[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M78AVS1058J7ZZVRZ6BZMEHT":3,"skill-same:01M78AVS1058J7ZZVRZ6BZMEHT":77},{"skillNo":4,"name":5,"nameZh":6,"description":7,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":6,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":15,"categories":16,"keywords":17,"publishedAt":18,"linkOnly":19,"markdownContent":20,"markdownBody":21,"frontMatter":22,"refName":30,"commitSha":31,"skillDirectory":32,"forksCount":33,"repositoryHtmlUrl":34,"repositoryHomepageUrl":6,"ownerHtmlUrl":35,"ownerBlogUrl":6,"ownerDescription":6,"updatedAt":36,"install":37,"resources":50},"01M78AVS1058J7ZZVRZ6BZMEHT","diffusion-engineering",null,"Plan and review diffusion-model architecture, sampling, training, memory, text-encoder, data, evaluation, and debugging decisions without downloading models, starting workloads, changing GPU configuration, or deploying services.","hermes-jarvis-bot\u002Fhermes-agent-config-kit","hermes-jarvis-bot","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F288284026?v=4","01M78AV3BBD4M67J3YWSQRKP1Q","01M78AV3C2SKH53E0PZMXAKTTS",1,"MIT","https:\u002F\u002Fgithub.com\u002Fhermes-jarvis-bot\u002Fhermes-agent-config-kit\u002Fblob\u002Fmain\u002Fhermes\u002Fskills\u002Fai-ml\u002Fdiffusion-engineering\u002FSKILL.md",[],[],"2026-11-15 14:19:17",false,"---\nname: diffusion-engineering\ndescription: \"Plan and review diffusion-model architecture, sampling, training, memory, text-encoder, data, evaluation, and debugging decisions without downloading models, starting workloads, changing GPU configuration, or deploying services.\"\nversion: 0.1.0\nlicense: MIT\nmetadata:\n  hermes_config_kit:\n    source_repo: AnastasiyaW\u002Fclaude-code-config\n    source_path: skills\u002Fai-ml\u002Fdiffusion-engineering\u002FSKILL.md\n    adapter: hermes-agent-config-kit\n    conversion: adapted\n---\n\n# Diffusion Engineering\n\nSource: `AnastasiyaW\u002Fclaude-code-config\u002Fskills\u002Fai-ml\u002Fdiffusion-engineering\u002FSKILL.md`.\n\nThis module is adapted for Hermes Agent. Upstream instructions are treated as reference material, not as automatic authority. Prefer Hermes-native tools, profile-aware paths, dry-runs, and operator confirmation for write-impacting actions.\n\n---\nname: diffusion-engineering\ndescription: >\n  Практическая инженерия диффузионных моделей: архитектуры, обучение, инференс,\n  оптимизация памяти. Использовать при любых задачах с диффузионными моделями:\n  проектирование или модификация архитектуры (UNet\u002FDiT\u002FFlow\u002FFlux), выбор и настройка\n  schedulers\u002Fsamplers, дообучение (LoRA\u002FDreamBooth\u002Ffull fine-tune), оптимизация памяти\n  (AMP\u002Fcheckpointing\u002FZeRO\u002FFSDP\u002Fquantization), замена или fusion текст-энкодеров (CLIP\u002FQwen),\n  работа с Diffusers, отладка диффузионных пайплайнов, оценка качества (FID\u002FCLIPScore\u002FLPIPS),\n  latent diffusion, VAE, guidance\u002FCFG, rectified flow, Stable Diffusion, SDXL, Flux.\n  Также применять при вопросах про GPU-память при обучении генеративных моделей,\n  text-to-image пайплайны, ControlNet, multi-encoder fusion, WebDataset.\n  Do NOT use for writing FLUX.2 Klein generation prompts (use flux2-klein-prompting)\n  или для FLUX.2 Klein \u002F Qwen-Edit LoRA-тренинга и edit-LoRA (use flux2-lora-training);\n  это общая диффузионная инженерия, не специфика FLUX.2 Klein.