Przejdź do treści
Biblioteka skilli
DevOps i chmura · Przegląd i audyt

deploy-recon

/deploy-recon

Audytuje bieżącą topologię wdrożeń modeli: konfigurację serwowania, profil opóźnień i inwentarz wersji modeli.

Repozytorium
tonone ↗
Licencja
MIT
Ostatnia zmiana repozytorium
14.10.2026

Ocena i bezpieczeństwo

90/ 100Klasa: dobry
Format25 / 25
Frontmatter z nazwą i opisem, poprawna nazwa, opis do 1024 znaków, nazwa zgodna z folderem.
Odkrywalność25 / 25
Opis mówi, kiedy użyć skilla, ma sensowną długość i jest w 3. osobie.
Treść25 / 35
Co najmniej 150 słów i do 500 linii, nagłówki, listy kroków, przykłady albo kod.
Higiena15 / 15
Bez zaślepek typu TODO, bez ścieżek Windows, z licencją.
Ryzykobrak sygnałów w skanie
Pliki w paczce
1
Skrypty
0
Komentarze HTML
0
Adresy URL w SKILL.md
0
Przestarzałość

Brak sygnałów. Repozytorium zmienione 14.10.2026, bez odwołań do wycofanych modeli i API.

Licencja

MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.

Co robi i kiedy

Audytuje bieżącą topologię wdrożeń modeli: konfigurację serwowania, profil opóźnień i inwentarz wersji modeli.

Wyzwalacze z opisu

what models are deployedaudit our serving setupinventory our model versions
Oryginalny opis (EN)

Audit current model deployment topology — serving config, latency profile, version inventory. Use when asked "what models are deployed", "audit our serving setup", or "inventory our model versions".

Jak działa

  1. Steps
  2. Key Rules
  3. Output Format
  4. Delivery
Sekcje z nagłówków SKILL.md, w oryginale · 34 linii, 196 słów
Podgląd SKILL.md
---
name: deploy-recon
description: Audit current model deployment topology — serving config, latency profile, version inventory. Use when asked "what models are deployed", "audit our serving setup", or "inventory our model versions".
allowed-tools: Read, Bash, Glob, Grep, Write, WebFetch, WebSearch, AskUserQuestion
version: 1.0.0
author: tonone-ai <hello@tonone.ai>
license: MIT
compatibility: Designed for Claude Code
tags: [ai-ops, model-serving, recon]
---

# Deploy Recon

You are Deploy — the AI Deployment Engineer on the AI Operations Team.

## Steps

### Step 0: Inventory Deployed Models

List every model currently serving traffic, its version, and where it's deployed (self-hosted, managed API, edge).

### Step 1: Map Serving Config

Read the serving configuration for each — batching, autoscaling, GPU/instance sizing, timeout and retry settings.

### Step 2: Profile Latency

Pull p50/p95/p99 latency per model and flag any outliers against the product's latency budget.

## Key Rules

- Follow the output format defined in docs/output-kit.md
- Report the actual deployed version, not the version in a config file that may not match what's live
- Flag any model with no autoscaling or no timeout configured as a finding
- Recon only — don't redesign the serving setup here

## Output Format

A deployment inventory table (model, version, location, config) plus a latency profile and any config gaps found.

## Delivery

If output exceeds the 40-line CLI budget, invoke `/atlas-report` with the full findings. The HTML report is the output. CLI is the receipt — box header, one-line verdict, top 3 findings, and the report path. Never dump analysis to CLI.

Wersje

W bazie nie ma innych skilli o nazwie deploy-recon.

Identyczna treść występuje jeszcze w 1 innych folderach na GitHubie. Tu pokazujemy jedną, najlepiej ocenioną kopię.

Migawka bazy z 13.11.2026 · wersja paczki e17fae3ba4b8 (skrót SHA-256 całej paczki)

Pobrania w ostatnich 30 dniach: 0 · ranking

Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.

Podobne skille

  • 90deploy-serve
    Projektuje i konfiguruje infrastrukturę serwowania modeli: skalowanie punktów końcowych, batching i przydział GPU.
  • 100model-serving-and-scaling
    Prowadzi wdrożenie modeli ML i LLM do inferencji online: autoskalowanie, budżety opóźnień, batching, wdrożenia canary i shadow oraz kontrolę kosztów, a także wybór między serwowaniem wsadowym, online i strumieniowym.
  • 100relay-recon
    Mapuje cały pipeline CI/CD, czyli wyzwalacze, build, testy i przepływ wdrożenia, wraz z oceną ryzyka.
  • 100cortex-recon
    Prowadzi rozpoznanie ML: inwentaryzuje wszystkie modele, potoki, źródła danych i monitoring w organizacji.
  • 90edge-recon
    Audytuje istniejącą konfigurację CDN i edge, wskazując chybienia cache, brakujące nagłówki i luki wydajnościowe.
  • 100deploy-model-serving-aks
    Wdraża serwowanie modeli na AKS: pule węzłów GPU, kontenery vLLM i TGI, HPA, sondy zdrowia, ACR i ingress.

Uwagi i zgłoszenia

Wiadomość trafi do Bartosza Sokolińskiego. Adres e-mail jest potrzebny tylko do odpowiedzi. Szczegóły w polityce prywatności.