Communitygithub.com

grahama1970/openai-docs

Verwenden, wenn der Benutzer fragt, wie er mit OpenAI-Produkten oder APIs entwickeln kann, nach Codex selbst oder der Auswahl von Codex-Oberflächen fragt, aktuelle offizielle Dokumentation mit Zitaten benötigt, Hilfe bei der Auswahl des neuesten Modells für einen Anwendungsfall, der neuesten/aktuellen/Standard-Prompting-Anleitung oder Modell-Upgrade- und Prompt-Upgrade-Anleitung benötigt; verwenden Sie OpenAI-Docs-MCP-Tools für Nicht-Codex-Dokumentationsfragen, verwenden Sie zuerst den Codex-Handbuch-Helper für allgemeines Codex-Selbstwissen und beschränken Sie die Fallback-Internetsuche auf offizielle OpenAI-Domains.

Was ist openai-docs?

Diese Fähigkeit bietet autoritative, aktuelle Anleitung aus den OpenAI-Entwicklerdokumenten unter Verwendung des MCP-Servers developers.openai.com. Sie ist der primäre Anlaufpunkt für Entwickler, die mit OpenAI-APIs arbeiten, Modelle auswählen, migrieren oder Prompting-Anleitungen benötigen. Die Fähigkeit unterstützt mehrere Oberflächen, darunter Claude Code, Cursor und Codex, und nutzt ein mehrstufiges Quellen-Prioritätssystem: Zuerst wird der Codex-Handbuch-Helper für Codex-spezifisches Wissen verwendet, dann der Docs-MCP-Server für andere OpenAI-Dokumentationsfragen, und schließlich die offizielle Web-Suche als Fallback. Die Fähigkeit enthält auch eine spezielle Logik zur Behandlung von Anfragen zu den neuesten Modellen, die einen plattformspezifischen Resolver ausführt, bevor auf andere Quellen zurückgegriffen wird. Dadurch wird sichergestellt, dass Entwickler stets die aktuellsten Informationen zu Modellmigrationen, Prompting-Best-Practices und API-Referenzen erhalten.

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

In Ihrer bevorzugten KI fragen

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

Dokumentation

OpenAI-Dokumentation

Bietet autoritative, aktuelle Anleitung aus den OpenAI-Entwicklerdokumenten unter Verwendung des developers.openai.com MCP-Servers. "Docs MCP" bedeutet mcp__openaiDeveloperDocs__search_openai_docs und mcp__openaiDeveloperDocs__fetch_openai_doc; für API-Referenz-, Schema-, Parameter- oder Pflichtfeld-Fragen verwenden Sie auch mcp__openaiDeveloperDocs__get_openapi_spec, wenn verfügbar. Die offizielle Domain-Web-Suche ist Fallback, nachdem diese Tools nicht verfügbar oder nicht hilfreich sind. Allgemeine Codex-Fragen verwenden zuerst den Handbuch-Helper, bevor der Docs MCP verwendet wird. Diese Fähigkeit ist auch zuständig für die Modellauswahl, API-Modellmigration und Prompt-Upgrade-Anleitung.

API-Schlüssel-Einrichtung

Für Anfragen zum Erstellen, Ausführen, Konfigurieren, Debuggen oder Implementieren einer API-gestützten App, eines Skripts, einer CLI, eines Generators oder eines Tools verwenden Sie zuerst openai-platform-api-key, wenn verfügbar. Nachdem diese Anmeldeinformationsprüfung abgeschlossen ist, kehren Sie hierher zurück, um bei Bedarf aktuelle Dokumente zu erhalten.

Verwenden Sie diese Fähigkeit direkt für reine Dokumentationsfragen, Zitate, Modell-/API-Anleitungen, konzeptionelle Erklärungen und Beispiele, die kein Erstellen oder Ausführen eines API-gestützten Artefakts erfordern.

