Claude Code: Development & Image Creation Skills

Comprehensive single-document review combining pessimistic and optimistic analysis with improvements. Modifies content.

Expert prompt engineering for FLUX.2 [klein] image generation and editing model. Use this skill whenever the user wants to create prompts for FLUX.2 [klein], generate images, edit photos with the klein model, work with multi-reference image editing, or needs templates for T2I/I2I tasks. Trigger for any mention of: FLUX.2, flux klein, BFL API, image editing prompts, text-to-image prompts for FLUX, product mockups, poster generation, UI mockups, sticker packs, character design, seamless textures, or any request to write/improve/translate prompts for FLUX-family models. Also trigger when user asks about guidancescale, inference steps, distilled vs base modes, or multi-reference workflows.

iOS, iPadOS, and tvOS development with Swift, SwiftUI, and UIKit. Use when building Apple platform apps, implementing iOS-specific features, or following Apple Human Interface Guidelines.

Экспертный скилл по прикладной инженерии VLM, сегментационных моделей и диффузионных архитектур для GPU-деплоя. Используй ВСЕГДА когда речь идёт о: SAM2, SAM3, Florence-2, LLaVA, Grounding DINO, OWLv2, YOLO-World, EdgeTAM — выбор модели, интеграция, pipeline, код; диффузионных моделях — UNet/DiT/Flow/Flux, schedulers, LoRA, AMP, ZeRO/FSDP, text encoders (CLIP/Qwen), VAE, CFG; GPU-деплое — MIG, MPS, torch.compile, TorchAO, Triton, memory optimization, два инстанса на H100; open-vocab сегментации и phrase grounding; part-level labeling и instance masks из текстового промпта; замене/fusion текст-энкодеров; fine-tune/LoRA/DreamBooth диффузионных моделей. Триггеры: SAM, Florence, LLaVA, Grounding DINO, YOLO-World, diffusion, UNet, DiT, Flux, LoRA, scheduler, guidancescale, VAE, CLIP embeddings, Qwen embedder, MIG, MPS, TorchAO, Triton inference, сегментация по тексту, instance masks, open-vocab detection, text-conditioned segmentation.

Структурный self-review технической статьи перед публикацией. Покрывает три дыры, которые не ловятся точечными скиллами типа humanize/infostyle: thesis/proof balance, жанровая чистота, обязательный блок ограничений. Применяется ПОСЛЕ написания первого черновика, ПЕРЕД humanize + infostyle. Основано на фидбеке реальных читателей на опубликованные статьи - классический паттерн "много тезисов / мало доказательств" и отсутствие честного блока про то, что не решено. Use AFTER first draft is done, BEFORE word-level audits.

Практическая инженерия диффузионных моделей: архитектуры, обучение, инференс, оптимизация памяти. Использовать при любых задачах с диффузионными моделями: проектирование или модификация архитектуры (UNet/DiT/Flow/Flux), выбор и настройка schedulers/samplers, дообучение (LoRA/DreamBooth/full fine-tune), оптимизация памяти (AMP/checkpointing/ZeRO/FSDP/quantization), замена или fusion текст-энкодеров (CLIP/Qwen), работа с Diffusers, отладка диффузионных пайплайнов, оценка качества (FID/CLIPScore/LPIPS), latent diffusion, VAE, guidance/CFG, rectified flow, Stable Diffusion, SDXL, Flux. Также применять при вопросах про GPU-память при обучении генеративных моделей, text-to-image пайплайны, ControlNet, multi-encoder fusion, WebDataset.

하네스(hooks, skills, agents, rules) 전체 건강도를 진단하고 점수 산출. Triggers on: harness audit, 하네스 진단, 설정 점검, 하네스 점검. NOT for: 코드 작성, 구현.

Натурализация русскоязычного текста - убрать маркеры ИИ-генерации. Использовать когда: Хабр-статьи, блоги, маркетинг, любой русский текст который не должен читаться как ИИ. Покрывает: слова-маркеры, калькирование, канцелярит, ритм, отглагольные существительные. Источники: Liang et al. (arxiv 2406.07016), gramota.ru, Хабр 918226, Sber GigaCheck. Use BEFORE publishing any AI-generated Russian text.