Communitygithub.com

grahama1970/acceptance-contract

Verwandle ein Kunden-Briefing, ZIP-Bündel, Verzeichnis oder eine einzelne Anforderungsdatei in ein typisiertes Abnahmevertrag-Bündel mit extrahierten Anforderungen, Abnahmeprüfungen, offenen Fragen, einem Entwurf eines unveränderlichen Ziels und einem durch einen create-report gestützten Entscheidungsbericht. Verwende dies, wenn Benutzer Begriffe wie „Abnahmevertrag“, „Briefing zu Anforderungen“, „Ziel einfrieren“, „unveränderliches Ziel erstellen“, „unveränderliches Ziel ändern“, „Battle-Anforderungsbündel erstellen“ oder „Anforderungen aus diesem Bündel extrahieren“ verwenden.

Was ist acceptance-contract?

Dieses Skill wandelt ein Kunden-Briefing, ein ZIP-Bündel, ein Verzeichnis oder eine einzelne Anforderungsdatei in ein strukturiertes, typisiertes Abnahmevertrag-Bündel um. Es produziert eine `acceptance_bundle.json` (pydantic-validierte Quelle der Wahrheit), einen Entscheidungsbericht (`acceptance_report.json` und `acceptance_report.md`) und einen Entwurf eines unveränderlichen Ziels oder Änderungsvorschlags (`IMMUTABLE_GOAL.draft.md`). Der Hauptbefehl `ensure` fungiert als mechanische Absicherung: Er validiert ein bestehendes Bündel oder extrahiert automatisch ein neues, wenn eines fehlt, und schlägt fehl, wenn sich die Quellhashes seit dem Einfrieren des Vertrags geändert haben. Ein Fortschrittsmesser (`acceptance_contract.progress.v1`) zeigt Prozentsatz, Prüfungen, offene Punkte und nächste Schritte an. Dies verhindert, dass aus einem kurzen Briefing heraus implementiert wird, bevor ein bestandener Status (`status=PASS`) vorliegt. Der Skill unterstützt die Modi `extract`, `ensure`, `validate` und `status`, lehnt standardmäßig Repository-Wurzeln ab (um Code-getriebene Prüfungen als Anforderungen zu verhindern) und behandelt Mehrdeutigkeiten als offene Fragen. Er ist für die Verwendung mit CLI-Befehlen konzipiert, die über `skills/acceptance-contract/run.sh` aufgerufen werden, und ist nützlich für die Automatisierung von Anforderungsanalyse-Workflows in der Softwareentwicklung, insbesondere wenn strenge Abnahmekriterien vor der Implementierung erforderlich sind.

Funktioniert mit~Claude Code~Codex CLI~Cursor✓Antigravity
npx skills add https://github.com/grahama1970/agent-skills/tree/main/skills/acceptance-contract

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Was macht acceptance-contract?

Verwende dies vor der Implementierung, wenn ein Briefing, Ticket, eine E-Mail, eine README, ein ZIP-Bündel oder ein Beweispaket in ausführbare Akzeptanzkriterien umgewandelt werden muss.

Erster Befehl für die Implementierungsarbeit:

skills/acceptance-contract/run.sh ensure <zip|directory|file> \
  --out /tmp/acceptance-contract \
  --project-name oai-trial \
  --goal-mode create

ensure ist die mechanische Absicherung: Es validiert ein bestehendes acceptance_bundle.json, extrahiert automatisch eines, wenn es fehlt, und schlägt fehl, wenn sich das gelieferte Quellbündel seit dem Einfrieren des Vertrags geändert hat. Sein JSON-Beleg enthält einen acceptance_contract.progress.v1-Meter mit percent, checks, outstanding, und next_steps. Implementiere nicht aus einem Briefing, bis ensure status=PASS zurückgibt und der Fortschrittsmesser angibt, was noch übrig ist.

Übergib das Kunden-Briefing, ZIP-Bündel oder bewusst bereitgestellte Spezifikationsverzeichnis als Eingabe. Die CLI lehnt Repository-Wurzeln standardmäßig ab, damit Implementierungsdateien nicht stillschweigend zur Akzeptanzquelle werden können. Verwende --allow-repo nur, wenn der Mensch explizit nach einem repository-weiten Vertrag fragt.

