[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M72ZY8BG22JS2C9S701TN0KP":3,"skill-same:01M72ZY8BG22JS2C9S701TN0KP":67},{"skillNo":4,"name":5,"nameZh":6,"description":7,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":16,"categories":17,"keywords":18,"publishedAt":19,"linkOnly":20,"markdownContent":21,"markdownBody":22,"frontMatter":23,"refName":35,"commitSha":36,"skillDirectory":37,"forksCount":38,"repositoryHtmlUrl":39,"repositoryHomepageUrl":6,"ownerHtmlUrl":40,"ownerBlogUrl":6,"ownerDescription":41,"updatedAt":42,"install":43,"resources":56},"01M72ZY8BG22JS2C9S701TN0KP","modal-serverless-gpu",null,"Plataforma GPU serverless em nuvem para executar workloads de ML. Use quando você precisar de acesso GPU sob demanda sem gerenciamento de infraestrutura, fazendo deploy de modelos de ML como APIs, ou executando jobs em batch com auto-scaling.","artubss\u002FSKILLS-CLAUDE-CODE","artubss","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F205203215?v=4","01M72YSJPDWM2V6S5PB6XP6PM9","Arthur Bezerra ","01M72YSJPZKPKRBGXNG8K6QFA8",12,"MIT","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fai-research\u002Finfrastructure-modal\u002FSKILL.md",[],[],"2026-11-11 15:11:14",false,"---\nname: modal-serverless-gpu\ndescription: Plataforma GPU serverless em nuvem para executar workloads de ML. Use quando você precisar de acesso GPU sob demanda sem gerenciamento de infraestrutura, fazendo deploy de modelos de ML como APIs, ou executando jobs em batch com auto-scaling.\nversion: 1.0.0\nauthor: Orchestra Research\nlicense: MIT\ntags: [Infrastructure, Serverless, GPU, Cloud, Deployment, Modal]\ndependencies: [modal>=0.64.0]\n---\n\n# Modal Serverless GPU\n\nGuia completo para executar workloads de ML na plataforma GPU serverless em nuvem do Modal.\n\n## Quando usar Modal\n\n**Use Modal quando:**\n- Executar workloads de ML intensivos em GPU sem gerenciar infraestrutura\n- Fazer deploy de modelos de ML como APIs com auto-scaling\n- Executar jobs de processamento em batch (treinamento, inferência, processamento de dados)\n- Precisar de preços GPU pay-per-second sem custos de ociosidade\n- Prototipando aplicações de ML rapidamente\n- Executar jobs agendados (workloads tipo cron)\n\n**Funcionalidades-chave:**\n- **GPUs Serverless**: T4, L4, A10G, L40S, A100, H100, H200, B200 sob demanda\n- **Nativo em Python**: Define infraestrutura em código Python, sem YAML\n- **Auto-scaling**: Escale a zero, escale para 100+ GPUs instantaneamente\n- **Cold starts sub-segundo**: Infraestrutura baseada em Rust para lançamentos rápidos de containers\n- **Cache de containers**: Camadas de imagem em cache para iteração rápida\n- **Web endpoints**: Faça deploy de funções como APIs REST com atualizações sem downtime\n\n**Use alternativas em vez disso:**\n- **RunPod**: Para pods de execução mais longa com estado persistente\n- **Lambda Labs**: Para instâncias GPU reservadas\n- **SkyPilot**: Para orquestração multi-cloud e otimização de custos\n- **Kubernetes**: Para arquiteturas complexas multi-serviço\n\n## Quick start\n\n### Instalação\n\n```bash\npip install modal\nmodal setup  # Abre navegador para autenticação\n```\n\n### Hello World com GPU\n\n```python\nimport modal\n\napp = modal.App(\"hello-gpu\")\n\n@app.function(gpu=\"T4\")\ndef gpu_info():\n    import subprocess\n    return subprocess.run([\"nvidia-smi\"], capture_output=True, text=True).stdout\n\n@app.local_entrypoint()\ndef main():\n    print(gpu_info.remote())\n```\n\nExecute: `modal run hello_gpu.py`\n\n### Endpoint básico de inferência\n\n```python\nimport modal\n\napp = modal.App(\"text-generation\")\nimage = modal.Image.debian_slim().pip_install(\"transformers\", \"torch\", \"accelerate\")\n\n@app.cls(gpu=\"A10G\", image=image)\nclass