Getting it into your agent
One page per mod, every tool's command on it. A separate URL per tool would split the same page into five that compete with each other.
npx skills add YoungjaeDev/my-claude-plugins --skill ml-dev-principlesgit clone --depth 1 https://github.com/YoungjaeDev/my-claude-pluginsWrote this? Show the measurements
A badge with what this costs and how it scanned, read live from this page, so it follows the numbers instead of freezing them. Markdown for a README, HTML for a documentation site or a project page.
[](https://agentmods.dev/skills/youngjaedev/my-claude-plugins/ml-dev-principles)<a href="https://agentmods.dev/skills/youngjaedev/my-claude-plugins/ml-dev-principles"><img src="https://agentmods.dev/badge/skills/youngjaedev/my-claude-plugins/ml-dev-principles/github.svg" alt="Measured on agentmods" height="20"></a>Or the 80×15 button, for a site that already has a row of RSS and ATOM ones. Only the verdict fits; the numbers stay here.
<a href="https://agentmods.dev/skills/youngjaedev/my-claude-plugins/ml-dev-principles"><img src="https://agentmods.dev/badge/skills/youngjaedev/my-claude-plugins/ml-dev-principles.svg" alt="Reviewed on agentmods" width="80" height="20"></a>What it costs to keep this loaded
Counted locally with the o200k_base tokenizer, which is exact for GPT models; Claude uses its own tokenizer and its counts differ. Treat this as one consistent yardstick across the catalogue rather than a bill. Prices are per million input tokens.
| Model | Per session | Once invoked |
|---|---|---|
| Fable 5.1 | $0.00159 | $0.01856 |
| Opus 5.5 | $0.00064 | $0.00742 |
| Sonnet 5.5 | $0.00032 | $0.00371 |
| Haiku 4.5 | $0.00016 | $0.00186 |
Grade A, and why
ml-dev-principles scanned grade A with 0 findings against 26 rules in 11 categories — prompt injection, anti-refusal, data exfiltration, privilege escalation, supply chain, agent snooping, system-prompt leakage, SSRF and excessive agency — measured 1mo ago.
A static scan of the body, not an audit. Every finding is printed with the line that produced it so you can judge whether it matters here. A mod is markdown that instructs an agent; that is exactly why what it instructs is worth reading.
Nothing flagged
None of the 26 patterns this scan looks for appear in this file: no shell pipes, no recursive deletes, no credential paths, no hidden text, no instruction-override or anti-refusal phrasing, no agent-config snooping. That is not a guarantee, it is the absence of the things that are checkable.
How it starts
The opening of the file, as written. The whole thing — 56 lines — stays where its author put it; the contents beside it link to each section on GitHub.
ML / 멀티모달 개발 원칙
ML·멀티모달·CV 작업을 어떻게 진행할지에 대한 범용 규율(어떤 라이브러리를 쓰느냐가 아니라). 작업 시작 시 한 번 훑고 적용한다. 한 문장 요약: 집계/규칙 텍스트만 보지 말고 실제(이미지·원문·util)를 직접 봐라.
메타: 규칙에는 타입이 있다
hard-block(컴플라이언스·안전·산출물 누설)과 process-caution(보수성·스타일·관행)을 구분한다. 모든 규칙을 반사적으로 최강 해석으로 적용하면 정당한 빠른 경로까지 막힌다. 분류부터 하고 hard-block만 게이트로 삼는다. 나머지는 trade-off로 판단한다.
1. 후보 선정: 라이선스/자격은 규칙 원문부터 읽고 거른다
- 모델·데이터를 "비상업/연구 라이선스라 제외" 식으로 선제 과필터링 금지. 과제가 연구/대회이고 규칙 원문이 실제로 금지하지 않으면 후보에 남긴다. permissive(Apache/MIT)는 동급일 때 tiebreaker지 gate가 아니다.
- 왜: 선정 단계의 잘못된 배제는 파이프라인 전체로 전파되고 방향 자체를 틀어버린다. 되돌리는 비용이 가장 크다.
- 적용: 자격 제약을 문자 그대로 나열 → 각각 hard-block / preference로 분류 → hard-block만 배제.
2. 평가 격리: 하드룰과 프로세스 주의를 분리한다
- 하드룰(절대 금지): 제출·배포되는 산출 모델을 held-out/test 라벨로 학습·early-stop·모델선택·튜닝하지 않는다. 누설이다.
- 허용·권장: test-GT(또는 임의 held-out proxy)를 flag-gated dev 진단으로 써서 파이프라인이 end-to-end로 도는지·숫자가 말이 되는지 sanity-check 하는 건 정당하다. 순수성을 이유로 무해한 파이프라인 점검을 거부하지 마라. 진단 경로는 flag 뒤로 격리해 산출물에 절대 흘러들지 않게 한다.
- 왜: "산출물에 누설 금지"와 "배관 점검용으로도 라벨을 보지 마라"를 혼동하면, 시간 촉박할 때 빠른 피드백을 스스로 차단한다.
- 적용: 제출 모델의 학습/선택 신호는 train-disjoint independent val에서만. test-GT는 산출물로 흐르는 어떤 것도 건드리지 않는 격리 경로에만.
3. EDA는 필수: 멀티모달이면 사람이 raw/overlay 이미지를 직접 본다
- 모델링 전 EDA는 비협상. 라벨 있는 멀티모달/CV는 분포 통계로 끝내지 말고 사람(또는 Claude vision)이 raw 이미지(detection/seg면 overlay)를 실제로 본다.
- 왜: 집계 통계는 "다 봤다"는 거짓 인상을 준다. 멀티모달은 이미지가 판별 근거를 들고 있어 라벨-이미지 정합은 통계로 알 수 없다.