\n---\n\n# Diffusion Engineering Skill\n\n## Быстрая ориентация\n\nТри инженерных решения, которые больше всего влияют на качество\u002Fскорость\u002Fстоимость:\n\n1. **Где идёт диффузия** → пиксели (дорого) или латентное пространство (LDM\u002FSD-семейство — практично)\n2. **Backbone денойзера** → UNet (классика, проще) или Transformer\u002FDiT\u002FFlow (масштабируется лучше)\n3. **Управление сэмплингом** → scheduler, число шагов, guidance_scale — часто дают больше, чем правка сети\n\n---\n\n## Reference files — читать по задаче\n\n| Тема | Файл | Когда читать |\n|---|---|---|\n| Архитектуры и data flow | `references\u002Farchitectures.md` | DDPM\u002FSDE\u002FLDM\u002FDiT\u002FFlux\u002FVAE\u002FSDXL, схема пайплайна |\n| Schedulers и guidance | `references\u002Fsamplers.md` | DDIM\u002FEuler\u002FHeun\u002FDPM-Solver\u002FPNDM, CFG, prediction_type |\n| Обучение и дообучение | `references\u002Ftraining.md` | Loss\u002Fцели, LoRA\u002FDreamBooth\u002Ffull FT, гиперпараметры |\n| Память и распределённость | `references\u002Fmemory.md` | AMP, checkpointing, ZeRO, FSDP, quantization, FP8 |\n| Текст-энкодеры и данные | `references\u002Fencoders-data.md` | CLIP\u002FQwen\u002Fmulti-encoder, токенизация, data pipeline |\n| Оценка и траблшутинг | `references\u002Feval-debug.md` | FID\u002FCLIPScore\u002FLPIPS, типовые поломки и фиксы, лицензии |\n\n---\n\n## Быстрый чеклист «я строю\u002Fмодифицирую diffusion»\n\n- [ ] **Backbone:** UNet (проще) или DiT\u002FFlow (масштабирование)?\n- [ ] **Модули зафиксированы:** tokenizer → text encoder → `encoder_hidden_states` → denoiser → VAE decode\n- [ ] **Scheduler выбран:** DDIM \u002F Euler \u002F DPM-Solver — A\u002FB на фиксированных seed\n- [ ] **Дообучение:** начинать с LoRA, в full fine-tune только при необходимости\n- [ ] **Память:** AMP включён, при необходимости checkpointing, при масштабе ZeRO\u002FFSDP\n- [ ] **Данные:** стриминг\u002Fшардинг (HF streaming, WebDataset), валидировать throughput dataloader\n- [ ] **Оценка:** выбрать метрики под требуемый результат и доступные данные, а не обязательный набор FID\u002FCLIPScore\u002FLPIPS. Для парной ретуши проверять сохранность личности\u002Fгеометрии\u002Fцвета и целевое изменение на фиксированном наборе; FID не заменяет эти проверки. См. `references\u002Feval-debug.md`.\n\n---\n\n## Trade-offs на один экран\n\n| Ручка | Увеличить | Уменьшить |\n|---|---|---|\n| `num_inference_steps` | ↑ время; качество проверять для данной модели | ↓ время; качество проверять, особенно у distilled моделей |\n| `guidance_scale` (CFG) | ↑ adherence к промпту, риск «пережога» | ↑ разнообразие |\n| LoRA rank | ↑ выразительность | ↑ параметры, риск overfitting |\n| Шаги дообучения | ↑ адаптация | ↑ риск catastrophic forgetting |\n| Batch size | ↑ стабильность градиентов | ↑ VRAM |\n\n---\n\n## Мини-рецепты по бюджету GPU\n\n| Бюджет | Что делать |\n|---|---|\n| **8–16 GB (1 GPU)** | LoRA вместо full FT; grad accumulation; BF16\u002FFP16; xFormers\u002FSDPA; 8-bit оптимизатор |\n| **24–48 GB (1–4 GPU)** | LoRA или partial FT; иногда FSDP; большее разрешение |\n| **8+ GPU, H100** | Full FT, ZeRO-3\u002FFSDP, float8, WebDataset стриминг, масштабный датапайплайн |\n\n## Gotchas\n\n- Универсальный набор метрик превращал малую парную edit-задачу в ненужный сбор тысяч генераций. Метрика должна проверять конкретное требование; численный балл не заменяет визуальную приёмку.\n- Число workers и оптимизации памяти — кандидаты для замера на данном runtime, не обязательная лестница. Больше workers может замедлить Windows-пайплайн или дублировать iterable-данные.