Für Anfragen zur neuesten/aktuellen/Standard/nicht spezifizierten Modellmigration oder Prompting-Anleitung führen Sie den Nur-Lese-Auflöser für das neueste Modell und den Abruf der Anleitung durch, bevor die API-Schlüssel-Anmeldeinformationsprüfung durchgeführt wird. Die Anmeldeinformationsprüfung blockiert weiterhin Bearbeitungen, Tests und API-gestützte Implementierungen, bis sie abgeschlossen ist; sie blockiert nicht den Nur-Lese-Abruf der aktuellen Modell-, Migrations- oder Prompting-Anleitung.

Erste Aktion bei Änderungen des neuesten Modells

Bevor Sie den Speicher lesen, das Repository inspizieren, Dokumente abrufen oder API-Anmeldeinformationen überprüfen, klassifizieren Sie die Anfrage:

  • Neueste/aktuelle Prompting-Anleitung oder angeforderte Änderung + neuestes/aktuellstes/neuestes/empfohlenes/Standard/Flaggschiff/nicht spezifiziertes Ziel: Führen Sie sofort den Auflöser mit dem plattformspezifischen Befehl unten aus und überprüfen Sie seine JSON-Ausgabe. Dies umfasst Fragen, wie das neueste Modell zu prompten ist, das Ändern von Prompts, eine Modellauswahl, Modellreferenzen, eine SDK-Integration, das Ersetzen eines älteren benannten Modells durch "das aktuelle Modell" oder die Frage "zu welchem Modell soll ich migrieren/upgraden?". Rufen Sie für diesen Zweig nicht direkt latest-model.md ab.
  • Reine Modellauswahlfrage ohne Prompting-Anleitung oder angeforderte Änderung: Rufen Sie direkt https://developers.openai.com/api/docs/guides/latest-model.md ab; führen Sie den Auflöser nicht aus.
  • Angeforderte Änderung + explizites Zielmodell: Behalten Sie dieses Ziel bei; führen Sie den Auflöser für das neueste Modell nicht aus. Für eine explizite GPT-5.6 Sol- oder GPT-5.6-Familienmigration rufen Sie die Live-GPT-5.6-Modell-Anleitungsseite ab und lesen Sie references/upgrading-to-gpt-5p6-sol.md für die fähigkeitsspezifische Migrationsbewertung.
  • Prompting- oder Migrationsanleitung für ein explizit benanntes GPT-5-Familienmodell: Rufen Sie https://developers.openai.com/api/docs/guides/model-guidance?model=<angefordertes-modell> über den Docs MCP ab und extrahieren Sie den relevanten Migrationsabschnitt oder den Abschnitt ## Prompting Best Practices bis zur nächsten H2-Überschrift. Ersetzen Sie dies nicht durch die Anleitung des neuesten Modells.

Führen Sie den Auflöser aus, ohne sich auf ausführbare Dateien im Dateisystem zu verlassen:

  • POSIX-Shells: sh <skill-verz>/scripts/resolve-latest-model-info
  • Windows: Führen Sie die CommonJS-Implementierung mit Node.js 18 oder neuer aus: node <skill-verz>\scripts\resolve-latest-model-info.cjs. Wenn node nicht verfügbar oder zu alt ist und load_workspace_dependencies verfügbar ist, verwenden Sie die von diesem Befehl zurückgegebene Node.js-Ausführungsdatei für diesen Befehl. Versuchen Sie nicht, den POSIX-Wrapper ohne Erweiterung direkt unter Windows auszuführen.

Unterdrücken oder leiten Sie für den Auflöser-Zweig dessen stdout nicht um. Erfolg erfordert JSON, das model, migrationGuideUrl und promptingGuideUrl enthält; wenn der Befehl ohne alle drei Felder beendet wird, führen Sie ihn einmal erneut aus, bevor Sie einen Fallback verwenden.