TextGenerator:\n    @modal.enter()\n    def load_model(self):\n        from transformers import pipeline\n        self.pipe = pipeline(\"text-generation\", model=\"gpt2\", device=0)\n\n    @modal.method()\n    def generate(self, prompt: str) -> str:\n        return self.pipe(prompt, max_length=100)[0][\"generated_text\"]\n\n@app.local_entrypoint()\ndef main():\n    print(TextGenerator().generate.remote(\"Hello, world\"))\n```\n\n## Conceitos principais\n\n### Componentes-chave\n\n| Componente | Propósito |\n|-----------|---------|\n| `App` | Container para funções e recursos |\n| `Function` | Função serverless com especificações de compute |\n| `Cls` | Funções baseadas em classe com lifecycle hooks |\n| `Image` | Definição de imagem de container |\n| `Volume` | Armazenamento persistente para modelos\u002Fdados |\n| `Secret` | Armazenamento seguro de credenciais |\n\n### Modos de execução\n\n| Comando | Descrição |\n|---------|-------------|\n| `modal run script.py` | Executa e sai |\n| `modal serve script.py` | Desenvolvimento com live reload |\n| `modal deploy script.py` | Deploy persistente em nuvem |\n\n## Configuração de GPU\n\n### GPUs disponíveis\n\n| GPU | VRAM | Melhor para |\n|-----|------|----------|\n| `T4` | 16GB | Inferência com orçamento limitado, modelos pequenos |\n| `L4` | 24GB | Inferência, arquitetura Ada Lovelace |\n| `A10G` | 24GB | Treinamento\u002Finferência, 3.3x mais rápido que T4 |\n| `L40S` | 48GB | Recomendado para inferência (melhor custo\u002Fperformance) |\n| `A100-40GB` | 40GB | Treinamento de modelos grandes |\n| `A100-80GB` | 80GB | Modelos muito grandes |\n| `H100` | 80GB | Mais rápido, FP8 + Transformer Engine |\n| `H200` | 141GB | Auto-upgrade do H100, 4.8TB\u002Fs de largura de banda |\n| `B200` | Latest | Arquitetura Blackwell |\n\n### Padrões de especificação de GPU\n\n```python\n# GPU única\n@app.function(gpu=\"A100\")\n\n# Variante de memória específica\n@app.function(gpu=\"A100-80GB\")\n\n# Múltiplas GPUs (até 8)\n@app.function(gpu=\"H100:4\")\n\n# GPU com fallbacks\n@app.function(gpu=[\"H100\", \"A100\", \"L40S\"])\n\n# Qualquer GPU disponível\n@app.function(gpu=\"any\")\n```\n\n## Imagens de container\n\n```python\n# Imagem básica com pip\nimage = modal.Image.debian_slim(python_version=\"3.11\").pip_install(\n    \"torch==2.1.0\", \"transformers==4.36.0\", \"accelerate\"\n)\n\n# Baseado em CUDA\nimage = modal.Image.from_registry(\n    \"nvidia\u002Fcuda:12.1.0-cudnn8-devel-ubuntu22.04\",\n    add_python=\"3.11\"\n).pip_install(\"torch\", \"transformers\")\n\n# Com pacotes de sistema\nimage = modal.Image.debian_slim().apt_install(\"git\", \"ffmpeg\").pip_install(\"whisper\")\n```\n\n## Armazenamento persistente\n\n```python\nvolume = modal.Volume.from_name(\"model-cache\", create_if_missing=True)\n\n@app.function(gpu=\"A10G\", volumes={\"\u002Fmodels\": volume})\ndef load_model():\n    import os\n    model_path = \"\u002Fmodels\u002Fllama-7b\"\n    if not os.path.exists(model_path):\n        model = download_model()\n        model.save_pretrained(model_path)\n        volume.commit()  # Persistir mudanças\n    return load_from_path(model_path)\n```\n\n## Web endpoints\n\n### Decorator FastAPI endpoint\n\n```python\n@app.function()\n@modal.fastapi_endpoint(method=\"POST\")\ndef predict(text: str) -> dict:\n    return {\"result\": model.predict(text)}\n```\n\n### App ASGI completo\n\n```python\nfrom fastapi import FastAPI\nweb_app = FastAPI()\n\n@web_app.post(\"\u002Fpredict\")\nasync def predict(text: str):\n    return {\"result\": await model.predict.remote.aio(text)}\n\n@app.function()\n@modal.asgi_app()\ndef fastapi_app():\n    return web_app\n```\n\n### Tipos de web