Cacher is the code snippet organizer for pro developers

// test.describe.configure({ mode: 'serial' });
// https://playwright.dev/docs/test-parallel#serial-mode
import { test, type Page } from '@playwright/test';

// Annotate entire file as serial.
test.describe.configure({ mode: 'serial' });

let page: Page;

test.beforeAll(async ({ browser }) => {
  page = await browser.newPage();
});

test.afterAll(async () => {
  await page.close();
});

test('runs first', async () => {
  await page.goto('https://playwright.dev/');
});

test('runs second', async 

We would like to inform you that the description box size in the widget form can be increased by using Custom JS code. Kindly add the Custom JS code accordingly so that the description box length/size can be increased based on your requirement.

if(document.querySelector('#description_wrapper')) {
   document.querySelector('#description_wrapper').querySelector('textarea').maxLength = 2000;
}

https://support.bolddesk.com/kb/article/17029/how-can-i-increase-description-field-length-in-web-f

# Écosystème CLI Snowflake — carte synthétique

> **TL;DR** : utilise `snow` (Snowflake CLI) comme couteau suisse moderne. Évite `snowsql` (legacy). Garde `snowcd` sous la main pour les debugs réseau corpo. Les autres outils (Snowpark, dbt-snowflake, snowflake-labs-mcp) ne sont **pas** des CLI, mais s'appuient tous sur le même socle Python.

---

## Carte d'ensemble

```
                  ┌─────────────────────────────┐
                  │ snowflake-connector-python  │  ← socle commun moderne
  

# Tutorial Snowflake MCP avec GitHub Copilot — du quickstart à l'avancé

Tutorial pas-à-pas pour démarrer avec **Snowflake-Labs/mcp** (l'implémentation open-source officielle, qui tourne localement) depuis **VS Code + GitHub Copilot Agent Mode**. On part de zéro et on monte en complexité par paliers, avec des checkpoints à chaque niveau.

> **Note** : ce tutorial cible le serveur **local** (`uvx snowflake-labs-mcp`). Pour la version hébergée Snowflake-managed MCP server (GA novembre 2025), la mi

# MCP Servers dans GitHub Copilot (VS Code) — guide synthétique

## Philosophie de l'outil

GitHub Copilot adopte une approche **UI-first** : la majorité des opérations passent par la **Command Palette** (`Ctrl+Shift+P`) ou par la **vue Extensions**. Les fichiers de configuration (`mcp.json`) restent éditables à la main, mais l'IDE expose toujours une action graphique équivalente.

**Deux portées (scopes) seulement :**

| Scope | Fichier | Utilité |
|---|---|---|
| **Workspace** | `.vscode/mcp.j

# MCP Servers dans Claude Code — guide synthétique

## Philosophie de l'outil

Claude Code adopte une approche **CLI-first** : toute la gestion passe par la sous-commande `claude mcp`, complétée par la slash-command `/mcp` à l'intérieur d'une session. Pas d'interface graphique : tout est explicite et scriptable.

**Trois portées (scopes), à choisir explicitement à l'ajout :**

| Scope | Flag | Fichier | Utilité |
|---|---|---|---|
| **local** (défaut) | `-s local` (implicite) | `~/.claude.json`,

# Snowflake MCP : `managed` vs `Snowflake-Labs/mcp`

Référence synthétique distinguant les **deux produits MCP** estampillés Snowflake. Confusion fréquente parce qu'ils partagent le nom et l'éditeur mais ciblent des usages opposés.

## En une phrase

- **Snowflake-managed MCP server** = produit Snowflake hébergé, créé comme objet SQL, exposé en HTTPS authentifié OAuth → cible **production entreprise**.
- **Snowflake-Labs/mcp** = implémentation open-source à lancer localement (`uvx`), configurée 

Select * from users where true

sk-lm-HJPYSCyI:VZ3n8TyEq0i8ZrpJJrlf

// *** CONSTANTS *** //
const dxFolderName = "— DX —";
const boomTrackName = "BOOM";
const lavTrackName = "LAV";
const lavFaderLevel = "-8.0";

// *** FUNCTIONS *** //
function activateProTools() {
  sf.ui.proTools.appActivateMainWindow();
  sf.ui.proTools.appWaitForActive();
}

function changeTrackHeight() {
  if (sf.ui.useSfx) sf.ui.useSfx();
  if (!sf.ui.proTools.isRunning) throw "Pro Tools is not running";

  function setTrackHeight({ trackSize, scope = "selected" }) {
    const trackOptions

// ============================================================
// PT Session Prep Script — SoundFlow Compatible
//
// Workflow:
//   1. Reads VideoRef .mp4 filenames as the master name source
//   2. Loose-matches each to an AAF subfolder and renames it
//      (the subfolder + the .aaf file inside) to match
//   3. Duplicates the PT template folder for each name into
//      AUDIO/ProTools/<name>/<name>.ptx
//   4. Skips any session whose ProTools or VideoRef folder is green-tagged
//   5. Log

if (!sf.ui.proTools.isRunning) throw "Pro Tools is not running";

if (sf.ui.useSfx) sf.ui.useSfx();
sf.ui.proTools.appActivateMainWindow();

// Ensure Clips List is open
const clipListMenuItem = sf.ui.proTools.getMenuItem(
  "View",
  "Other Displays",
  "Clip List"
);

if (!clipListMenuItem.isMenuChecked) {
  sf.ui.proTools.menuClick({
    menuPath: ["View", "Other Displays", "Clip List"],
  });
  // Wait for window to open
  sf.wait();
}

// Access the Filter button (the button whose title mig

// ***** NOTES ***** //

/* The first thing the script does is check if any tracks are solo'd, then removes the solo.
/* Maybe add functionallity if you need multiple bounces. */
/* Try to remove the "" around the bonce presets. */
/* Try to add an option for NO PRESET. */
/* Add an option for Stems. If that button is clicked, it adds STEMS as a suffix to the file name instead of -MIX_ */
/* Add IF statement - if 0 tracks are selected, select the first track in the session. */





// ***** COD

/* CHECKLIST
- Make sure the Import Session Data window is visible.
- DESELECT the V1 track. Make sure the Audio tracks are all selected.
- Update any preferences and importing options. 
    - Use sf.app.proTools.importSessionData();
- Wait for the "Missing Files" dialogue box to appear.
- Select MAnually Find and Relink.
- Wait for the Relink window to appear.
- USE const CONFIG here.
    - Toggle Preset 1.
    - Find and check Client Folder.
- Click Find Links
- Click Options
- Wait for all Ta

Simple Linear Regression: Predict --> y = b0 + b1x
  b0 = intercept    b1 = slope
Fit are arrays x=[], y=[] --> (b0,b1)

Import linear_model from scikit-learn
  from sklearn.linear_model import LinearRegression
  
Create a Linear Regression object using the constructor:
  lm=LinearRegression()
  
Define predictor and target variables
  x= df[['']]
  y=[['']]

Then "fit", find, the parameters of b0 and b1
  lm.fit(x,y)
  
Obtain prediction
  Yhat=lm.predict(x)

/**
 * @param {string} word
 * @return {number}
 */
var numberOfSpecialChars = function(word) {
    // Track which lowercase and uppercase letters appear
    const lower = new Set();
    const upper = new Set();

    for (const ch of word) {
        if (ch >= 'a' && ch <= 'z') {
            lower.add(ch);
        } else {
            upper.add(ch);
        }
    }

    let count = 0;

    // Check all 26 letters
    for (let i = 0; i < 26; i++) {
        const lc = String.fromCharCode(97 + i); /