Quellenpriorität

  • Für Codex-Selbstwissen verwenden Sie den Codex-Quellenpfad unten; dieser entscheidet, wann der Handbuch-Helper, der Docs MCP oder eine begrenzte Unsicherheit verwendet wird.
  • Für Nicht-Codex-OpenAI-Dokumentationsfragen verwenden Sie mcp__openaiDeveloperDocs__search_openai_docs, um die relevantesten Dokumentseiten zu finden.
  • Für Nicht-Codex-OpenAI-Dokumentationsfragen rufen Sie die relevante Seite mit mcp__openaiDeveloperDocs__fetch_openai_doc ab, bevor Sie antworten. Wenn die Suche verrauscht ist, führen Sie eine engere Docs-MCP-Suche durch; wenn eine plausible offizielle OpenAI-Dokument-URL bekannt oder gefunden ist, versuchen Sie, diese URL über den Docs MCP abzurufen, bevor Sie sich auf Web-Suchinhalte verlassen.
  • Für API-Referenz-, Schema-, Parameter- oder Pflichtfeld-Fragen verwenden Sie mcp__openaiDeveloperDocs__get_openapi_spec, wenn verfügbar, um die API-Form zusammen mit der relevanten Anleitung oder Referenzseite zu überprüfen.
  • Verwenden Sie mcp__openaiDeveloperDocs__list_openai_docs nur, wenn Sie Nicht-Codex-Seiten ohne eine klare Abfrage durchsuchen oder entdecken müssen.
  • Für die neueste/aktuelle Prompting-Anleitung, Modell-Upgrades oder Prompt-Upgrades wenden Sie den Klassifizierer für die erste Aktion oben an und verwenden Sie dessen plattformspezifischen Auflöserbefehl. Unter POSIX verwendet der Wrapper eine kompatible Node.js 18+ Laufzeitumgebung aus $NODE, PATH oder gebündelten/systemweiten Fallbacks. Unter Windows verwenden Sie eine kompatible Node.js-Ausführungsdatei, um die .cjs-Implementierung direkt auszuführen. Wenn keine kompatible Laufzeitumgebung verfügbar ist, rufen Sie load_workspace_dependencies auf, wenn verfügbar, und wiederholen Sie den entsprechenden Befehl einmal mit der zurückgegebenen Node.js-Ausführungsdatei.
  • Für reine Dokumentations-Modellauswahlfragen, die nicht das Ändern einer App, eines Projekts, eines Repositorys, einer Modellkonfiguration oder von Prompts verlangen, rufen Sie zuerst https://developers.openai.com/api/docs/guides/latest-model.md ab. Wenn dies nicht verfügbar ist, laden Sie references/latest-model.md.
  • Bewahren Sie explizite Zielanfragen: Wenn der Benutzer ein Zielmodell wie "zu GPT-5.4 migrieren" nennt, behalten Sie dieses angeforderte Ziel bei, auch wenn latest-model.md ein neueres Modell nennt. Erwähnen Sie neuere Anleitungen nur optional.
  • Wenn eine aktuelle Remote-Anleitung benötigt wird, behandeln Sie die zurückgegebenen Migrations- und Prompting-Anleitungs-URLs als undurchsichtig und rufen Sie diese exakten URLs direkt ab. Leiten Sie keine Modellabfrage daraus ab, ersetzen Sie sie nicht durch eine und hängen Sie sie nicht an. Wenn eine Prompting-Anleitungs-URL auf eine kombinierte Modell-Anleitungsseite auflöst, extrahieren Sie nur den Abschnitt ## Prompting Best Practices bis zur nächsten H2-Überschrift. Wenn eine abgerufene Anleitung nur einen Titel oder keinen wesentlichen Inhalt enthält, wiederholen Sie die genaue Markdown-URL über den MCP/Such-Fallback; wenn auch das fehlschlägt, verwenden Sie gebündelte Fallback-Referenzen und geben Sie den Fallback bekannt.