endpoint\n\n| Decorator | Caso de uso |\n|-----------|----------|\n| `@modal.fastapi_endpoint()` | Função simples → API |\n| `@modal.asgi_app()` | Apps FastAPI\u002FStarlette completos |\n| `@modal.wsgi_app()` | Apps Django\u002FFlask |\n| `@modal.web_server(port)` | Servidores HTTP arbitrários |\n\n## Dynamic batching\n\n```python\n@app.function()\n@modal.batched(max_batch_size=32, wait_ms=100)\nasync def batch_predict(inputs: list[str]) -> list[dict]:\n    # Inputs automaticamente agrupados em batch\n    return model.batch_predict(inputs)\n```\n\n## Gerenciamento de segredos\n\n```bash\n# Criar segredo\nmodal secret create huggingface HF_TOKEN=hf_xxx\n```\n\n```python\n@app.function(secrets=[modal.Secret.from_name(\"huggingface\")])\ndef download_model():\n    import os\n    token = os.environ[\"HF_TOKEN\"]\n```\n\n## Agendamento\n\n```python\n@app.function(schedule=modal.Cron(\"0 0 * * *\"))  # Diariamente à meia-noite\ndef daily_job():\n    pass\n\n@app.function(schedule=modal.Period(hours=1))\ndef hourly_job():\n    pass\n```\n\n## Otimização de performance\n\n### Mitigação de cold start\n\n```python\n@app.function(\n    container_idle_timeout=300,  # Mantém aquecido por 5 min\n    allow_concurrent_inputs=10,  # Processa requests concorrentes\n)\ndef inference():\n    pass\n```\n\n### Melhores práticas para carregamento de modelos\n\n```python\n@app.cls(gpu=\"A100\")\nclass Model:\n    @modal.enter()  # Executado uma vez no início do container\n    def load(self):\n        self.model = load_model()  # Carrega durante warm-up\n\n    @modal.method()\n    def predict(self, x):\n        return self.model(x)\n```\n\n## Processamento paralelo\n\n```python\n@app.function()\ndef process_item(item):\n    return expensive_computation(item)\n\n@app.function()\ndef run_parallel():\n    items = list(range(1000))\n    # Distribui para containers paralelos\n    results = list(process_item.map(items))\n    return results\n```\n\n## Configuração comum\n\n```python\n@app.function(\n    gpu=\"A100\",\n    memory=32768,              # 32GB RAM\n    cpu=4,                     # 4 cores de CPU\n    timeout=3600,              # 1 hora máximo\n    container_idle_timeout=120,# Mantém aquecido 2 min\n    retries=3,                 # Retry em caso de falha\n    concurrency_limit=10,      # Máximo de containers concorrentes\n)\ndef my_function():\n    pass\n```\n\n## Debug\n\n```python\n# Teste localmente\nif __name__ == \"__main__\":\n    result = my_function.local()\n\n# Ver logs\n# modal app logs my-app\n```\n\n## Problemas comuns\n\n| Problema | Solução |\n|-------|----------|\n| Latência de cold start | Aumente `container_idle_timeout`, use `@modal.enter()` |\n| GPU OOM | Use GPU maior (`A100-80GB`), ative gradient checkpointing |\n| Falha no build de imagem | Fixe versões de dependências, verifique compatibilidade CUDA |\n| Erros de timeout | Aumente `timeout`, adicione checkpointing |\n\n## Referências\n\n- **[Uso Avançado](references\u002Fadvanced-usage.md)** - Multi-GPU, treinamento distribuído, otimização de custos\n- **[Troubleshooting](references\u002Ftroubleshooting.md)** - Problemas comuns e soluções\n\n## Recursos\n\n- **Documentação**: https:\u002F\u002Fmodal.com\u002Fdocs\n- **Exemplos**: https:\u002F\u002Fgithub.com\u002Fmodal-labs\u002Fmodal-examples\n- **Preços**: https:\u002F\u002Fmodal.com\u002Fpricing\n- **Discord**: https:\u002F\u002Fdiscord.gg\u002Fmodal","# Modal Serverless GPU\n\nGuia completo para executar workloads de ML na plataforma GPU serverless em nuvem do Modal.