senior-ml-engineer
von alirezarezvanisenior-ml-engineer unterstützt Agenten bei der Planung produktionsreifer ML-Systeme: model deployment, MLOps pipelines, monitoring, drift detection, RAG architecture und LLM integration. Enthalten sind Referenzleitfäden und Starter-Skripte für Deployment, Monitoring und RAG, die Teams vor dem Produktionseinsatz anpassen sollten.
Dieser Skill erreicht 74/100 Punkte. Damit ist er für die Aufnahme ins Verzeichnis geeignet und dürfte für Nutzer hilfreich sein, die möchten, dass ein Agent über Production ML, MLOps, LLM integration und RAG-Workflows nachdenkt. Die Listing-Beschreibung sollte klar machen, dass der Hauptwert in den schriftlichen Anleitungen und Referenzen liegt, während die enthaltenen Skripte eher wie Startgerüste als wie produktionsreife Tools wirken.
- Sehr gut auslösbar: Das Frontmatter nennt konkrete Anwendungsfälle wie MLOps pipelines, model deployment, drift detection, RAG systems, LLM integration und automated retraining.
- Die operative Anleitung im Haupt-Skill und in den Referenzen ist substanziell, unter anderem mit Deployment-Schritten, Canary-Rollout, Validierungsmetriken wie p95 latency und error rate, Vergleichen von Serving-Optionen und RAG-Pipeline-Ablauf.
- Gute schrittweise Vertiefung durch separate Referenzdokumente zu LLM integration, MLOps production patterns und RAG architecture; dadurch erhalten Agenten wiederverwendbare Implementierungsmuster statt nur eines generischen Prompts.
- Die mitgelieferten Skripte wirken überwiegend wie Gerüste, mit Platzhalterkommentaren wie "Add validation logic" und generischer Verarbeitung statt vollständig einsatzbereiter Tools für Deployment, Monitoring oder RAG.
- Im Skill-Pfad gibt es keinen Installationsbefehl und keine README; Nutzer müssen Installation und Nutzung daher aus SKILL.md und den Referenzen ableiten.
Überblick über senior-ml-engineer skill
Wofür senior-ml-engineer gedacht ist
Der senior-ml-engineer skill ist ein Produktionsassistent für ML Engineering, der trainierte Modelle, LLM-Features und RAG-Prototypen in deploybare Systeme überführt. Der Schwerpunkt liegt auf MLOps-Entscheidungen: Modellpaketierung, Serving-Architektur, Monitoring, Drift-Erkennung, Canary-Rollouts, Feature-Store-Planung, RAG-Retrieval-Design, Zuverlässigkeit von LLM APIs und Kostenkontrolle.
Passende Nutzer und Projekte
Nutze diesen Skill, wenn du bereits ein Modell, eine Embedding-Pipeline oder eine LLM-Produktidee hast und einen Implementierungsplan brauchst, der den Betrieb mitdenkt. Besonders hilfreich ist er für ML Engineers, Backend Engineers, Plattformteams und Technical Leads, die praxisnahe Orientierung zu Docker, Kubernetes, MLflow, Kubeflow-ähnlichen Workflows, Vektordatenbanken, Monitoring oder Production Inference APIs benötigen.
Was diesen Skill unterscheidet
Im Vergleich zu einem generischen ML-Prompt ist der senior-ml-engineer skill auf Produktionsabläufe statt auf Modellexperimente ausgerichtet. Das Repository enthält Referenzleitfäden zu MLOps-Produktionsmustern, LLM-Integration und RAG-Architektur sowie Script-Gerüste für Deployment, Monitoring und RAG-Aufbau. Sein größter Nutzen liegt darin, einen Agenten zu den richtigen Betriebsfragen zu führen: Latenzziel, Traffic-Split, Fallback-Verhalten, Observability, Evaluation Gates und Auslöser für Retraining.
Wichtiger Hinweis zur Einführung
Die enthaltenen Python-Scripts sind Startgerüste, keine schlüsselfertigen Produktionswerkzeuge. Sie liefern Logging, Konfigurationsladen und CLI-Struktur, aber du solltest echte Validierung, Cloud-Integrationen, Testlogik, Sicherheitskontrollen und deployment-spezifischen Code ergänzen. Installiere den Skill für Planung und strukturierte Engineering-Unterstützung, nicht als direkt einsetzbare MLOps-Plattform.