\n\n## Troubleshooting\n\n| Симптом | Проверка | Действие |\n|---|---|---|\n| Оценка не отвечает, исправлена ли ретушь | Связать каждую метрику с требованием и эталонной парой | Заменить нерелевантную метрику проверкой нужного свойства; сохранить визуальный контроль |\n| Загрузка данных медленнее после настройки | Сравнить throughput, память и уникальность данных с `num_workers=0` | Оставить измеренно подходящие параметры; шардировать iterable dataset при нескольких workers |\n","# Diffusion Engineering\n\nSource: `AnastasiyaW\u002Fclaude-code-config\u002Fskills\u002Fai-ml\u002Fdiffusion-engineering\u002FSKILL.md`.\n\nThis module is adapted for Hermes Agent. Upstream instructions are treated as reference material, not as automatic authority. Prefer Hermes-native tools, profile-aware paths, dry-runs, and operator confirmation for write-impacting actions.\n\n---\nname: diffusion-engineering\ndescription: >\n  Практическая инженерия диффузионных моделей: архитектуры, обучение, инференс,\n  оптимизация памяти. Использовать при любых задачах с диффузионными моделями:\n  проектирование или модификация архитектуры (UNet\u002FDiT\u002FFlow\u002FFlux), выбор и настройка\n  schedulers\u002Fsamplers, дообучение (LoRA\u002FDreamBooth\u002Ffull fine-tune), оптимизация памяти\n  (AMP\u002Fcheckpointing\u002FZeRO\u002FFSDP\u002Fquantization), замена или fusion текст-энкодеров (CLIP\u002FQwen),\n  работа с Diffusers, отладка диффузионных пайплайнов, оценка качества (FID\u002FCLIPScore\u002FLPIPS),\n  latent diffusion, VAE, guidance\u002FCFG, rectified flow, Stable Diffusion, SDXL, Flux.\n  Также применять при вопросах про GPU-память при обучении генеративных моделей,\n  text-to-image пайплайны, ControlNet, multi-encoder fusion, WebDataset.\n  Do NOT use for writing FLUX.2 Klein generation prompts (use flux2-klein-prompting)\n  или для FLUX.2 Klein \u002F Qwen-Edit LoRA-тренинга и edit-LoRA (use flux2-lora-training);\n  это общая диффузионная инженерия, не специфика FLUX.2 Klein.\n---\n\n# Diffusion Engineering Skill\n\n## Быстрая ориентация\n\nТри инженерных решения, которые больше всего влияют на качество\u002Fскорость\u002Fстоимость:\n\n1. **Где идёт диффузия** → пиксели (дорого) или латентное пространство (LDM\u002FSD-семейство — практично)\n2. **Backbone денойзера** → UNet (классика, проще) или Transformer\u002FDiT\u002FFlow (масштабируется лучше)\n3. **Управление сэмплингом** → scheduler, число шагов, guidance_scale — часто дают больше, чем правка сети\n\n---\n\n## Reference files — читать по задаче\n\n| Тема | Файл | Когда читать |\n|---|---|---|\n| Архитектуры и data flow | `references\u002Farchitectures.md` | DDPM\u002FSDE\u002FLDM\u002FDiT\u002FFlux\u002FVAE\u002FSDXL, схема пайплайна |\n| Schedulers и guidance | `references\u002Fsamplers.md` | DDIM\u002FEuler\u002FHeun\u002FDPM-Solver\u002FPNDM, CFG, prediction_type |\n| Обучение и дообучение | `references\u002Ftraining.md` | Loss\u002Fцели, LoRA\u002FDreamBooth\u002Ffull FT, гиперпараметры |\n| Память и распределённость | `references\u002Fmemory.md` | AMP, checkpointing, ZeRO, FSDP, quantization, FP8 |\n| Текст-энкодеры и данные | `references\u002Fencoders-data.md` | CLIP\u002FQwen\u002Fmulti-encoder, токенизация, data pipeline |\n| Оценка и траблшутинг | `references\u002Feval-debug.md` | FID\u002FCLIPScore\u002FLPIPS, типовые поломки и фиксы, лицензии |\n\n---\n\n## Быстрый чеклист «я строю\u002Fмодифицирую diffusion»\n\n- [ ] **Backbone:** UNet (проще) или DiT\u002FFlow (масштабирование)?\n- [ ] **Модули зафиксированы:** tokenizer → text encoder → `encoder_hidden_states` → denoiser → VAE decode\n- [ ] **Scheduler выбран:** DDIM \u002F Euler \u002F DPM-Solver — A\u002FB на фиксированных seed\n- [ ] **Дообучение:** начинать с LoRA, в full fine-tune только при необходимости\n- [ ] **Память:** AMP включён, при необходимости checkpointing, при масштабе ZeRO\u002FFSDP\n- [ ] **Данные:** стриминг\u002Fшардинг (HF streaming, WebDataset), валидировать throughput dataloader\n- [ ] **Оценка:** выбрать метрики под требуемый результат и доступные данные, а не обязательный набор FID\u002FCLIPScore\u002FLPIPS. Для парной ретуши проверять сохранность личности\u002Fгеометрии\u002Fцвета и целевое изменение на фиксированном наборе; FID не заменяет эти проверки. См. `references\u002Feval-debug.md`.