\n\n## Quando usar Modal\n\n**Use Modal quando:**\n- Executar workloads de ML intensivos em GPU sem gerenciar infraestrutura\n- Fazer deploy de modelos de ML como APIs com auto-scaling\n- Executar jobs de processamento em batch (treinamento, inferência, processamento de dados)\n- Precisar de preços GPU pay-per-second sem custos de ociosidade\n- Prototipando aplicações de ML rapidamente\n- Executar jobs agendados (workloads tipo cron)\n\n**Funcionalidades-chave:**\n- **GPUs Serverless**: T4, L4, A10G, L40S, A100, H100, H200, B200 sob demanda\n- **Nativo em Python**: Define infraestrutura em código Python, sem YAML\n- **Auto-scaling**: Escale a zero, escale para 100+ GPUs instantaneamente\n- **Cold starts sub-segundo**: Infraestrutura baseada em Rust para lançamentos rápidos de containers\n- **Cache de containers**: Camadas de imagem em cache para iteração rápida\n- **Web endpoints**: Faça deploy de funções como APIs REST com atualizações sem downtime\n\n**Use alternativas em vez disso:**\n- **RunPod**: Para pods de execução mais longa com estado persistente\n- **Lambda Labs**: Para instâncias GPU reservadas\n- **SkyPilot**: Para orquestração multi-cloud e otimização de custos\n- **Kubernetes**: Para arquiteturas complexas multi-serviço\n\n## Quick start\n\n### Instalação\n\n```bash\npip install modal\nmodal setup  # Abre navegador para autenticação\n```\n\n### Hello World com GPU\n\n```python\nimport modal\n\napp = modal.App(\"hello-gpu\")\n\n@app.function(gpu=\"T4\")\ndef gpu_info():\n    import subprocess\n    return subprocess.run([\"nvidia-smi\"], capture_output=True, text=True).stdout\n\n@app.local_entrypoint()\ndef main():\n    print(gpu_info.remote())\n```\n\nExecute: `modal run hello_gpu.py`\n\n### Endpoint básico de inferência\n\n```python\nimport modal\n\napp = modal.App(\"text-generation\")\nimage = modal.Image.debian_slim().pip_install(\"transformers\", \"torch\", \"accelerate\")\n\n@app.cls(gpu=\"A10G\", image=image)\nclass TextGenerator:\n    @modal.enter()\n    def load_model(self):\n        from transformers import pipeline\n        self.pipe = pipeline(\"text-generation\", model=\"gpt2\", device=0)\n\n    @modal.method()\n    def generate(self, prompt: str) -> str:\n        return self.pipe(prompt, max_length=100)[0][\"generated_text\"]\n\n@app.local_entrypoint()\ndef main():\n    print(TextGenerator().generate.remote(\"Hello, world\"))\n```\n\n## Conceitos principais\n\n### Componentes-chave\n\n| Componente | Propósito |\n|-----------|---------|\n| `App` | Container para funções e recursos |\n| `Function` | Função serverless com especificações de compute |\n| `Cls` | Funções baseadas em classe com lifecycle hooks |\n| `Image` | Definição de imagem de container |\n| `Volume` | Armazenamento persistente para modelos\u002Fdados |\n| `Secret` | Armazenamento seguro de credenciais |\n\n### Modos de execução\n\n| Comando | Descrição |\n|---------|-------------|\n| `modal run script.py` | Executa e sai |\n| `modal serve script.py` | Desenvolvimento com live reload |\n| `modal deploy script.py` | Deploy persistente em nuvem |\n\n## Configuração de GPU\n\n### GPUs disponíveis\n\n| GPU | VRAM | Melhor para |\n|-----|------|----------|\n| `T4` | 16GB | Inferência com orçamento limitado, modelos pequenos |\n| `L4` | 24GB | Inferência, arquitetura Ada Lovelace |\n| `A10G` | 24GB | Treinamento\u002Finferência, 3.3x mais rápido que T4 |\n| `L40S` | 48GB | Recomendado para inferência (melhor custo\u002Fperformance) |\n| `A100-40GB` | 40GB | Treinamento de modelos grandes |\n| `A100-80GB` | 80GB | Modelos muito grandes |\n| `H100` | 80GB | Mais rápido, FP8 + Transformer Engine |\n| `H200` | 141GB | Auto-upgrade do H100, 4.8TB\u002Fs de largura de banda |\n| `B200` | Latest | Arquitetura Blackwell |\n\n### Padrões de especificação de GPU\n\n```python\n# GPU única\n@app.function(gpu=\"A100\")\n\n# Variante de memória