- 적용: interactive viewer(예:
ml:cv-notebook의 exploration mode)로 strata별 샘플을 눈으로, 숫자 신뢰 전에.
4. 오류 분석: 지표가 아니라 실제 FP/FN 이미지를 본다
- 틀린 케이스(FP/FN)는 실제 이미지를 열어 (질문·선택지·정답)과 대조해 왜 틀렸는지 추론한다(overlay 포함). 그 인사이트를 다음 데이터/모델 변경의 입력으로 삼는다.
- 왜: 지표는 "얼마나 틀렸나"만 주고 "왜"는 못 준다. 왜(라벨 오류 / 이미지 모호 / 모델이 이미지 무시하고 text-prior 의존)는 픽셀에만 보이고, 그게 다음 iteration을 끈다.
- 적용: eval 후 FP/FN을 이미지와 함께 덤프하는 코드를 실행 → 샘플 육안 리뷰 → 구체적 데이터/aug/prompt 변경으로 환원.
5. GPU 처리량: 모델 크기에 맞는 병렬 전략 + eff-batch 불변식
- 병렬을 모델 크기에 맞춘다: 소형(약 3B 이하)은 순수 DDP, ZeRO/deepspeed는 끈다(파티셔닝 오버헤드 > 이득). ZeRO 카고컬트 금지.
- eff-batch 불변식(per_device x accum x n_gpu = 상수)을 유지한 채 per-device batch만 올려 수렴 동역학은 안 바꾸고 속도만 얻는다.
- LoRA rank·flash-attn·grad-checkpointing·bf16이 표준 레버. rank는 메모리 천장에 맞춰 튜닝.
- 모델 여러 개를 병렬 추론할 땐 손수 짠 멀티GPU 런처보다 CUDA_VISIBLE_DEVICES 격리 + per-process가 단순·충분, 배칭은 엔진(예: vLLM)에 맡긴다.
- 왜: "GPU 기계장치 더 동원" != 빠름. 핵심은 모델에 맞는 전략 + eff-batch 고정으로 정확도 회귀 없는 공짜 속도.
- 적용: util 프로파일 → 90% 미만이면 exotic 병렬 꺼내기 전에 deepspeed/ZeRO 오버헤드나 과소 batch부터 의심.
- 데이터셋 전체를 여러 GPU로 나눠 처리해야 하는 경우(위 "여러 모델 병렬 추론"과는 다른 케이스, 단일 모델로 대량 이미지를 처리하는 배치 작업)의 ProcessPool/CUDA_VISIBLE_DEVICES 격리, CUDA Streams, I/O+compute 파이프라인 구현 패턴은 references/gpu-parallel.md 참고.
- 배치 추론 안티패턴(파일 단위 루프), BGR/RGB 순서, Ultralytics YOLO 의 내부 변환 예외, WandB 토글 등 라이브러리 레벨 함정은 references/ml-pitfalls.md 참고.
What ships with it
2 files beside SKILL.md in the same directory: the scripts, references and assets a skill reads on demand. Not counted in the per-session cost; read them before you install if any of them is executable.
What this file has done since we first saw it
Hashed on every crawl. A supply-chain change to an agent config is a question of when, not whether, so the history is kept rather than the latest state alone.
- 1mo ago Changed · +1 lines 2d9671cec9a5
- 1mo ago First seen · 55 lines · 159 tokens per session scan A 87698ed01f0c
ml-dev-principles is a skill published in the GitHub repository YoungjaeDev/my-claude-plugins (2 stars, last pushed yesterday), licensed MIT. It adds 159 tokens to every session and 1,856 once invoked, about $0.0006 per session on Opus 5.5. A static security scan graded it A with 0 findings. No closer match exists in the catalogue, so it is treated as the original; first seen 2026-09-05.
Other skills, from other repositories
arboreto
Infers candidate gene regulatory networks from bulk or single-cell expression data using AertsLab Arboreto GRNBoost2 and GENIE3. Use for transcription factor-target association ranking, compatible Dask execution, sparse expression inputs, and network stability checks.
torchdrug
Builds and troubleshoots TorchDrug 0.2.1 workflows for molecular graphs, property prediction, self-supervised pretraining, molecule generation, retrosynthesis, protein representation learning, and knowledge graph reasoning. Use when code imports torchdrug or needs its datasets, models, tasks, or Engine.
deepspot-m
Generates transcriptome-wide virtual spatial transcriptomics from H&E histology with DeepSpot-M. Used for predicted log1p-CPM expression from 224x224 tiles at about 20x, querying the released protein-coding gene panel by symbol, and whole-slide prediction after resolution-aware tiling with histolab.
pyhealth
Builds and validates PyHealth clinical machine-learning pipelines for EHR, signals, imaging, and medical codes. Use for PyHealth dataset loading, MIMIC-III/IV, eICU or OMOP prediction tasks, patient-level evaluation, mortality/readmission/length-of-stay modeling, medication recommendation, sleep staging, Trainer…
ml-training-recipes
Battle-tested PyTorch training recipes for all domains — LLMs, vision, diffusion, medical imaging, protein/drug discovery, spatial omics, genomics. Covers training loops, optimizer selection (AdamW, Muon), LR scheduling, mixed precision, debugging, and systematic experimentation. Use when training or fine-tuning…
nemo-mbridge-perf-expert-parallel-overlap
Validate and use MoE expert-parallel communication overlap in Megatron-Bridge, including overlapmoeexpertparallelcomm, delaywgradcompute, and flex dispatcher backends such as DeepEP and HybridEP.