12. | `/create_ML --rapido` | pula dependências, build e cache (projetos enormes); sem isso varre tudo |
  13. | `/create_ML --so-diagnostico` | só o resumo no terminal, não grava arquivo |
  14. | `/create_ML --saida <arquivo.md>` | grava o plano em outro caminho |
  15. | `/create_ML --foco <caso>` | força o caso de uso (ex.: `--foco classificacao`); sem isso a skill escolhe o melhor |
  16. Argumento ausente = padrão. Nunca pedir confirmação: escolher o padrão e registrar a suposição no plano.
  17. ## Fluxo (executar nesta ordem, sem parar)
  18. 1. **Varrer.** Pasta-alvo = argumento, ou, se ausente, a **pasta atual de trabalho** (nunca perguntar, nunca subir para a pasta-pai). Rodar `python <pasta-da-skill>/scripts/varrer.py <pasta-alvo>` (só stdlib; em Windows usar `python`, em Linux `python3`). A varredura é recursiva e **inclui tudo** (todas as subpastas e arquivos, inclusive dependências, build e ocultos; só ignora os internos do `.git` e arquivos acima de 5 MB, que o JSON informa em `arquivos_grandes_pulados`). Com `--rapido` pula também `node_modules`, `.venv`, `dist`, `build` e caches. Citar o modo usado no plano. Guardar o JSON. Se o script falhar, varrer com Glob/Grep e seguir.
  19. 2. **Confirmar lendo código.** Com o JSON, abrir **no máximo 10 arquivos** (use `offset`/`limit`, não leia arquivo inteiro): os `principais_arquivos` do caso de uso mais forte, o esquema do banco (tabelas centrais), um `chamadas_llm`/`regras_manuais` se existir, o `Dockerfile` e o arquivo do agendador. Objetivo: provar ou derrubar cada candidato do script (ele conta palavras, não entende).
  20. 3. **Escolher casos de uso** (até 3, ranqueados) usando `references/criterios.md`: tipo de problema, rótulo existente, volume, feedback, risco.
  21. 4. **Pontuar viabilidade** nas 5 dimensões de `references/criterios.md` e dar **veredito**: `VIÁVEL AGORA`, `VIÁVEL COM PRÉ-REQUISITOS` ou `NÃO COMPENSA AINDA` (com o que falta e como medir).
  22. 5. **Estimar ganhos** (tabela do `references/criterios.md`): sempre em faixa, com a conta mostrada e a premissa marcada `[premissa]` quando o dado não está no código. Nunca inventar número sem base.
  23. 6. **Sugerir a infra** pela matriz de `references/criterios.md` (a menor que resolve; CPU antes de GPU; reaproveitar o que já existe no projeto).
  24. 7. **Gerar o `ML_PLANO.md`** com o molde de `references/modelo-plano.md`, adaptado ao stack e ao banco achados. Os padrões de construção vêm de `references/padroes-ml.md` (são a parte fixa e testada em produção).
  25. 8. **Responder no terminal** com o resumo curto do bloco "Saída" abaixo.
  26. ## Regras
  27. - **Agnóstica de banco**: o plano descreve o acesso ao ML como uma interface fina (`ler_exemplos`, `gravar_exemplo`, `ler_modelo`, `gravar_modelo`, `config`) e mostra o mapeamento para o banco detectado (Postgres, MySQL, SQLite, Mongo, outro). Se não achar banco, propor SQLite/arquivo e dizer isso.
  28. - **Agnóstica de linguagem**: o treino pode rodar em Python mesmo que o app seja Node/Java/etc. (microserviço ou job). Dizer qual e por quê.
  29. - **Só leitura no projeto do usuário**: a única escrita é o `ML_PLANO.md` (ou o caminho de `--saida`). Não instalar nada, não editar código, não rodar migração.
  30. - **Honestidade**: sem dados rotulados nem como obtê-los, o veredito é `NÃO COMPENSA AINDA` e o plano vira "como começar a coletar". Se o caso de uso for melhor resolvido por regra ou SQL, dizer.
  31. - **Privacidade primeiro**: se `privacidade` do JSON tiver dados pessoais, o plano inclui a seção de anonimização (padrão 5 de `padroes-ml.md`) e cita LGPD/GDPR conforme o contexto.
  32. - **Segredos**: nunca copiar valor de `.env`, chave ou senha para o plano; citar só o nome da variável.