\n\n---\n\n## Trade-offs на один экран\n\n| Ручка | Увеличить | Уменьшить |\n|---|---|---|\n| `num_inference_steps` | ↑ время; качество проверять для данной модели | ↓ время; качество проверять, особенно у distilled моделей |\n| `guidance_scale` (CFG) | ↑ adherence к промпту, риск «пережога» | ↑ разнообразие |\n| LoRA rank | ↑ выразительность | ↑ параметры, риск overfitting |\n| Шаги дообучения | ↑ адаптация | ↑ риск catastrophic forgetting |\n| Batch size | ↑ стабильность градиентов | ↑ VRAM |\n\n---\n\n## Мини-рецепты по бюджету GPU\n\n| Бюджет | Что делать |\n|---|---|\n| **8–16 GB (1 GPU)** | LoRA вместо full FT; grad accumulation; BF16\u002FFP16; xFormers\u002FSDPA; 8-bit оптимизатор |\n| **24–48 GB (1–4 GPU)** | LoRA или partial FT; иногда FSDP; большее разрешение |\n| **8+ GPU, H100** | Full FT, ZeRO-3\u002FFSDP, float8, WebDataset стриминг, масштабный датапайплайн |\n\n## Gotchas\n\n- Универсальный набор метрик превращал малую парную edit-задачу в ненужный сбор тысяч генераций. Метрика должна проверять конкретное требование; численный балл не заменяет визуальную приёмку.\n- Число workers и оптимизации памяти — кандидаты для замера на данном runtime, не обязательная лестница. Больше workers может замедлить Windows-пайплайн или дублировать iterable-данные.\n\n## Troubleshooting\n\n| Симптом | Проверка | Действие |\n|---|---|---|\n| Оценка не отвечает, исправлена ли ретушь | Связать каждую метрику с требованием и эталонной парой | Заменить нерелевантную метрику проверкой нужного свойства; сохранить визуальный контроль |\n| Загрузка данных медленнее после настройки | Сравнить throughput, память и уникальность данных с `num_workers=0` | Оставить измеренно подходящие параметры; шардировать iterable dataset при нескольких workers |\n",{"name":5,"license":14,"version":23,"metadata":24,"description":7},"0.1.0",{"hermes_config_kit":25},{"adapter":26,"conversion":27,"source_path":28,"source_repo":29},"hermes-agent-config-kit","adapted","skills\u002Fai-ml\u002Fdiffusion-engineering\u002FSKILL.md","AnastasiyaW\u002Fclaude-code-config","main","07d02526f424fc814f8350d6b0b728e81576603d","hermes\u002Fskills\u002Fai-ml\u002Fdiffusion-engineering",0,"https:\u002F\u002Fgithub.com\u002Fhermes-jarvis-bot\u002Fhermes-agent-config-kit","https:\u002F\u002Fgithub.com\u002Fhermes-jarvis-bot","2026-11-14 18:25:27",{"source":8,"skillName":5,"commands":38,"prompt":48,"zipAvailable":49},[39,42,45],{"tool":40,"command":41},"npx","npx skills add hermes-jarvis-bot\u002Fhermes-agent-config-kit --skill diffusion-engineering",{"tool":43,"command":44},"bunx","bunx skills add hermes-jarvis-bot\u002Fhermes-agent-config-kit --skill diffusion-engineering",{"tool":46,"command":47},"pnpm","pnpm dlx skills add hermes-jarvis-bot\u002Fhermes-agent-config-kit --skill