Gitlab Ci Patterns
38.8kConstruye pipelines de GitLab CI/CD con flujos multi-stage, caché y runners distribuidos para automatización escalable.
- Costo de contexto al activarse
- 1.4k tok
- Tamaño del paquete
- 1 archivo
- Última actualización
- hace 3 meses
Descubre los más nuevos, más activos o más ligeros.
Construye pipelines de GitLab CI/CD con flujos multi-stage, caché y runners distribuidos para automatización escalable.
Diseña pipelines CI/CD multi-etapa con gates de aprobación, verificaciones de seguridad y orquestación de despliegues, incluyendo canary, rollback y depuración de gates fallidos.
Professional AI headshots in minutes.
Configura mutual TLS (mTLS) para comunicación zero-trust entre servicios, incluyendo gestión de certificados y seguridad de comunicación interna.
Configura la gestión de tráfico de Istio: enrutamiento, balanceo de carga, circuit breakers y despliegues canary para políticas de service mesh en producción.
Construye módulos Terraform reutilizables para infraestructura AWS, Azure, GCP y OCI siguiendo buenas prácticas de infraestructura como código.
Domina patrones de componentes en React, Vue y Svelte: CSS-in-JS, estrategias de composición y arquitectura de componentes reutilizables para design systems.
Domina dbt para ingeniería analítica: organización de modelos, testing, documentación y estrategias incrementales para transformaciones de datos.
Domina patrones de manejo de errores entre lenguajes (excepciones, Result types, propagación de errores, degradación elegante) para crear aplicaciones resilientes.
Configura y optimiza workspaces monorepo de Nx: útil al montar Nx, definir límites de proyecto, optimizar el caching de builds o implementar comandos affected.
Genera y mantiene especificaciones OpenAPI 3.1 a partir de código, con enfoque design-first y patrones de validación de contratos de API.
Gestiona memoria unificada y térmicas durante jobs de ML largos en NVIDIA DGX Spark: headroom en GB10, OOMs en memoria unificada y monitoreo de temperatura/potencia.
Construye sistemas RAG (Retrieval-Augmented Generation) para aplicaciones LLM con bases de datos vectoriales y búsqueda semántica, integrando conocimiento externo.
Úsalo al escribir documentación técnica legible tanto por humanos como por modelos de IA, convertir documentos existentes a HADS, validar un documento HADS u optimizar docs para consumo eficiente de tokens.
Domina la gestión moderna de estado en React con Redux Toolkit, Zustand, Jotai y React Query, para estado global, estado de servidor o elegir la solución adecuada.
Crea runbooks estructurados de respuesta a incidentes con procedimientos paso a paso, rutas de escalamiento y acciones de recuperación para outages, bases de datos y onboarding de guardias.
Úsalo al hacer cambios de UI/frontend guiados por contexto visual: selecciones de elementos, anotaciones o capturas de pantalla junto con la solicitud de cambio.
Domina funciones ES6+ como async/await, destructuring, spread, arrow functions, promesas, módulos, iteradores y patrones funcionales para JavaScript limpio y eficiente. Úsalo al refactorizar código legacy o implementar patrones modernos.
Diseña, organiza y gestiona charts de Helm para plantillar y empaquetar aplicaciones Kubernetes con configuraciones reutilizables.
Crea manifiestos de Kubernetes listos para producción (Deployments, Services, ConfigMaps, Secrets) siguiendo buenas prácticas y estándares de seguridad.
Úsalo cuando pidan optimizar un prompt, mejorar su rendimiento, diseñar una plantilla, aplicar chain-of-thought, few-shot prompting o técnicas avanzadas de prompt engineering para producción.
Implementa búsqueda por similitud eficiente con bases de datos vectoriales; útil para búsqueda semántica, consultas de vecinos más cercanos u optimización de retrieval.
Prepara, formatea y valida datasets para fine-tuning supervisado y entrenamiento de preferencias: formato, plantillas de chat, packing, datos sintéticos y dataset card.
Alinea un modelo ya afinado con datos de preferencia usando DPO, ORPO, KTO o SimPO; para cuando existen pares de preferencia o feedback, o hay que elegir método o depurar un run de DPO.
Entrena comportamiento de razonamiento y tareas verificables con GRPO y RL a partir de recompensas verificables (RLVR): cuándo aplicar RL, la receta de referencia y el gate de inspección de rewards.