específica\n@app.function(gpu=\"A100-80GB\")\n\n# Múltiplas GPUs (até 8)\n@app.function(gpu=\"H100:4\")\n\n# GPU com fallbacks\n@app.function(gpu=[\"H100\", \"A100\", \"L40S\"])\n\n# Qualquer GPU disponível\n@app.function(gpu=\"any\")\n```\n\n## Imagens de container\n\n```python\n# Imagem básica com pip\nimage = modal.Image.debian_slim(python_version=\"3.11\").pip_install(\n    \"torch==2.1.0\", \"transformers==4.36.0\", \"accelerate\"\n)\n\n# Baseado em CUDA\nimage = modal.Image.from_registry(\n    \"nvidia\u002Fcuda:12.1.0-cudnn8-devel-ubuntu22.04\",\n    add_python=\"3.11\"\n).pip_install(\"torch\", \"transformers\")\n\n# Com pacotes de sistema\nimage = modal.Image.debian_slim().apt_install(\"git\", \"ffmpeg\").pip_install(\"whisper\")\n```\n\n## Armazenamento persistente\n\n```python\nvolume = modal.Volume.from_name(\"model-cache\", create_if_missing=True)\n\n@app.function(gpu=\"A10G\", volumes={\"\u002Fmodels\": volume})\ndef load_model():\n    import os\n    model_path = \"\u002Fmodels\u002Fllama-7b\"\n    if not os.path.exists(model_path):\n        model = download_model()\n        model.save_pretrained(model_path)\n        volume.commit()  # Persistir mudanças\n    return load_from_path(model_path)\n```\n\n## Web endpoints\n\n### Decorator FastAPI endpoint\n\n```python\n@app.function()\n@modal.fastapi_endpoint(method=\"POST\")\ndef predict(text: str) -> dict:\n    return {\"result\": model.predict(text)}\n```\n\n### App ASGI completo\n\n```python\nfrom fastapi import FastAPI\nweb_app = FastAPI()\n\n@web_app.post(\"\u002Fpredict\")\nasync def predict(text: str):\n    return {\"result\": await model.predict.remote.aio(text)}\n\n@app.function()\n@modal.asgi_app()\ndef fastapi_app():\n    return web_app\n```\n\n### Tipos de web endpoint\n\n| Decorator | Caso de uso |\n|-----------|----------|\n| `@modal.fastapi_endpoint()` | Função simples → API |\n| `@modal.asgi_app()` | Apps FastAPI\u002FStarlette completos |\n| `@modal.wsgi_app()` | Apps Django\u002FFlask |\n| `@modal.web_server(port)` | Servidores HTTP arbitrários |\n\n## Dynamic batching\n\n```python\n@app.function()\n@modal.batched(max_batch_size=32, wait_ms=100)\nasync def batch_predict(inputs: list[str]) -> list[dict]:\n    # Inputs automaticamente agrupados em batch\n    return model.batch_predict(inputs)\n```\n\n## Gerenciamento de segredos\n\n```bash\n# Criar segredo\nmodal secret create huggingface HF_TOKEN=hf_xxx\n```\n\n```python\n@app.function(secrets=[modal.Secret.from_name(\"huggingface\")])\ndef download_model():\n    import os\n    token = os.environ[\"HF_TOKEN\"]\n```\n\n## Agendamento\n\n```python\n@app.function(schedule=modal.Cron(\"0 0 * * *\"))  # Diariamente à meia-noite\ndef daily_job():\n    pass\n\n@app.function(schedule=modal.Period(hours=1))\ndef hourly_job():\n    pass\n```\n\n## Otimização de performance\n\n### Mitigação de cold start\n\n```python\n@app.function(\n    container_idle_timeout=300,  # Mantém aquecido por 5 min\n    allow_concurrent_inputs=10,  # Processa requests concorrentes\n)\ndef inference():\n    pass\n```\n\n### Melhores práticas para carregamento de modelos\n\n```python\n@app.cls(gpu=\"A100\")\nclass Model:\n    @modal.enter()  # Executado uma vez no início do container\n    def load(self):\n        self.model = load_model()  # Carrega durante warm-up\n\n    @modal.method()\n    def predict(self, x):\n        return self.model(x)\n```\n\n## Processamento paralelo\n\n```python\n@app.function()\ndef process_item(item):\n    return expensive_computation(item)\n\n@app.function()\ndef run_parallel():\n    items = list(range(1000))\n    # Distribui para containers paralelos\n    results = list(process_item.map(items))\n    return results\n```\n\n## Configuração