Claude Code é um construtor de agentes genuinamente bom. Você descreve o que deseja, ele raciocina sobre o problema, escolhe as ferramentas e envia o código funcional. Para projetos greenfield em bibliotecas bem documentadas, a experiência é quase mágica.
O ponto mais difícil é o mesmo que todo agente de codificação enfrenta: construir em uma plataforma especializada com seus próprios padrões de implantação, convenções de SDK e abstrações de infraestrutura. Claude não conhece seu structure pyproject.toml, qual endpoint chamar para uma previsão em tempo actual ou como conectar Pulumi para uma primeira implantação de produção. Sem esse contexto, você gasta seu tempo corrigindo chamadas de API alucinadas em vez de construir. E nada disso aborda a questão empresarial mais difícil: depois que o agente funciona, como implantá-lo dentro dos limites de governança, em vez de no laptop computer de alguém?
DataRobot preenche essa lacuna em duas direções, e Claude está em ambos os lados. Claude é o modelo padrão no DataRobot Agent Help, o ciclo de design que transforma uma ideia em uma especificação revisável antes que qualquer código exista. E a experiência em plataforma da DataRobot é fornecida como habilidades do agente que são instalados diretamente no Claude Code, então quando Claude escreve a implementação, ele já conhece a plataforma. Juntos, eles fornecem um caminho desde a ideia do agente até a implantação de produção controlada, sem suposições específicas da plataforma no meio.
As duas superfícies são complementares, não redundantes. Um projeta, enquanto o outro cuida da construção.
Assistência ao Agente DataRobot (dr help) | Habilidades do DataRobot em Claude Code | |
|---|---|---|
| O que é isso | Um assistente interativo de design para implantação, Claude Sonnet 4.5 por padrão por meio do LLM Gateway | Pacotes de contexto modulares (SKILL.md pastas) que ensinam a Claude Code as convenções de plataforma do DataRobot |
| O que há de melhor | Pensando nas especificações, simulando chamadas de ferramenta, estruturando o modelo Agentic Starter | Escrevendo a implementação em relação ao SDK validado e aos padrões de implantação |
| Saída | Um agent_spec.md você pode revisar com as partes interessadas, além de um projeto estruturado | Código correto e implantável em seu repositório |
| Quando você alcança isso | O início de um novo agente, quando a intenção ainda é confusa | Implementação e implantação, quando você sabe o que está construindo |
A transferência entre eles é o ponto. O Agent Help é forte na parte que os desenvolvedores geralmente ignoram: decidir o que o agente deve fazer, quais ferramentas ele precisa e como deve se comportar, antes de se comprometer com o código. Ele faz perguntas esclarecedoras, escreve um agent_spec.md em YAML e simula chamadas de ferramenta como um ensaio geral para que você possa validar o design sem precisar de uma implantação ao vivo. Quando a especificação se mantém, você entrega a implementação para Claude Code, onde as habilidades fornecem o contexto de plataforma que a especificação assume.
As habilidades do DataRobot são fornecidas como um plugin do Claude Code. Um comando os instala:
claude plugin set up datarobot-agent-skills@claude-plugins-officialCada habilidade é uma pasta independente com um arquivo SKILL.md, frontmatter YAML que informa a Claude quando a habilidade se aplica e scripts auxiliares que o agente pode executar diretamente. O conjunto cobre treinamento de modelo, implantação, previsões, engenharia de recursos, monitoramento, explicabilidade, preparação de dados e CI/CD para a estrutura do aplicativo, com mais itens adicionados regularmente.
Como as habilidades são definições do Agent Context Protocol, o mesmo repositório funciona no Codex, Gemini CLI, Cursor e outros, mas a instalação do plugin acima é o caminho nativo para Claude Code.
Se preferir o terminal, o instalador common faz o mesmo trabalho:
npx ai-agent-skills set up datarobot-oss/datarobot-agent-skills --agent claudeO Agent Help é instalado como um Plug-in DataRobot CLI e é executado em qualquer lugar onde o DataRobot CLI esteja instalado:
dr plugin set up helpCada equipe de plataforma carrega conhecimento que não existe em nenhum lugar escrito: a etapa de validação que importa antes da chamada de implantação, o campo cuja ausência é um aviso e não um erro, a sequência não escrita que todos conhecem. Um desenvolvedor humano absorve esse julgamento por meio de falhas repetidas. Um agente aborda sua plataforma como um generalista altamente capaz, armado apenas com a área de superfície que você disponibilizou explicitamente. Se a sequência correta estiver implícita apenas na documentação, o agente infere a sua própria. Depois improvisa, com confiança, e a improvisação à escala empresarial é um tipo de risco diferente da improvisação numa caixa de areia.