Für risikoreiche Kunden-Briefings führe vor der Implementierung eine zweite $ask-Runden-Tisch-Überprüfung des Briefings/ZIP-Bündels plus acceptance_bundle.json durch. Beziehe WebGPT als einen Prüfer ein, wenn verfügbar. Frage direkt: "Sind diese Vertragsanforderungen korrekt, und haben wir etwas übersehen?" Verlange von den Prüfern, zu überprüfen, ob keine Kundenverpflichtung im eingefrorenen Vertrag fehlt, insbesondere Darstellungsklassen, typisierte Werte, Randbedingungen und disqualifizierende Fehlermodi. Die Überprüfung ist beratender Beleg; deterministische Tore entscheiden weiterhin über BESTANDEN/NICHT BESTANDEN. Die oai-trial-Überprüfung ergab, dass die Abdeckung typisierter Skalare auch kanonische Äquivalenz erfordern muss: formatierte Richtlinienzeichenfolgen, nur-Ziffern numerische Skalare, Dezimalformen, wissenschaftliche Notation und SQLite numerische Werte können nicht separate Akzeptanzuniversen sein.

Was es tut

skills/acceptance-contract/run.sh extract <zip|directory|file> \
  --out /tmp/acceptance-contract \
  --project-name oai-trial \
  --goal-mode create

Ausgaben:

  • acceptance_bundle.json — pydantic-validierte Quelle der Wahrheit
  • acceptance_report.json — create_report.report.v1 JSON
  • acceptance_report.md — gerendert durch $create-report
  • IMMUTABLE_GOAL.draft.md — Entwurf des Zieltexts oder Änderungsvorschlag

Befehle:

  • extract schreibt immer ein neues Entwurfsbündel/bündel aus der gelieferten Quelle.
  • ensure validiert oder erstellt das eingefrorene Bündel und lehnt veraltete Quell-Hashes ab.
  • validate validiert nur ein bestehendes acceptance_bundle.json und gibt den Fortschrittsmesser aus.
  • status liest ein bestehendes acceptance_bundle.json und gibt nur den maschinenlesbaren Fortschrittsmesser aus.

Zielrichtlinie

Standardverhalten ist Entwurf, nicht Mutation.

  • --goal-mode create schreibt einen neuen Entwurf eines unveränderlichen Ziels.
  • --goal-mode amend schreibt einen Änderungsvorschlag, keine stille Bearbeitung.
  • --goal-mode none extrahiert Anforderungen ohne Zieltext.

Ein echtes unveränderliches Ziel sollte nur nach menschlicher Genehmigung erstellt oder geändert werden. Diese Regel existiert, weil oai-trial fehlschlug, als implementierungsdefinierte Tests für das Kunden-Briefing einstanden.

Abgrenzung

Dieses Skill extrahiert klare, quellgestützte Anforderungen aus bereitgestellten lokalen Dateien. Es behauptet nicht, dass der extrahierte Vertrag vollständig ist, wenn das Quellbündel mehrdeutig ist. Mehrdeutigkeit wird zu open_questions[] und einem Bericht "Änderungen erforderlich". Es lehnt Repository-Wurzeln standardmäßig ab, weil oai-trial fehlschlug, als codeförmige Prüfungen für das gelieferte Briefing einstanden.

Für Battle übergib das resultierende acceptance_bundle.json als die Arena acceptance_floor und ordne jedes acceptance_cases[].id einer oder mehreren Generator-Case-IDs im Battle-Kampagnenprofil von required_case_ids zu. Diese zugeordneten Fälle sind die Vertragsbasis, die bestehen muss, bevor Fuzz- oder vertragsfremde Angriffe gutgeschrieben werden können. Lass Battle die Anforderungen nicht erfinden.

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

grahama1970/agent-ecosystem

Canonical map and shared contracts for the agent-governance ecosystem: the pi.receipt_envelope.v1 boundary envelope, the component graph, and the rules for which component owns which schema. Use when wiring a skill or extension into the shared receipt world, when asking how shame, triage-error, tau, ask, project-watchdog, ops-herdr, ponytail, and Memory fit together, or when validating an envelope.

grahama1970/agentic-evals

Agentic evaluation of skills using multi-trial fixtures, deterministic command assertions, trajectory checks, safety constraints, and evidence-backed readiness scoring. Use when users ask for agentic evals, multi-trial skill evaluation, skill trajectory validation, or readiness scoring for a skill workflow.

grahama1970/agent-inbox

File-based inter-agent messaging with headless dispatch. Check inbox, send bugs/requests to other projects, automatically spawn headless agents to fix bugs, and track progress via task-monitor.

grahama1970/agents-registry

Generate and query the centralized agent identity registry. Scans .pi/agents/*/AGENTS.md, parses frontmatter, outputs agents-registry.json and optionally syncs to /memory for semantic search.