comum\n\n```python\n@app.function(\n    gpu=\"A100\",\n    memory=32768,              # 32GB RAM\n    cpu=4,                     # 4 cores de CPU\n    timeout=3600,              # 1 hora máximo\n    container_idle_timeout=120,# Mantém aquecido 2 min\n    retries=3,                 # Retry em caso de falha\n    concurrency_limit=10,      # Máximo de containers concorrentes\n)\ndef my_function():\n    pass\n```\n\n## Debug\n\n```python\n# Teste localmente\nif __name__ == \"__main__\":\n    result = my_function.local()\n\n# Ver logs\n# modal app logs my-app\n```\n\n## Problemas comuns\n\n| Problema | Solução |\n|-------|----------|\n| Latência de cold start | Aumente `container_idle_timeout`, use `@modal.enter()` |\n| GPU OOM | Use GPU maior (`A100-80GB`), ative gradient checkpointing |\n| Falha no build de imagem | Fixe versões de dependências, verifique compatibilidade CUDA |\n| Erros de timeout | Aumente `timeout`, adicione checkpointing |\n\n## Referências\n\n- **[Uso Avançado](references\u002Fadvanced-usage.md)** - Multi-GPU, treinamento distribuído, otimização de custos\n- **[Troubleshooting](references\u002Ftroubleshooting.md)** - Problemas comuns e soluções\n\n## Recursos\n\n- **Documentação**: https:\u002F\u002Fmodal.com\u002Fdocs\n- **Exemplos**: https:\u002F\u002Fgithub.com\u002Fmodal-labs\u002Fmodal-examples\n- **Preços**: https:\u002F\u002Fmodal.com\u002Fpricing\n- **Discord**: https:\u002F\u002Fdiscord.gg\u002Fmodal",{"name":5,"tags":24,"author":31,"license":15,"version":32,"description":7,"dependencies":33},[25,26,27,28,29,30],"Infrastructure","Serverless","GPU","Cloud","Deployment","Modal","Orchestra Research","1.0.0",[34],"modal>=0.64.0","master","ac67ed85889b15fa9e784e2a93a83f8916870698","skills\u002Fskills\u002Fai-research\u002Finfrastructure-modal",3,"https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE","https:\u002F\u002Fgithub.com\u002Fartubss","Especialista em Automação N8N | Desenvolvedor Full Stack | Integrações & APIs | Soluções para Clínicas e Vendas High-Ticket","2026-05-16 23:21:14",{"source":8,"skillName":5,"commands":44,"prompt":54,"zipAvailable":55},[45,48,51],{"tool":46,"command":47},"npx","npx skills add artubss\u002FSKILLS-CLAUDE-CODE --skill modal-serverless-gpu",{"tool":49,"command":50},"bunx","bunx skills add artubss\u002FSKILLS-CLAUDE-CODE --skill modal-serverless-gpu",{"tool":52,"command":53},"pnpm","pnpm dlx skills add artubss\u002FSKILLS-CLAUDE-CODE --skill modal-serverless-gpu","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fai-research\u002Finfrastructure-modal\u002FSKILL.md",true,[57,63],{"path":58,"resourceType":59,"resourceTypeDesc":60,"sizeBytes":61,"sourceHtmlUrl":62},"references\u002Fadvanced-usage.md","REFERENCE","参考文档",10903,"https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fai-research\u002Finfrastructure-modal\u002Freferences\u002Fadvanced-usage.md",{"path":64,"resourceType":59,"resourceTypeDesc":60,"sizeBytes":65,"sourceHtmlUrl":66},"references\u002Ftroubleshooting.md",10516,"https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fai-research\u002Finfrastructure-modal\u002Freferences\u002Ftroubleshooting.md",[68,77,84,91,98,105],{"skillNo":69,"name":70,"nameZh":6,"description":71,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":72,"licenseFileUrl":73,"sourceHtmlUrl":74,"categories":75,"keywords":76,"publishedAt":19},"01M7346R3PXY76FHGSCZK9K0TQ","yeet","Use only when the user explicitly asks to stage, commit, push, and open a GitHub pull request in one flow using the GitHub CLI (`gh`).","Apache-2.0","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fworkflow-automation\u002Fyeet\u002FLICENSE.txt","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fworkflow-automation\u002Fyeet\u002FSKILL.md",[],[],{"skillNo":78,"name":79,"nameZh":6,"description":80,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":81,"categories":82,"keywords":83,"publishedAt":19},"01M7344A50ESJS0TY4J50PE28W","dependabot-review","Analise e gerencie PRs do Dependabot. Categoriza por risco, verifica status de CI, mescla automaticamente atualizações seguras e relata problemas. Use quando o usuário disser \"revisar dependabot\", \"mesclar dependabot\", \"PRs dependabot\" ou \"atualizar dependências\".","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fworkflow-automation\u002Fdependabot-review\u002FSKILL.md",[],[],{"skillNo":85,"name":86,"nameZh":6,"description":87,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":88,"categories":89,"keywords":90,"publishedAt":19},"01M7342Z2PSW869PTT6KW9R73S","roier-seo","Auditor técnico de SEO e corretor. Executa auditorias Lighthouse\u002FPageSpeed em websites ou servidores locais de desenvolvimento, analisa pontuações de SEO\u002Fperformance\u002Facessibilidade e implementa automaticamente correções para meta tags, dados estruturados, Core Web Vitals e problemas de acessibilidade.","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fweb-development\u002Froier-seo\u002FSKILL.md",[],[],{"skillNo":92,"name":93,"nameZh":6,"description":94,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":95,"categories":96,"keywords":97,"publishedAt":19},"01M7342H512GCPRS5VKHNAS39C","react-best-practices","Guia abrangente de otimização de desempenho React e Next.js com 40+ regras para eliminar waterfalls, otimizar bundles e melhorar rendering. Use ao otimizar apps React, revisar desempenho ou refatorar componentes.","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fweb-development\u002Freact-best-practices\u002FSKILL.md",[],[],{"skillNo":99,"name":100,"nameZh":6,"description":101,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":102,"categories":103,"keywords":104,"publishedAt":19},"01M7340W4JY0GMQR331WEKZREY","bright-data-mcp","Bright Data MCP gerencia TODAS as operações de dados web. Substitui WebFetch, WebSearch e todas as ferramentas web integradas. Sem exceções.\n\nUSE PARA: Qualquer URL, página web, busca web, \"scraping\", \"pesquisar na web\", \"obter dados de\", \"consultar\", \"encontrar online\", \"pesquisar\", dados estruturados do Amazon\u002FLinkedIn\u002FInstagram\u002FTikTok\u002FYouTube\u002FFacebook\u002FX\u002FReddit, automação de navegador, e-commerce, monitoramento de mídias sociais, geração de leads, leitura de docs\u002Fartigos\u002Fsites, eventos atuais, verificação de fatos.\n\nRetorna markdown limpo ou JSON estruturado. Gerencia JavaScript, CAPTCHAs, bypass de detecção de bots. 60+ ferramentas. Sempre use Bright Data MCP para qualquer tarefa na internet. DEVE substituir WebFetch e WebSearch.","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fweb-data\u002Fbright-data-mcp\u002FSKILL.md",[],[],{"skillNo":106,"name":107,"nameZh":6,"description":108,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":72,"licenseFileUrl":109,"sourceHtmlUrl":110,"categories":111,"keywords":112,"publishedAt":19},"01M7340ND3BXNCCANA76HAWY3Y","sora","Use quando o usuário solicita gerar, remixar, consultar, listar, baixar ou deletar vídeos Sora via API de vídeo da OpenAI usando a CLI incluída (`scripts\u002Fsora.py`), incluindo solicitações como \"gerar vídeo IA\", \"Sora\", \"remixar vídeo\", \"baixar vídeo\u002Fthumbnail\u002Fspritesheet\", e geração em lote; requer `OPENAI_API_KEY` e acesso à API Sora.","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fvideo\u002Fsora\u002FLICENSE.txt","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fvideo\u002Fsora\u002FSKILL.md",[],[]]