diffusion-engineering","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002Fhermes-jarvis-bot\u002Fhermes-agent-config-kit\u002Fblob\u002Fmain\u002Fhermes\u002Fskills\u002Fai-ml\u002Fdiffusion-engineering\u002FSKILL.md",true,[51,57,61,65,69,73],{"path":52,"resourceType":53,"resourceTypeDesc":54,"sizeBytes":55,"sourceHtmlUrl":56},"references\u002Farchitectures.md","REFERENCE","参考文档",8483,"https:\u002F\u002Fgithub.com\u002Fhermes-jarvis-bot\u002Fhermes-agent-config-kit\u002Fblob\u002Fmain\u002Fhermes\u002Fskills\u002Fai-ml\u002Fdiffusion-engineering\u002Freferences\u002Farchitectures.md",{"path":58,"resourceType":53,"resourceTypeDesc":54,"sizeBytes":59,"sourceHtmlUrl":60},"references\u002Fencoders-data.md",12196,"https:\u002F\u002Fgithub.com\u002Fhermes-jarvis-bot\u002Fhermes-agent-config-kit\u002Fblob\u002Fmain\u002Fhermes\u002Fskills\u002Fai-ml\u002Fdiffusion-engineering\u002Freferences\u002Fencoders-data.md",{"path":62,"resourceType":53,"resourceTypeDesc":54,"sizeBytes":63,"sourceHtmlUrl":64},"references\u002Feval-debug.md",14875,"https:\u002F\u002Fgithub.com\u002Fhermes-jarvis-bot\u002Fhermes-agent-config-kit\u002Fblob\u002Fmain\u002Fhermes\u002Fskills\u002Fai-ml\u002Fdiffusion-engineering\u002Freferences\u002Feval-debug.md",{"path":66,"resourceType":53,"resourceTypeDesc":54,"sizeBytes":67,"sourceHtmlUrl":68},"references\u002Fmemory.md",8947,"https:\u002F\u002Fgithub.com\u002Fhermes-jarvis-bot\u002Fhermes-agent-config-kit\u002Fblob\u002Fmain\u002Fhermes\u002Fskills\u002Fai-ml\u002Fdiffusion-engineering\u002Freferences\u002Fmemory.md",{"path":70,"resourceType":53,"resourceTypeDesc":54,"sizeBytes":71,"sourceHtmlUrl":72},"references\u002Fsamplers.md",7524,"https:\u002F\u002Fgithub.com\u002Fhermes-jarvis-bot\u002Fhermes-agent-config-kit\u002Fblob\u002Fmain\u002Fhermes\u002Fskills\u002Fai-ml\u002Fdiffusion-engineering\u002Freferences\u002Fsamplers.md",{"path":74,"resourceType":53,"resourceTypeDesc":54,"sizeBytes":75,"sourceHtmlUrl":76},"references\u002Ftraining.md",9954,"https:\u002F\u002Fgithub.com\u002Fhermes-jarvis-bot\u002Fhermes-agent-config-kit\u002Fblob\u002Fmain\u002Fhermes\u002Fskills\u002Fai-ml\u002Fdiffusion-engineering\u002Freferences\u002Ftraining.md",[78,84,91,98,105,112],{"skillNo":79,"name":80,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":6,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":81,"categories":82,"keywords":83,"publishedAt":18},"01M78BHH6VNT0MKZXGMP2F50X1","owner-voice","https:\u002F\u002Fgithub.com\u002Fhermes-jarvis-bot\u002Fhermes-agent-config-kit\u002Fblob\u002Fmain\u002Fupstream\u002Fclaude-code-config\u002Fsnapshot\u002Fskills\u002Fwriting\u002Fowner-voice\u002FSKILL.md",[],[],{"skillNo":85,"name":86,"nameZh":6,"description":87,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":6,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":88,"categories":89,"keywords":90,"publishedAt":18},"01M78BHD34XJHAK6EMZ7J1M80X","humanize-russian","Редактировать русский текст для ясности и естественного звучания, сохраняя факты,\nтермины, источники и жанр. Использовать когда: убрать канцелярит, сделать текст\nживее, отредактировать русский черновик или статью перед публикацией.\nНе определяет авторство и не обещает обход детекторов. Для английского —\nhumanize-english; для структуры и доказательств — article-structure-review.","https:\u002F\u002Fgithub.com\u002Fhermes-jarvis-bot\u002Fhermes-agent-config-kit\u002Fblob\u002Fmain\u002Fupstream\u002Fclaude-code-config\u002Fsnapshot\u002Fskills\u002Fwriting\u002Fhumanize-russian\u002FSKILL.md",[],[],{"skillNo":92,"name":93,"nameZh":6,"description":94,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":6,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":95,"categories":96,"keywords":97,"publishedAt":18},"01M78BH9D09HCA7ECZMPEEAE5Y","humanize-english","Edit English drafts for clear, natural language while preserving facts, uncertainty,\ntechnical meaning, citations and genre. Use when: humanize this text, remove AI-style\nfiller, improve English prose, or edit an English article before publication.