OpenAI-Produktübersichten

  1. Apps SDK: Erstellen Sie ChatGPT-Apps, indem Sie eine Webkomponenten-Benutzeroberfläche und einen MCP-Server bereitstellen, der die Tools Ihrer App für ChatGPT bereitstellt.
  2. Responses API: Ein einheitlicher Endpunkt, der für zustandsbehaftete, multimodale, toolnutzende Interaktionen in agentischen Workflows entwickelt wurde.
  3. Chat Completions API: Generieren Sie eine Modellantwort aus einer Liste von Nachrichten, die eine Unterhaltung bilden.
  4. Codex: Der KI-Codierungsagent von OpenAI für die Softwareentwicklung, der Code schreiben, verstehen, überprüfen und debuggen kann.
  5. gpt-oss: OpenAI-Open-Weight-Reasoning-Modelle (gpt-oss-120b und gpt-oss-20b), die unter der Apache 2.0-Lizenz veröffentlicht wurden.
  6. Realtime API: Erstellen Sie latenzarme, multimodale Erlebnisse, einschließlich natürlicher Sprach-zu-Sprach-Unterhaltungen.
  7. Agents SDK: Ein Toolkit zum Erstellen agentischer Apps, bei denen ein Modell Tools und Kontext verwenden, an andere Agenten übergeben, Teilergebnisse streamen und eine vollständige Ablaufverfolgung führen kann.

Codex-Selbstwissen

Verwenden Sie diesen Pfad für Fragen zu Codex selbst: Konfiguration, Erweiterung, Betrieb, Fehlerbehebung, lokaler Zustand, Produktoberflächen oder wo Codex-Verhalten zu Hause sein sollte. Eine Codebasis, die lediglich ein Plugin, eine Fähigkeit, einen Hook, einen MCP-Server, einen Browser oder eine Automatisierung erwähnt, reicht nicht aus. Beantworten Sie für generische Softwareaufgaben die Softwareaufgabe direkt; wenn gefragt wird, ob Codex-Selbstwissen zutrifft, beantworten Sie diese Meta-Frage kurz und fahren Sie mit dem angeforderten Artefakt fort.

Quellenpfad

Das Codex-Handbuch ist die erste Quelle für breite Codex-Synthesen. Behandeln Sie das Handbuch und den Docs MCP als unterschiedliche Spuren, nicht als austauschbare offizielle Dokumentquellen. Für veröffentlichte Benutzerfragen zu Codex-Produkten ist der Quellenpfad vollständig: das Handbuch, der Docs MCP, wenn dieser Pfad ihn erfordert, der offizielle OpenAI-Web-Fallback und aufrufbare Fähigkeiten, die in der aktuellen Sitzung sichtbar sind, wenn die Frage diese Fähigkeit betrifft. Wissensdatenbanken außerhalb von developers.openai.com liegen für öffentliche Produktantworten außerhalb dieses Pfades.

Für breite Codex-Verhaltens-, Einrichtungs-, Anpassungs-, Fähigkeiten-, Plugin-, MCP-, Hook-, AGENTS.md-, Automatisierungs-, Oberflächen-, lokalen Zustands- oder Systemkartenfragen:

  1. Verwenden Sie einen Pfad für Handbuch und Gliederung aus demselben Thread wieder, wenn dieser noch aktuell ist.
  2. Führen Sie andernfalls zuerst den fähigkeitslokalen Helfer in normalen beschreibbaren Sitzungen aus. Überspringen Sie ihn ohne Versuch nur, wenn die Sitzung explizit schreibgeschützt ist, die Shell-Ausführung nicht verfügbar ist oder die sichtbare Richtlinie keinen zulässigen temporären Cache zeigt.
  3. Standardmäßig wählt der Helfer das erste verwendbare temporäre Cache-Verzeichnis in dieser Reihenfolge: $TMPDIR/openai-docs-cache, %TEMP%\openai-docs-cache, %TMP%\openai-docs-cache, /private/tmp/openai-docs-cache, dann /tmp/openai-docs-cache. Nur Arbeitsbereich-Schreibzugriff reicht für diesen temporären Cache nicht aus.
  4. Führen Sie den Helfer direkt aus, es sei denn, Sie müssen das Cache-Verzeichnis überschreiben. Der Helfer fällt auf curl zurück, wenn nativer fetch nicht verfügbar ist oder wenn Proxy-Umgebungsvariablen vorhanden sind, daher ist kein shell-spezifisches Proxy-Präfix erforderlich. Lösen Sie <skill-verz> in das tatsächliche Verzeichnis dieser Fähigkeit auf; in kopierten lokalen Evaluierungs-Arbeitsverzeichnissen ist dies normalerweise .codex/skills/openai-docs:
node <skill-verz>/scripts/fetch-codex-manual.mjs

Wenn Sie das Cache-Verzeichnis überschreiben müssen, übergeben Sie --cache-dir <cache-verz>. Unter Windows überprüft der Helfer automatisch %TEMP% und %TMP%; in PowerShell ist $env:TEMP\openai-docs-cache eine typische explizite Überschreibung.

