Communitygithub.com

agent-sort

Erstelle einen evidenzbasierten ECC-Installationsplan für ein bestimmtes Repository, indem Skills, Befehle, Regeln, Hooks und Extras in DAILY- und LIBRARY-Buckets sortiert werden – mithilfe paralleler, repo-basierter Überprüfungsdurchläufe. Verwende dies, wenn ECC auf das reduziert werden soll, was ein Projekt tatsächlich benötigt, anstatt das gesamte Bundle zu laden.

Was ist agent-sort?

Agent Sort ist eine KI-Agenten-Fähigkeit, die entwickelt wurde, um ECC (Enhanced Configuration and Control) auf ein projektspezifisches Set zu reduzieren, anstatt die gesamte Standardinstallation zu laden. Es analysiert das tatsächliche Repository (Sprachen, Frameworks, Paketmanager, CI-Konfigurationen etc.) und klassifiziert jede ECC-Komponente entweder als „DAILY“ (sollte in jeder Sitzung geladen werden) oder „LIBRARY“ (nützlich, aber nicht standardmäßig geladen). Dabei wird besonderer Wert auf konkrete Beweise aus der Codebasis gelegt, nicht auf subjektive Einschätzungen. Es unterstützt parallele Überprüfungsdurchläufe für Agenten, Skills, Befehle, Regeln, Hooks und Extras und erstellt einen Installationsplan sowie optionale Library-Router. Dies ist ideal für Teams, die eine wiederholbare, evidenzbasierte Installationsentscheidung für ihr Repository benötigen.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/agent-sort

In Ihrer bevorzugten KI fragen

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

Dokumentation

Agent Sort

Verwende diese Fähigkeit, wenn ein Repository eine projektspezifische ECC-Oberfläche anstelle der standardmäßigen Vollinstallation benötigt.

Das Ziel ist nicht, zu raten, was „nützlich erscheint“. Das Ziel ist, ECC-Komponenten mit Beweisen aus der tatsächlichen Codebasis zu klassifizieren.

Wann zu verwenden

  • Ein Projekt benötigt nur eine Teilmenge von ECC und Vollinstallationen sind zu überladen
  • Der Repository-Stack ist klar, aber niemand möchte Skills manuell einzeln kuratieren
  • Ein Team möchte eine wiederholbare Installationsentscheidung, die auf grep-Beweisen basiert, anstatt auf Meinungen
  • Du musst ständig geladene tägliche Workflow-Oberflächen von durchsuchbaren Bibliotheks-/Referenzoberflächen trennen
  • Ein Repository ist in die falsche Sprache, Regel oder den falschen Hook-Set abgedriftet und muss bereinigt werden

Unverhandelbare Regeln

  • Verwende das aktuelle Repository als Quelle der Wahrheit, nicht allgemeine Präferenzen
  • Jede DAILY-Entscheidung muss konkrete Repository-Beweise anführen
  • LIBRARY bedeutet nicht „löschen“; es bedeutet „zugänglich halten, ohne standardmäßig zu laden“
  • Installiere keine Hooks, Regeln oder Skripte, die das aktuelle Repository nicht verwenden kann
  • Bevorzuge ECC-native Oberflächen; führe kein zweites Installationssystem ein

Ausgaben

Erstelle diese Artefakte in dieser Reihenfolge:

  1. DAILY-Inventar
  2. LIBRARY-Inventar
  3. Installationsplan
  4. Verifizierungsbericht
  5. optionalen skill-library-Router, falls das Projekt einen wünscht

Klassifizierungsmodell

Verwende nur zwei Buckets:

  • DAILY
    • sollte jede Sitzung für dieses Repository geladen werden
    • stark an die Sprache, das Framework, den Workflow oder die Operator-Oberfläche des Repositorys angepasst
  • LIBRARY
    • nützlich zu behalten, aber nicht wert, standardmäßig geladen zu werden
    • sollte durch Suche, Router-Fähigkeit oder selektive manuelle Nutzung erreichbar bleiben

Beweisquellen

Verwende repo-lokale Beweise, bevor du eine Klassifizierung vornimmst:

  • Dateierweiterungen
  • Paketmanager und Sperrdateien
  • Framework-Konfigurationen
  • CI- und Hook-Konfigurationen
  • Build-/Test-Skripte
  • Importe und Abhängigkeitsmanifeste
  • Repository-Dokumentation, die den Stack explizit beschreibt

Nützliche Befehle sind:

rg --files
rg -n "typescript|react|next|supabase|django|spring|flutter|swift"
cat package.json
cat pyproject.toml
cat Cargo.toml
cat pubspec.yaml
cat go.mod

Parallele Überprüfungsdurchläufe

Falls parallele Unteragenten verfügbar sind, teile die Überprüfung in diese Durchläufe auf:

  1. Agenten
    • klassifiziere agents/*
  2. Skills
    • klassifiziere skills/*
  3. Befehle
    • klassifiziere commands/*
  4. Regeln
    • klassifiziere rules/*
  5. Hooks und Skripte
    • klassifiziere Hook-Oberflächen, MCP-Gesundheitschecks, Hilfsskripte und Betriebssystemkompatibilität
  6. Extras
    • klassifiziere Kontexte, Beispiele, MCP-Konfigurationen, Vorlagen und Anleitungsdokumente

Falls keine Unteragenten verfügbar sind, führe dieselben Durchläufe sequenziell aus.

