Data Science Tutorials

Bygg en Claude Managed Agent med Anthropics Python‑SDK, molnsandlåda, verktyg, färdigheter, filuppladdning, sessionshantering, kodkörning och automatiserad Excelrapportgenerering.

Läs den här handledningen om Claude Code-connectorn för att konfigurera GitHub via MCP. Lär dig automatisera triagering av open source-ärenden på 20 minuter med skrivskyddade lokala filer.

Bygg en röstagent i Python med samma API som används av Grok Voice Agent Builder: WebSocket-setup, ljudströmning, verktygsanrop, kostnadsspårning och en FastAPI-endpoint.

En praktisk genomgång av Claude Codes säkerhetsmodell med behörighetsregler, MCP-kontroller, sandboxning och teamstyrning som hindrar en AI-kodningsagent från att göra mer än du tänkt.

Kör GLM-5.2 privat med llama.cpp, säkra med din egen API-nyckel, testa via Web UI och cURL, och koppla till OpenCode för ett kraftfullt lokalt kodningsflöde.

Claude Code Superpowers är ett plugin från Jesse Vincent som installerar ett färdighetsramverk i Claude Code och ger agenten disciplinerade arbetsflöden för brainstorming, TDD, felsökning, kodgranskning och skapande av färdigheter.

En praktisk guide till att designa MCP‑stackar, arbetsflödesmönster, anti‑mönster och säkerhetskontroller som förvandlar Claude Code till en kontextmedveten engineering‑agent.

Everything Claude Code (ECC) är ett öppet ramverk som omsluter Claude Code med återanvändbara färdigheter, specialiserade agenter, beständigt minne och MCP-integrationer.

En praktisk guide till Claude Code Agent Teams som täcker hur flera specialiserade agenter delar en uppgiftslista, koordinerar via en teamledare och parallelliserar backend, frontend, databas och dokumentation i ett och samma projekt.

Lär dig köra Kimi K2.7 Code lokalt på fem minuter med den förkompilerade llama.cpp-binarien på fyra RTX PRO 6000 GPU:er och använd sedan dess webbgränssnitt och Pi-kodagent via ett OpenAI-kompatibelt API.

Lär dig använda de inbyggda snedstreckskommandona i Claude Code för att hantera kontext, ändringar och kostnader mellan sessioner, och skapa egna kommandon för att automatisera repetitiva arbetsflöden.

Se hur en end-to-end MLOps-pipeline förutspår resultaten i VM 2026 – från automatisk omträning och DVC till en Monte Carlo-simulering av hela slutspelsträdet med 10 000 körningar.