  33. - **Idioma**: o plano e a resposta saem no idioma do usuário (padrão: português com acentos).
  34. - **Monorepo**: se houver vários serviços, diagnosticar o conjunto e apontar em qual serviço o ML entra.
  35. ## Saída no terminal (formato fixo, cabe em uma tela)
  36. ```
  37. VEREDITO: <VIÁVEL AGORA | VIÁVEL COM PRÉ-REQUISITOS | NÃO COMPENSA AINDA> (nota X/100)
  38. Stack: <linguagens, framework, banco>
  39. Melhor caso de uso: <1 linha> | Outros: <até 2>
  40. Ganho estimado: <faixa + unidade> [premissas: ...]
  41. Infra: <1 linha> | Custo extra: <faixa>
  42. Falta antes de começar: <até 3 itens, ou "nada">
  43. Risco principal: <1 linha>
  44. Plano: <caminho do ML_PLANO.md>
  45. Próximo passo: colar o ML_PLANO.md na sua IA e pedir "execute a Fase 1".
  46. ```
  47. ## Arquivos
  48. - `scripts/varrer.py` — scanner (stdlib), devolve JSON de sinais.
  49. - `references/criterios.md` — pontuação, ganhos, matriz de infra, quando não usar ML.
  50. - `references/padroes-ml.md` — padrões de construção testados em produção (sombra, ativação, calibração, anonimização, treino, auditoria).
  51. - `references/modelo-plano.md` — molde do `ML_PLANO.md`.
README.md · README · 46 lines
  1. # create_ML
  2. Skill para o [Claude Code](https://claude.com/claude-code) que responde: **"vale a pena colocar Machine Learning neste projeto?"**
  3. Rode `/create_ML` na raiz do seu projeto. Sem fazer perguntas, ela:
  4. 1. **Varre o código** (linguagens, banco, regras manuais, chamadas a LLM, feedback do usuário, infra, dados pessoais).
  5. 2. **Dá o veredito de viabilidade técnica**, com nota de 0 a 100 em 5 dimensões.
  6. 3. **Estima os ganhos** (custo de LLM evitado, tempo humano, qualidade) em faixas, com a conta à vista.
  7. 4. **Sugere a infra mínima** (CPU antes de GPU, reaproveitando o que já existe).
  8. 5. **Gera o `ML_PLANO.md`**: um prompt em fases para a sua IA construir o ML sob medida.
  9. Varre **tudo** (subpastas, ocultos e dependências; só ignora o `.git` e arquivos acima de 5 MB). Agnóstica de banco e de linguagem. Só lê o seu projeto; a única escrita é o `ML_PLANO.md`.
  10. ## Instalação
  11. ```bash
  12. git clone https://github.com/robsonsnw/create_ML ~/.claude/skills/create_ML
  13. ```
  14. No Windows: `%USERPROFILE%\.claude\skills\create_ML`. Abra uma sessão nova do Claude Code.
  15. ## Comandos
  16. | Comando | O que faz |
  17. |---|---|
  18. | `/create_ML` | varre tudo a partir da pasta onde você rodou (subpastas e arquivos em qualquer profundidade) e grava `ML_PLANO.md` nela |
  19. | `/create_ML <pasta>` | idem, para outra pasta |
  20. | `/create_ML --rapido` | pula dependências, build e cache (projetos enormes); sem isso varre tudo |
  21. | `/create_ML --so-diagnostico` | só o resumo no terminal, sem criar arquivo |
  22. | `/create_ML --saida <arquivo.md>` | grava o plano em outro caminho |
  23. | `/create_ML --foco <caso>` | força o caso de uso (ex.: `classificacao`) |
  24. ## Padrões embutidos
  25. Extraídos de um sistema real em produção: modelo em sombra antes de decidir, ativação por segmento com critérios, auto-reversão, confiança calibrada, anonimização em 3 barreiras, TF-IDF + regressão logística, separação treino/teste por hash, treino versionado, aprendizado com as ações do usuário, camada de acesso fina e tolerante a falha, auditoria de todos os desfechos e liberação gradual.
  26. ## Estrutura
  27. - `SKILL.md`: instruções da skill
  28. - `scripts/varrer.py`: scanner (só biblioteca padrão do Python 3)
  29. - `references/`: critérios, padrões de ML e molde do plano
  30. ## Licença
  31. MIT.

Ratings and comments

Sign in to rate this skill.

Sign in

Free to use. If it’s helped, pass it on.