Kern-Workflow

1. Lesen des Repositorys

Ermittle den tatsächlichen Stack, bevor du etwas klassifizierst:

  • verwendete Sprachen
  • verwendete Frameworks
  • primärer Paketmanager
  • Test-Stack
  • Lint-/Format-Stack
  • Bereitstellungs-/Laufzeit-Oberfläche
  • bereits vorhandene Operator-Integrationen

2. Erstellen der Beweistabelle

Für jede Kandidatenoberfläche notiere:

  • Komponentenpfad
  • Komponententyp
  • vorgeschlagener Bucket
  • Repository-Beweis
  • kurze Begründung

Verwende dieses Format:

skills/frontend-patterns | skill | DAILY | 84 .tsx-Dateien, next.config.ts vorhanden | Kern-Frontend-Stack
skills/django-patterns   | skill | LIBRARY | keine .py-Dateien, kein pyproject.toml | in diesem Repo nicht aktiv
rules/typescript/*       | rules | DAILY | package.json + tsconfig.json | aktives TS-Repo
rules/python/*           | rules | LIBRARY | null Python-Quelldateien | nur zugänglich halten

3. Entscheidung: DAILY vs. LIBRARY

Befördere zu DAILY, wenn:

  • das Repository den passenden Stack eindeutig verwendet
  • die Komponente allgemein genug ist, um jeder Sitzung zu helfen
  • das Repository bereits von der entsprechenden Laufzeit oder dem entsprechenden Workflow abhängt

Verschiebe zu LIBRARY, wenn:

  • die Komponente außerhalb des Stacks liegt
  • das Repository sie später benötigen könnte, aber nicht jeden Tag
  • sie Kontext-Overhead ohne unmittelbare Relevanz hinzufügt

4. Erstellen des Installationsplans

Übersetze die Klassifizierung in Aktionen:

  • DAILY-Skills -> installieren oder in .claude/skills/ behalten
  • DAILY-Befehle -> nur als explizite Shims behalten, falls noch nützlich
  • DAILY-Regeln -> nur passende Sprachsets installieren
  • DAILY-Hooks/-Skripte -> nur kompatible behalten
  • LIBRARY-Oberflächen -> durch Suche oder skill-library zugänglich halten

Falls das Repository bereits selektive Installationen verwendet, aktualisiere diesen Plan, anstatt ein weiteres System zu erstellen.

5. Erstellen des optionalen Library-Routers

Falls das Projekt eine durchsuchbare Bibliotheksoberfläche wünscht, erstelle:

  • .claude/skills/skill-library/SKILL.md

Dieser Router sollte enthalten:

  • eine kurze Erklärung von DAILY vs. LIBRARY
  • gruppierte Auslöseschlüsselwörter
  • wo die Bibliotheksreferenzen leben

Dupliziere nicht jeden Skill-Body im Router.

6. Überprüfen des Ergebnisses

Nachdem der Plan angewendet wurde, überprüfe:

  • jede DAILY-Datei existiert am erwarteten Ort
  • veraltete Sprachregeln wurden nicht aktiv gelassen
  • inkompatible Hooks wurden nicht installiert
  • die resultierende Installation entspricht tatsächlich dem Repository-Stack

Gib einen kompakten Bericht zurück mit:

  • DAILY-Anzahl
  • LIBRARY-Anzahl
  • entfernte veraltete Oberflächen
  • offene Fragen

Übergaben

Falls der nächste Schritt eine interaktive Installation oder Reparatur ist, übergebe an:

  • configure-ecc

Falls der nächste Schritt eine Überlappungsbereinigung oder Katalogüberprüfung ist, übergebe an:

  • skill-stocktake

Falls der nächste Schritt eine breitere Kontextkürzung ist, übergebe an:

  • strategic-compact

Ausgabeformat

Gib das Ergebnis in dieser Reihenfolge zurück:

STACK
- Sprache/Framework/Laufzeit-Zusammenfassung

DAILY
- immer geladene Elemente mit Beweisen

LIBRARY
- durchsuchbare/referenzierbare Elemente mit Beweisen

INSTALLATIONSPLAN
- was installiert, entfernt oder geroutet werden sollte

VERIFIZIERUNG
- durchgeführte Prüfungen und verbleibende Lücken

Individual skills in this repo

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

accessibility

Design, implement, and audit inclusive digital products using WCAG 2.2 Level AA. Use when building or auditing UI that must meet WCAG 2.2 Level AA, or when reviewing a change for keyboard, contrast, or screen-reader support.

affaan-m/content-engine

Create platform-native content systems for X, LinkedIn, TikTok, YouTube, newsletters, and repurposed multi-platform campaigns. Use when the user wants social posts, threads, scripts, content calendars, or one source asset adapted cleanly across platforms.

affaan-m/ECC

Multi-platform content distribution across X, LinkedIn, Threads, and Bluesky. Adapts content per platform using content-engine patterns. Never posts identical content cross-platform. Use when the user wants to distribute content across social platforms.

affaan-m/fal-ai-media

Unified media generation via fal.ai MCP — image, video, and audio. Covers text-to-image (Nano Banana), text/image-to-video (Seedance, Kling, Veo 3), text-to-speech (CSM-1B), and video-to-audio (ThinkSound). Use when the user wants to generate images, videos, or audio with AI.

affaan-m/manim-video

日本語翻訳:このファイルは manim-video 用の日本語翻訳が必要です

affaan-m/remotion-video-creation

Remotion のベストプラクティス - React で動画を作成する。3D、アニメーション、音声、字幕、チャート、トランジションなどをカバーするドメイン固有の29のルール。

affaan-m/video-editing

AI-assisted video editing workflows for cutting, structuring, and augmenting real footage. Covers the full pipeline from raw capture through FFmpeg, Remotion, ElevenLabs, fal.ai, and final polish in Descript or CapCut. Use when the user wants to edit video, cut footage, create vlogs, or build video content.

agent-architecture-audit

Full-stack diagnostic for agent and LLM applications. Audits the 12-layer agent stack for wrapper regression, memory pollution, tool discipline failures, hidden repair loops, and rendering corruption. Produces severity-ranked findings with code-first fixes. Essential for developers building agent applications, autonomous loops, or any LLM-powered feature. Use when an agent or LLM feature misbehaves and the failing layer is unknown, or before shipping an agent stack.

agent-eval

Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics. Use when choosing between coding agents, or when a change to an agent setup needs measured pass rate, cost, and time rather than an impression.

agent-harness-construction

Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates. Use when defining or revising an agent

agentic-engineering

Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing. Use when planning or executing engineering work that agents will carry out end to end.

agentic-os

Build persistent multi-agent operating systems on Claude Code. Covers kernel architecture, specialist agents, slash commands, file-based memory, scheduled automation, and state management without external databases. Use when building a persistent multi-agent system on Claude Code with its own memory, commands, and scheduling.

agent-introspection-debugging

Structured self-debugging workflow for AI agent failures using capture, diagnosis, contained recovery, and introspection reports. Use when an agent run fails and you need a reproducible diagnosis instead of a retry.

agent-payment-x402

Add x402 payment execution to AI agents with per-task budgets, spending controls, and non-custodial wallets. Supports Base through agentwallet-sdk and X Layer through OKX Payments / OKX Agent Payments Protocol. Use when an agent must pay for something itself and needs per-task budgets, spending controls, and a non-custodial wallet.

agent-self-evaluation

Use after completing any non-trivial task. The agent self-rates its output on 5 axes — accuracy, completeness, clarity, actionability, conciseness — with concrete evidence per criterion. Produces a structured 1-5 scorecard with specific improvement suggestions.

ai-first-engineering

Engineering operating model for teams where AI agents generate a large share of implementation output. Use when setting team process, review gates, or ownership rules for a codebase largely written by agents.

ai-regression-testing

Regression testing strategies for AI-assisted development. Sandbox-mode API testing without database dependencies, automated bug-check workflows, and patterns to catch AI blind spots where the same model writes and reviews code. Use when adding regression coverage to AI-assisted code, or when the same model both wrote and reviewed a change.

android-clean-architecture

Clean Architecture patterns for Android and Kotlin Multiplatform projects — module structure, dependency rules, UseCases, Repositories, and data layer patterns. Use when structuring modules, layers, or data flow in an Android or KMP project.

angular-developer

Generates Angular code and provides architectural guidance. Trigger when creating projects, components, or services, or for best practices on reactivity (signals, linkedSignal, resource), forms, dependency injection, routing, SSR, accessibility (ARIA), animations, styling (component styles, Tailwind CSS), testing, or CLI tooling.

api-connector-builder

Build a new API connector or provider by matching the target repo

Verwandte Skills