Behandeln Sie die Verfügbarkeit des Helfers als durch explizite schreibgeschützte/keine-Shell-Richtlinie oder ein tatsächliches Befehlsergebnis festgelegt. Ein vermuteter Sandkasten oder ein vermuteter Helferfehler reicht nicht aus, um zum Docs MCP oder zur Web-Suche zu wechseln; nach einem tatsächlichen Helferbefehlsfehler fahren Sie mit der engsten offiziellen nächsten Quelle unten fort.

Der Helfer überprüft die Aktualität, schreibt codex-manual.md und gibt codex-manual.outline.md aus. Die Gliederung ordnet Quellseiten und Überschriften Zeilenbereichen zu; verwenden Sie sie, um den relevanten Handbuchabschnitt auszuwählen, und lesen oder durchsuchen Sie dann gezielte Handbuchabschnitte nach Codex-Produktfakten. Verwenden Sie das Fähigkeitsverzeichnis, um den Helfer zu lokalisieren und auszuführen; nachdem der Helfer erfolgreich war, verwenden Sie die zurückgegebenen Handbuch- und Gliederungspfade als Suchbereich für Codex-Produktfakten und Begriffabdeckungsprüfungen.

Verwenden Sie die Handbuch- und Gliederungspfade desselben Threads für Folgefragen zu Codex wieder. Aktualisieren Sie sie zuerst, wenn das Handbuch vor mehr als etwa einem Tag abgerufen wurde, der Pfad unbrauchbar ist, der Pfad aus einem anderen Thread oder von unsicherer Herkunft stammt oder wahrscheinlich aktuelle Informationen fehlen und Veraltung plausibel ist.

Für Fragen, ob das Handbuch aktuell genug ist, um sich jetzt darauf zu verlassen, führen Sie den Helfer aus, wenn temporäres Caching erlaubt ist, und basieren Sie die Antwort auf seinem zurückgegebenen Status, Handbuchpfad und Gliederungspfad.

Wenn das Handbuch eine Codex-Behauptung auflöst, antworten Sie daraus und hören Sie auf, Quellen für diese Behauptung zu erweitern; fahren Sie mit der breiteren Aufgabe des Benutzers fort, wenn die Dokumentensuche nur eine Abhängigkeit war. Handbuchquellseiten und bekannte Anker sind ausreichende Zitierunterstützung für handbuchabgedecktes Material.

Wenn der Helfer übersprungen wird, weil die Sitzung schreibgeschützt ist, keine Shell-Ausführung hat oder keinen zulässigen temporären Cache hat, ist die nächste Quelle der Docs MCP: Rufen Sie mcp__openaiDeveloperDocs__search_openai_docs auf, dann mcp__openaiDeveloperDocs__fetch_openai_doc für einen relevanten Treffer, bevor Sie einen Web-Fallback verwenden.

Wenn ein Benutzer einen Codex-Begriff oder -Modus nennt, den ein aktuelles Handbuch nicht verwendet, durchsuchen Sie das Handbuch nach offensichtlich verwandten Konzepten, antworten Sie dann, dass der genaue Begriff nicht dokumentiert ist, und verwenden Sie die nächstgelegene dokumentierte Terminologie. Wenn die Aufforderung fragt, wie dieser Begriff auf das Codex-Verhalten abgebildet wird, lösen Sie die Abbildung aus benachbarten Handbuchabschnitten auf. Wenn der genaue Begriff nach diesem Handbuchdurchgang weiterhin wesentlich oder wahrscheinlich aktuell ist, verwenden Sie eine enge Docs-MCP-Suche/-Abruf vor der begrenzten Unsicherheit; andernfalls ist die Quellensuche für diese Terminologie- oder Abbildungsbehauptung abgeschlossen.

