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
Markdown
[](/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
- ---
- name: create_ML
- 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".
- ---
- # create_ML
- Roda sozinha, **sem perguntar nada**, e entrega um diagnóstico + um `ML_PLANO.md` pronto para colar numa IA construtora.
- ## Comandos
- | Comando | O que faz |
- |---|---|
- | `/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 |
- | `/create_ML <pasta>` | idem, para outra pasta |
- | `/create_ML --rapido` | pula dependências, build e cache (projetos enormes); sem isso varre tudo |
- | `/create_ML --so-diagnostico` | só o resumo no terminal, não grava arquivo |
- | `/create_ML --saida <arquivo.md>` | grava o plano em outro caminho |
- | `/create_ML --foco <caso>` | força o caso de uso (ex.: `--foco classificacao`); sem isso a skill escolhe o melhor |
- Argumento ausente = padrão. Nunca pedir confirmação: escolher o padrão e registrar a suposição no plano.
- ## Fluxo (executar nesta ordem, sem parar)
- 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.
- 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).
- 3. **Escolher casos de uso** (até 3, ranqueados) usando `references/criterios.md`: tipo de problema, rótulo existente, volume, feedback, risco.
- 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).
- 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.
- 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).
- 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).
- 8. **Responder no terminal** com o resumo curto do bloco "Saída" abaixo.
- ## Regras
- - **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.
- - **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.
- - **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.
- - **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.
- - **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.
- - **Segredos**: nunca copiar valor de `.env`, chave ou senha para o plano; citar só o nome da variável.
- - **Idioma**: o plano e a resposta saem no idioma do usuário (padrão: português com acentos).
- - **Monorepo**: se houver vários serviços, diagnosticar o conjunto e apontar em qual serviço o ML entra.
- ## Saída no terminal (formato fixo, cabe em uma tela)
- ```
- VEREDITO: <VIÁVEL AGORA | VIÁVEL COM PRÉ-REQUISITOS | NÃO COMPENSA AINDA> (nota X/100)
- Stack: <linguagens, framework, banco>
- Melhor caso de uso: <1 linha> | Outros: <até 2>
- Ganho estimado: <faixa + unidade> [premissas: ...]
- Infra: <1 linha> | Custo extra: <faixa>
- Falta antes de começar: <até 3 itens, ou "nada">
- Risco principal: <1 linha>
- Plano: <caminho do ML_PLANO.md>
- Próximo passo: colar o ML_PLANO.md na sua IA e pedir "execute a Fase 1".
- ```
- ## Arquivos
- - `scripts/varrer.py` — scanner (stdlib), devolve JSON de sinais.
- - `references/criterios.md` — pontuação, ganhos, matriz de infra, quando não usar ML.
- - `references/padroes-ml.md` — padrões de construção testados em produção (sombra, ativação, calibração, anonimização, treino, auditoria).
- - `references/modelo-plano.md` — molde do `ML_PLANO.md`.
README.md · README · 46 lines
- # create_ML
- Skill para o [Claude Code](https://claude.com/claude-code) que responde: **"vale a pena colocar Machine Learning neste projeto?"**
- Rode `/create_ML` na raiz do seu projeto. Sem fazer perguntas, ela:
- 1. **Varre o código** (linguagens, banco, regras manuais, chamadas a LLM, feedback do usuário, infra, dados pessoais).
- 2. **Dá o veredito de viabilidade técnica**, com nota de 0 a 100 em 5 dimensões.
- 3. **Estima os ganhos** (custo de LLM evitado, tempo humano, qualidade) em faixas, com a conta à vista.
- 4. **Sugere a infra mínima** (CPU antes de GPU, reaproveitando o que já existe).
- 5. **Gera o `ML_PLANO.md`**: um prompt em fases para a sua IA construir o ML sob medida.
- 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`.
- ## Instalação
- ```bash
- git clone https://github.com/robsonsnw/create_ML ~/.claude/skills/create_ML
- ```
- No Windows: `%USERPROFILE%\.claude\skills\create_ML`. Abra uma sessão nova do Claude Code.
- ## Comandos
- | Comando | O que faz |
- |---|---|
- | `/create_ML` | varre tudo a partir da pasta onde você rodou (subpastas e arquivos em qualquer profundidade) e grava `ML_PLANO.md` nela |
- | `/create_ML <pasta>` | idem, para outra pasta |
- | `/create_ML --rapido` | pula dependências, build e cache (projetos enormes); sem isso varre tudo |
- | `/create_ML --so-diagnostico` | só o resumo no terminal, sem criar arquivo |
- | `/create_ML --saida <arquivo.md>` | grava o plano em outro caminho |
- | `/create_ML --foco <caso>` | força o caso de uso (ex.: `classificacao`) |
- ## Padrões embutidos
- 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.
- ## Estrutura
- - `SKILL.md`: instruções da skill
- - `scripts/varrer.py`: scanner (só biblioteca padrão do Python 3)
- - `references/`: critérios, padrões de ML e molde do plano
- ## Licença
- MIT.
Ratings and comments
Sign in to rate this skill.
Sign inFree to use. If it’s helped, pass it on.