grahama1970/agent-status

Artifact-driven status surfaces for long-running project-agent work. Maintains status.json, events.jsonl, proof manifests, and a stale-aware STATUS.html so humans can tell where the agent is, what passed, what is still unproven, and what decision or action is next — without dashboard theater.

grahama1970/align

Round-based context alignment before execution. Use when the human, project agent, WebGPT, scillm, ask, dogpile, memory, or project-knowledge may each hold different facts about a task; especially before ambiguous design, infographic, product workflow, high-stakes implementation, plan-iterate, project-infographic, or multi-review work.

grahama1970/analytics

Flexible data science analytics for any dataset. Auto-discovers schema, recommends charts, exports to create-figure. Works with JSONL, JSON, CSV from any source.

grahama1970/analyze-chatterbox-emotions

Evaluate generated Chatterbox voice files as voice-quality artifacts: affect match, arousal/valence proxies, pause placement, intelligibility inputs, clipping, loudness, and discontinuity flags. Use when reviewing Chatterbox emotional tags, pauses, Turbo/base affect delivery, Persona Dream utterance renders, or whether generated speech matches an intended product-facing affect.

grahama1970/analyze-elf

Reverse-engineer features from ELF binaries. Extracts CLI commands, state machines, protocols, Zod schemas, and data models. Automatically generates a /create-walkthrough prosecution brief with Mermaid diagrams. Uses /treesitter for AST analysis of bundled JS/TS source.

grahama1970/animation-vocabulary

Reverse-lookup glossary that turns a vague description of a web animation or motion effect into its exact term ("the bouncy thing when a popover opens" → Pop in; "the iOS rubber-band scroll" → Rubber-banding). Use when the user asks "what's it called when…", or describes a motion effect without knowing its name and wants the right word to prompt an AI or designer with. For naming an effect, not designing or building one.

grahama1970/anonymize-data

Anonymize supported CSV, JSON, UTF-8 text, and SQLite files using an explicit policy through the oai-trial project. Use for anonymize data, pseudonymize exports, redact policy literals, or discover and explicitly approve fuzzy name aliases. The skill is a thin CLI/Docker interface, not another engine.

grahama1970/anvil

Heavy-duty "No-Vibes" debugging and hardening orchestrator. Use this for complex, stubborn bugs where `review-code` has failed, or for "Red Teaming" (hardening) a codebase. Runs multiple agents in parallel (Thunderdome) using git worktree isolation.

grahama1970/apple-design

Apple's approach to interface design and fluid, physical motion, translated for the web. Use when building or reviewing gesture-driven UI, spring animations, drag/swipe/sheet interactions, momentum and interruptible transitions, translucent materials and depth, typography (optical sizing, tracking, leading), reduced-motion, or the design foundations (feedback, spatial consistency, restraint) behind Apple-style interfaces.

grahama1970/argue

Multi-persona structured debate orchestrator. Personas research via /dogpile, consult colleagues via /ask, and argue toward nuanced synthesis on complex questions.

grahama1970/arxiv

Search arXiv for papers and extract knowledge into memory. Use `search` to find papers, `learn` to extract knowledge.

grahama1970/ask

Use when the user asks to query project memory, ask an oracle, use supported browser-backed reviewers, run Tau roundtable/single-handler workflows, ask Pi-native subagents from within Pi, run persona/deep-review workflows, generate image prompts, check OS/project health through composed skills, or run an ask DAG. This skill is the executable /ask runtime; do not replace it with an informal subagent, plain web search, or hand-written review; inside Pi, explicit Pi-native subagent targets are routed through the pi-subagents tool as an Ask target type.

grahama1970/assess

Step back and critically reassess project state. Use when asked to "assess", "step back", "fresh eyes", "check alignment", "sanity check", "health check", "prune documentation", or "evaluate what's working". Offers documentation pruning and doc-code alignment analysis. Offer to run after major changes (don't auto-run).

grahama1970/assistant

Shared GPT + classifier inference gateway for persona monitor tasks. Routes validation and classification through a 4-tier cascade: heuristic → classifier → local GPT → scillm.

grahama1970/assistant-lab

Self-improvement workbench for /assistant. All the tools needed to diagnose, train, evaluate, and promote models in a continuous loop. The "warm pond" where /assistant evolves its own inference stack.

grahama1970/batch-quality

Pre-flight validation and quality gates for batch LLM operations. ACTUALLY tests samples through LLM before burning tokens. Uses SPARTA contracts for DuckDB validation queries. Integrates with task-monitor for enforced quality gates.

Verwandte Skills