Verwenden Sie die engste offizielle nächste Quelle nur, wenn das Handbuch nicht verfügbar ist, der Helfer fehlschlägt, temporäres Caching nicht erlaubt ist, eine andere wesentliche Behauptung fehlt oder wahrscheinlich veraltet ist oder der Benutzer explizit ein seiten spezifisches Zitat benötigt. Bevorzugen Sie eine spezifische Docs-MCP-Suche und, wenn sie eine klar relevante Seite zurückgibt, einen Abruf; für ungelöste Codex-Fähigkeitsnamen, Akronyme, Planungsbegriffe oder genauen Fehlertext ist dieser Docs-MCP-Schritt die nächste Quelle vor der Websuche. Nach dem Handbuch plus jedem zulässigen Docs-MCP-Lückenschluss lösen Sie verbleibende Lücken als begrenzte Unsicherheit auf. Verwenden Sie den offiziellen Domain-Web-Fallback erst nachdem dieser Docs-MCP-Pfad nicht verfügbar oder nicht hilfreich ist. Wenn die Behauptung immer noch nicht festgestellt ist, hören Sie mit begrenzter Unsicherheit auf. Wenn offizielle Dokumentation/Handbuch mit einer bereits in der aktuellen Sitzung sichtbaren aufrufbaren Fähigkeit in Konflikt stehen, geben Sie den Konflikt an und bevorzugen Sie verifiziertes aktuelles Sitzungsverhalten für diese Umgebung.

Für nicht dokumentierte oder privat aussehende Modell-Slugs, Produktmodusbezeichnungen, Berechtigungsetiketten, Kontozugriffspfade oder Rollout-Namen antworten Sie aus aktuellen öffentlichen Dokumenten und begrenzter Unsicherheit. Diese Bezeichnungen sind kein Grund, den öffentlichen Quellenpfad zu verlassen.

Für supportartige Diagnosen bevorzugen Sie eine schichtweise Antwort aus dem Handbuch gegenüber anbieterspezifischen Websuchen: installiertes/aktiviertes Plugin, gebündelte App- oder Connector-Autorisierung, MCP-Einrichtung, Arbeitsbereich/Admin-Richtlinie, Neustart oder Erwartungen an neuen Thread, dann Support oder Feedback, falls immer noch ungelöst.

Wenn der Quellenpfad immer noch keine Behauptung herstellt, geben Sie begrenzte Unsicherheit zurück oder leiten Sie an Support, einen Administrator oder Produkt-Feedback weiter, anstatt die Untersuchung zu erweitern.

Für ungelöste Produktterminologie antworten Sie aus dem Handbuch plus der zulässigen offiziellen nächsten Quelle. Wenn diese Quellen den Begriff nicht herstellen, antworten Sie mit begrenzter Unsicherheit aus diesen Quellen.

Oberflächenkarte

Wenn Codex-Nomen oder Oberflächen dauerhafter Anweisungen sich überschneiden, empfehlen Sie die kleinste Oberfläche, die dem Umfang entspricht:

  • Prompt oder Thread-Kontext -> einmalige Aufgabenbeschränkungen.
  • AGENTS.md -> dauerhafte Repository-Konventionen, Befehle, Verifizierungsschritte und Überprüfungserwartungen; nähere verschachtelte Dateien gelten unter ihrem Unterbaum.
  • Projekt .codex/config.toml ->

…

[gekürzt für die Übersetzung]

Individual skills in this repo

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

grahama1970/acceptance-contract

Turn a client brief, zip bundle, directory, or single requirements file into a typed acceptance-contract bundle with extracted requirements, acceptance checks, open questions, an immutable-goal draft, and a create-report-backed decision report. Use when users say acceptance contract, brief to requirements, freeze the goal, create immutable goal, amend immutable goal, build a Battle requirements bundle, or extract requirements from this bundle.

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.

Verwandte Skills