As habilidades preenchem essa lacuna ao empacotar o julgamento operacional no contexto do escopo da tarefa em que um agente pode agir. Isso também significa que eles exigem a disciplina de lançamentos de código, não de atualizações de documentação. Documentos errados confundem um desenvolvedor, que abre um ticket de suporte. Uma habilidade errada leva um agente a executar um fluxo de trabalho interrompido automaticamente, em escala e com whole confiança. Portanto, as habilidades do DataRobot carregam registros de alterações, CI que as verifica em relação à API da plataforma atual e revisão obrigatória antes da fusão. Quando a plataforma evolui, as habilidades evoluem através do mesmo processo que você usaria para uma mudança significativa no SDK.
A medida de uma plataforma nativa do agente é o quanto o agente precisa ter alucinações. Estamos trabalhando para que esse número chegue a zero.
Na sessão do Claude Code abaixo, apontamos ao agente uma conta DataRobot contendo 130 conjuntos de dados e 97 implantações acumuladas ao longo de anos de trabalho de produção de IA (sistemas de previsão, classificadores de rotatividade, implantações GenAI, servidores MCP). Claude leu instantaneamente os esquemas de recursos de 32 implantações ativas e os nomes das colunas de 138 conjuntos de dados.
Observe o comportamento. A habilidade instruiu o agente a inspecionar primeiro o esquema de implantação, entendendo o que o modelo espera antes de tocar em qualquer dado. Os sete recursos necessários não foram adivinhados; eles foram lidos na implantação ao vivo. A confirmação de que churn_data.csv period válido aconteceu coluna por coluna. Este é o agente de validação estrutural que geralmente ignora quando nada o impõe. Aqui ele funcionou silenciosamente, antes mesmo de o usuário pedir uma pontuação.
O modelo de rotatividade ao vivo foi executado no conjunto de dados do cliente, o trabalho foi concluído e os resultados chegaram localmente. Um immediate de acompanhamento mais tarde:
As 651 contas no topo dessa distribuição apresentam uma probabilidade média de rotatividade de 0,905.
Em poucos minutos, identificamos as contas de clientes nas quais a equipe de retenção precisa atuar. A habilidade tornou o fluxo de trabalho que produziu esse resultado confiável o suficiente para ser confiável. E o agente, sem ser questionado, passou de “aqui estão os resultados” para “aqui está o que você faz com eles”.
Vale a pena dar uma pausa nessa última etapa. A habilidade codifica o fluxo de trabalho de previsão e o agente interpreta a saída. A combinação produz algo que nenhum dos dois teria produzido sozinho: um caminho completo desde o conjunto de dados brutos até a ação empresarial priorizada, em uma única sessão de conversação, em um ambiente de produção com anos de complexidade actual subjacente.
Da primeira pergunta à lista closing de divulgação: três solicitações, uma sessão, nenhuma documentação consultada e nenhuma etapa alucinada.
É assim que se parece uma plataforma ensinável: habilidades como SDKs.
Habilidades e modelos fornecem um aplicativo funcional para que você possa dedicar seu tempo às decisões que realmente são suas. Carregue prompts do Immediate Administration Registry por ID em vez de codificá-los. Configure os fallbacks do LLM antecipadamente, porque uma interrupção do provedor não deve deixar o agente offline. Anexe uma proteção de injeção imediata e adicione proteções de toxicidade e PII antes que os usuários reais cheguem. Exija aprovação humana para qualquer ferramenta com efeitos colaterais. Crie um conjunto de dados dourado para saber se uma mudança imediata tornou o agente melhor ou pior. Nada disso é exclusivo do DataRobot; são eles que separam um agente implantado de um agente de produção. A diferença é que a plataforma dá o native para colocá-los.
Para manter a realidade: as habilidades fornecem contexto, não mágica. Eles não concluirão a conexão OAuth para uma fonte de dados de terceiros nem garantirão que um agente complexo de multiintegração funcione sem iteração. O que eles eliminam é a classe de erros que vem de um agente de codificação que não conhece as especificações da plataforma: endpoints errados, parâmetros de tempo de execução ausentes, declarações de dependência incorretas, padrões locais e de implantação mistos. É aí que se perde a maior parte do tempo do desenvolvedor em uma nova plataforma, e é essa parte que essa pilha resolve.
A lacuna entre um protótipo de agente e um agente em produção é principalmente um contexto operacional. Claude escreve o código. DataRobot fornece o contexto e o native para executá-lo. Juntos, esse é o caminho mais curto e confiável entre uma ideia e uma implantação governada.