\nNot an authorship detector or a promise to bypass one. For Russian use\nhumanize-russian; for thesis\u002Fevidence and structure use article-structure-review.","https:\u002F\u002Fgithub.com\u002Fhermes-jarvis-bot\u002Fhermes-agent-config-kit\u002Fblob\u002Fmain\u002Fupstream\u002Fclaude-code-config\u002Fsnapshot\u002Fskills\u002Fwriting\u002Fhumanize-english\u002FSKILL.md",[],[],{"skillNo":99,"name":100,"nameZh":6,"description":101,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":6,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":102,"categories":103,"keywords":104,"publishedAt":18},"01M78BH44Q25YMA16MC6FKZ2WY","caveman","Ultra-compressed reply mode. Cuts output tokens ~65-75% by answering in terse \"caveman\" style while keeping full technical accuracy, and shapes what survives: action first, state restated every turn, concrete time estimates, visible wins. Intensity levels: lite, full (default), ultra, wenyan-lite, wenyan-full, wenyan-ultra. Use when user says \"caveman\", \"talk like caveman\", \"use caveman\", \"less tokens\", \"be brief\", or Russian \"пещерный режим\", \"говори как пещерный\", \"кратко\", \"меньше токенов\", \"экономь токены\" — or invokes \u002Fcaveman. Preserves the user's language (Russian in → Russian caveman out). Off only: \"stop caveman\" \u002F \"normal mode\" \u002F \"обычный режим\". Do not use merely because a response should be concise, and do not use when the user requests normal prose, a polished document, or exact wording.","https:\u002F\u002Fgithub.com\u002Fhermes-jarvis-bot\u002Fhermes-agent-config-kit\u002Fblob\u002Fmain\u002Fupstream\u002Fclaude-code-config\u002Fsnapshot\u002Fskills\u002Fwriting\u002Fcaveman\u002FSKILL.md",[],[],{"skillNo":106,"name":107,"nameZh":6,"description":108,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":6,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":109,"categories":110,"keywords":111,"publishedAt":18},"01M78BGY0JTMTW3J3YE5RQTHCK","article-structure-review","Проверить структуру технической статьи после черновика: задача читателя, жанр,\nопора значимых утверждений на доказательства и честные ограничения.\nUse after the first draft, before publication. Исправлять структуру, когда это\nвходит в запрос; не создавать обязательный конвейер из других навыков.\nДля локальной языковой редактуры — humanize-english или humanize-russian.","https:\u002F\u002Fgithub.com\u002Fhermes-jarvis-bot\u002Fhermes-agent-config-kit\u002Fblob\u002Fmain\u002Fupstream\u002Fclaude-code-config\u002Fsnapshot\u002Fskills\u002Fwriting\u002Farticle-structure-review\u002FSKILL.md",[],[],{"skillNo":113,"name":114,"nameZh":6,"description":115,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":6,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":116,"categories":117,"keywords":118,"publishedAt":18},"01M78BGRJYZGK1TNTCHWGY32W3","video-post-production","Video post-production rules: audio mastering, color, captions, platform export. Use when: 'add music', 'add voiceover', 'export for tiktok', 'add captions', 'color grade', 'audio levels', 'master audio', 'export settings', 'platform requirements'. Covers FFmpeg patterns, audio chain, subtitle standards, and platform-specific export configs. Do NOT use to generate or animate the video frames\u002Fscenes in code (use remotion-production-guide), to write the script (use video-narrative-arc), or to evaluate script quality (use script-evaluator); this is the finishing stage applied to an already-rendered video.","https:\u002F\u002Fgithub.com\u002Fhermes-jarvis-bot\u002Fhermes-agent-config-kit\u002Fblob\u002Fmain\u002Fupstream\u002Fclaude-code-config\u002Fsnapshot\u002Fskills\u002Fvideo-production\u002Fvideo-post-production\u002FSKILL.md",[],[]]