Produktionsreifes Grundgerüst für reproduzierbare computergestützte Forschung – 10-stufige DAG-Pipelines, ≥90% Testabdeckung, kryptografische Herkunftssicherung (SHA-256 + steganografisches PDF-Wasserzeichen), Multi-Projekt-Workspace, KI-Agenten-bereit mit AGENTS.md / SKILL.md durchgängig.
Dieses Skill-Projekt 'docxology/template' stellt ein produktionsreifes Grundgerüst für reproduzierbare computergestützte Forschung bereit. Es definiert eine 10-stufige DAG-Pipeline (Directed Acyclic Graph) für Workflows, eine Testabdeckung von mindestens 90 % und eine kryptografische Herkunftssicherung mittels SHA-256-Hashes und steganografischem PDF-Wasserzeichen. Der Skill ist speziell für die Zusammenarbeit mit KI-Agenten optimiert und enthält durchgängig AGENTS.md- und SKILL.md-Dateien, die dem Agenten die Nutzung erleichtern. Das Template unterstützt Multi-Projekt-Workspaces und eignet sich für beliebte Plattformen wie Claude Code, Cursor und Codex. Es automatisiert die Einrichtung einer konsistenten Entwicklungsumgebung mit CI/CD-Integration (z. B. GitHub Actions), Codequalitätsprüfung und automatischer Dokumentationsgenerierung aus Codekommentaren. Die dokumentierte Struktur des Repos und die standardisierten Konfigurationsdateien (wie pyproject.toml, Makefile) ermöglichen eine schnelle Initialisierung neuer Forschungsprojekte und gewährleisten gleichzeitig höchste Standards an Reproduzierbarkeit und Nachvollziehbarkeit der Ergebnisse.
npx skills add docxology/templateInstalled? Explore more Recherche & Datenanalyse skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
Produktionsreifes Grundgerüst für reproduzierbare computergestützte Forschung — 10-stufige DAG-Pipelines, ≥90% Testabdeckung, kryptografische Herkunftssicherung (SHA-256 + steganografisches PDF-Wasserzeichen), Multi-Projekt-Workspace, KI-Agenten-bereit mit AGENTS.md / SKILL.md durchgängig.
USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.
Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.
Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.
The agent harness performance optimization system. Skills, instincts, memory, security, and research-first development for Claude Code, Codex, Opencode, Cursor and beyond.
Agent skill repository discovered by 10x-chat research.
Review backend code for quality, security, maintainability, and best practices based on established checklist rules. Use when the user requests a review, analysis, or improvement of backend files (e.g., `.py`) under the `api/` directory. Do NOT use for frontend files (e.g., `.tsx`, `.ts`, `.js`). Supports pending-change review, code snippets review, and file-focused review.