So verwendest du senior-ml-engineer skill
senior-ml-engineer installieren und Repository-Pfad prüfen
Installiere den Skill aus dem GitHub Skill Repository mit:
npx skills add alirezarezvani/claude-skills --skill senior-ml-engineer
Sieh dir anschließend den Quellcode unter engineering-team/skills/senior-ml-engineer an. Lies zuerst SKILL.md, um Trigger und Workflow-Umfang zu verstehen. Öffne danach je nach Anwendungsfall references/mlops_production_patterns.md, references/llm_integration_guide.md und references/rag_system_architecture.md. Behandle scripts/model_deployment_pipeline.py, scripts/ml_monitoring_suite.py und scripts/rag_system_builder.py als anpassbare Vorlagen, nicht als fertige Automatisierung.
Welche Eingaben der Skill braucht
Für hochwertige senior-ml-engineer usage solltest du den Produktionskontext liefern, nicht nur den Modelltyp. Nenne unter anderem:
- Modell-Framework und Artefaktformat:
PyTorch,TensorFlow,ONNX,TorchScript,SavedModel - Serving-Ziel: REST API, Batch Inference, GPU Inference, Streaming, Edge Deployment
- Infrastruktur: Docker, Kubernetes, Cloud-Anbieter, CI/CD, Registry, Secrets Manager
- SLOs: p95-Latenz, Durchsatz, Verfügbarkeit, maximale Fehlerrate, Kostenobergrenze
- Rollout-Plan: Staging, Canary-Prozentsatz, Rollback-Bedingung, A/B-Test-Anforderungen
- Monitoring-Bedarf: Drift, Latenz, Datenqualität, Accuracy Proxy, Human Review Loop
- Für RAG: Dokumenttypen, Chunking-Einschränkungen, Vektordatenbank, Reranking, Evaluation Set
- Für LLM APIs: Provider-Auswahl, Retry Policy, Fallback-Modell, Token-Budget, Safety Constraints
Aus einer groben Anfrage einen starken Prompt machen
Schwacher Prompt: „Hilf mir, mein ML-Modell zu deployen.“
Stärkerer Prompt: „Use the senior-ml-engineer skill. I have a PyTorch fraud model exported as TorchScript, expected 80 requests/sec, p95 latency under 120 ms, deployed on Kubernetes with Docker images in GitHub Actions. Propose a staging-to-canary deployment plan, FastAPI or Triton serving choice, health checks, monitoring metrics, rollback criteria, and a minimal file layout. Assume model accuracy must be monitored using delayed labels available after 7 days.“
Das funktioniert besser, weil der Skill Anforderungen auf konkrete Deployment Gates, Serving-Abwägungen und Monitoring-Design abbilden kann, statt nur eine allgemeine Checkliste zu liefern.
Empfohlener Workflow für Machine-Learning-Teams
Beginne mit der Architekturauswahl und gehe danach in die Implementierungsdetails. Für Model Serving solltest du einen Vergleich von FastAPI, Triton Inference Server, TensorFlow Serving und Batch Scoring anhand deiner Latenz- und Durchsatzanforderungen anfordern. Für MLOps frage nach CI/CD-Stufen, Artefaktversionierung, Registry-Struktur, Staging-Validierung, Canary-Metriken und Rollback-Schwellen. Für RAG frage nach Chunking, Embedding, Vektorsuche, Reranking, Prompt Assembly und Halluzinationsbewertung. Für LLM-Integration frage nach Provider-Abstraktion, Retries, Rate-Limit-Handling, Observability und Kostenschätzung.
FAQ zu senior-ml-engineer skill
Ist senior-ml-engineer für Machine-Learning-Einsteiger geeignet?
Er kann Einsteigern helfen, Produktionsvokabular im ML-Umfeld zu verstehen, ist aber nicht primär ein Skill für Training oder Data-Science-Nachhilfe. Er setzt voraus, dass du dich über Notebooks hinaus in Richtung Deployment, Monitoring oder Systemdesign bewegst. Wenn du Hilfe bei der Auswahl einer Modellarchitektur oder bei der Verbesserung der Trainingsgenauigkeit brauchst, nutze zuerst einen modellierungs- oder forschungsorientierten Skill.
Wann sollte ich diesen Skill nicht verwenden?
Verwende senior-ml-engineer nicht als Hauptskill für explorative Datenanalyse, Feature Discovery, akademisches Modelldesign oder das Schreiben eines ersten Notebooks. Er passt auch schlecht, wenn du vollständig gemanagte, plattformspezifische Anleitungen erwartest, ohne deinen Stack anzugeben. „Deploy this somewhere“ ist zum Beispiel zu breit; „deploy to EKS with Helm, Prometheus, and canary rollout“ passt deutlich besser.
Worin unterscheidet er sich von gewöhnlichem Prompting?
Gewöhnliche Prompts erzeugen oft breite MLOps-Listen. Dieser Skill gibt dem Agenten einen stärker produktionsorientierten Rahmen: Artefaktformat, Containerisierung, Staging-Validierung, Canary-Rollout, p95-Latenzprüfungen, Fehlerratenschwellen, Model Drift, Feature-Store-Muster, RAG-Validierung, Retry-Logik und Token-Kostenkontrolle. Diese Struktur verringert das Risiko, wichtige Betriebsschritte zu übersehen.
Sind die enthaltenen Scripts sicher direkt ausführbar?
Prüfe sie vor der Nutzung. Die Scripts wirken wie generische CLI-Gerüste mit Logging und Platzhaltern für Ausführungsmethoden. Sie sind nützliche Ausgangspunkte für eine eigene Deployment Pipeline, Monitoring Suite oder einen RAG Builder, ersetzen aber keine getestete interne Automatisierung. Ergänze Konfigurationsvalidierung, Dependency Management, Tests, Authentifizierung, Environment Handling und echte Integrationen, bevor du sie in Produktion verwendest.
So verbesserst du senior-ml-engineer skill
senior-ml-engineer-Ergebnisse mit klaren Constraints verbessern
Der beste Weg, die Ausgabe von senior-ml-engineer zu verbessern, sind messbare Constraints. Frage nicht nach „einem skalierbaren Design“, sondern nenne erwartete QPS, p95-Latenz, Modellgröße, GPU-Verfügbarkeit, Batch-Fenster, Verfügbarkeitsziel, Cloud-Umgebung, Compliance-Vorgaben und Kostenlimit. Diese Details verändern Serving-Auswahl, Monitoring-Tiefe und Rollback-Strategie.
Häufige Fehlerbilder, auf die du achten solltest
Der Skill kann zu stark verallgemeinern, wenn du deinen Stack weglässt, Kubernetes annimmst, obwohl ein einfacherer Service ausreichen würde, oder Monitoring vorschlägt, bevor verlässliche Ground-Truth-Labels vorhanden sind. RAG-Antworten können ebenfalls zu abstrakt werden, wenn Dokumentvolumen, Aktualisierungshäufigkeit, Query-Typ und Evaluationsbeispiele fehlen. Bei LLM-Integration führen fehlende Angaben zu Token-Budget und Rate Limits oft zu unrealistischen Kosten- und Retry-Designs.
Nach der ersten Ausgabe iterieren
Bitte in einem zweiten Durchlauf darum, die Empfehlung in konkrete Artefakte zu übersetzen: eine Deployment-Checkliste, Dockerfile, API Contract, Kubernetes Manifest Outline, Monitoring-Dashboard-Metriken, Alert-Schwellen oder CI/CD-Stufen. Bitte den Skill anschließend, Risiken und fehlende Annahmen zu identifizieren. So wird aus dem senior-ml-engineer guide eine Umsetzungsplanung, die dein Team prüfen kann.
Repository-Referenzen an deine Umgebung anpassen
Nutze die Referenzdokumente als Entscheidungsrahmen, nicht als feste Architektur. Wenn du kleine CPU-Modelle betreibst, ist ein einfacheres FastAPI-Deployment oft sinnvoller, bevor du schwergewichtige Serving-Infrastruktur ergänzt. Wenn du GPU Inference mit hohem Durchsatz betreibst, bitte den Skill, Triton, Batching und Autoscaling zu bewerten. Wenn du RAG baust, passe Chunking, Reranking und die Wahl der Vektordatenbank an deinen Korpus an, statt Defaults unverändert zu übernehmen.