Communitygithub.com

ecc-tools-cost-audit

Beweisbasierte Kosten- und Abrechnungsprüfung für ECC Tools. Verwenden Sie diese Fähigkeit bei der Untersuchung von außer Kontrolle geratenen PR-Erstellungen, Quota-Umgehungen, Premium-Modell-Leaks, doppelten Jobs oder Kostenausschlägen der GitHub-App im ECC-Tools-Repository.

Was ist ecc-tools-cost-audit?

Diese Fähigkeit (Skill) dient als fokussierter Operator-Workflow zur Untersuchung und Behebung von Kostenproblemen im ECC-Tools GitHub App Repository. Sie wird aktiviert, wenn Benutzer von erhöhtem Ressourcenverbrauch, unkontrollierter PR-Erstellung, Umgehung von Nutzungslimits oder Leckage von Premium-Modellen berichten. Der Skill führt den Anwender Schritt für Schritt durch einen Audit-Prozess: Zuerst wird der Repository-Kontext eingefroren und der genaue Prüfbereich (z. B. Webhook-Router, Queue-Worker, PR-Erstellung) identifiziert. Anschließend werden die eingehenden Ereignisse (Ingress) und die Worker-Seiteneffekte zurückverfolgt, um die kritischen Brennpunkte zu lokalisieren – wie PR-Multiplikation, Quota-Umgehung, Premium-Leckage und Retry-Burn. Der Skill priorisiert Reparaturen strikt nach ihrem Kostenauswirkungsgrad (z. B. zuerst PR-Multiplikation stoppen, dann Quota-Umgehung). Er ist plattformunabhängig für ECC-Tools-Repositorys und integriert nahtlos unterstützende Skills wie `autonomous-loops`, `agentic-engineering` und `customer-billing-ops`.

Funktioniert mit✓Claude Code~Codex CLI~Cursor✓Antigravity
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/ecc-tools-cost-audit

In Ihrer bevorzugten KI fragen

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

Dokumentation

ECC Tools Kostenprüfung

Verwenden Sie diesen Skill, wenn der Benutzer vermutet, dass die ECC Tools GitHub App Kosten verursacht, übermäßig PRs erstellt, Nutzungslimits umgeht oder kostenlose Benutzer in Premium-Analysepfade leitet.

Dies ist ein fokussierter Operator-Workflow für das Schwester-Repository ECC-Tools. Es handelt sich nicht um einen allgemeinen Abrechnungs-Skill oder eine Repositorien-weite Code-Review-Runde.

Skill-Stack

Ziehen Sie diese ECC-nativen Skills bei Bedarf in den Workflow ein:

  • autonomous-loops für begrenzte mehrschrittige Audits, die Webhooks, Warteschlangen, Abrechnung und Wiederholungen umfassen
  • agentic-engineering zur Rückverfolgung des Anforderungspfades in diskrete, beweisbare Einheiten
  • customer-billing-ops wenn Repositorienverhalten und Kundenauswirkungsmathematik sauber getrennt werden müssen
  • search-first bevor Sie Helfer erfinden oder repositorienlokale Dienstprogramme neu implementieren
  • security-review wenn Authentifizierung, Nutzungsgrenzen, Berechtigungen oder Geheimnisse betroffen sind
  • verification-loop zum Nachweis der erneuten Ausführungssicherheit und des exakten Zustands nach der Fehlerbehebung
  • tdd-workflow wenn die Fehlerbehebung eine Regressionsabdeckung im Worker, Router oder in den Abrechnungspfaden benötigt

Wann verwenden

  • Der Benutzer erwähnt ECC Tools Brennrate, PR-Rekursion, übermäßig erstellte PRs, Nutzungslimit-Umgehung oder Premium-Modell-Leckage
  • Die Aufgabe befindet sich im Schwester-Repository ECC-Tools und hängt von Webhook-Handlern, Queue-Workern, Nutzungsreservierung, PR-Erstellungslogik oder der Durchsetzung von Bezahlschranken ab
  • Ein Kundenbericht besagt, dass die App zu viele PRs erstellt, falsch abgerechnet oder Code ohne nutzbares Ergebnis analysiert hat

Bereichsbegrenzungen

  • Arbeiten Sie im Schwester-Repository ECC-Tools, nicht in everything-claude-code
  • Beginnen Sie im Nur-Lese-Modus, es sei denn, der Benutzer hat explizit nach einer Fehlerbehebung gefragt
  • Mutieren Sie keine nicht verwandten Abrechnungs-, Checkout- oder UI-Abläufe, während Sie die Analyse-Burn-Rate verfolgen
  • Behandeln Sie app-generierte Branches und app-generierte PRs als rote-Flagge-Rekursionspfade, bis das Gegenteil bewiesen ist
  • Trennen Sie drei Dinge explizit:
    • Repositorien-seitige Burn-Ursache
    • Kundenorientierte Abrechnungsauswirkung
    • Produkt- oder Berechtigungslücken, die ein Backlog-Follow-up erfordern

Workflow

1. Repositorienbereich einfrieren

  • Wechseln Sie in das Schwester-Repository ECC-Tools
  • Überprüfen Sie zuerst Branch und lokalen Diff
  • Identifizieren Sie die genaue Oberfläche unter Prüfung:
    • Webhook-Router
    • Queue-Producer
    • Queue-Consumer
    • PR-Erstellungspfad
    • Nutzungsreservierungs-/Abrechnungspfad
    • Modell-Routing-Pfad

2. Ingress zurückverfolgen, bevor Sie theorisieren

  • Überprüfen Sie zuerst src/index.* oder den Haupteinstiegspunkt
  • Kartieren Sie jeden Enqueue-Pfad, bevor Sie eine Fehlerbehebung vorschlagen
  • Bestätigen Sie, welche GitHub-Ereignisse einen Warteschlangentyp teilen
  • Bestätigen Sie, ob Push-, pull_request-, synchronize-, comment- oder manuelle erneute Ausführungsereignisse auf demselben teuren Pfad zusammenlaufen können

3. Worker und Seiteneffekte zurückverfolgen

  • Überprüfen Sie den Queue-Consumer oder geplanten Worker, der die Analyse durchführt
  • Bestätigen Sie, ob eine in die Warteschlange gestellte Analyse immer endet in:
    • PR-Erstellung
    • Branch-Erstellung
    • Dateiaktualisierungen
    • Premium-Modell-Aufrufen
    • Nutzungsinkrementen
  • Wenn die Analyse Token verbrauchen und dann fehlschlagen kann, bevor die Ausgabe persistiert wird, klassifizieren Sie sie als Burn-mit-unterbrochener-Ausgabe

4. Die High-Signal-Burn-Pfade prüfen

PR-Multiplikation

  • Überprüfen Sie PR-Helfer und Branch-Benennung
  • Überprüfen Sie Deduplizierung, synchronize-Ereignisbehandlung und Wiederverwendung vorhandener PRs
  • Wenn app-generierte Branches erneut in die Analyse eintreten können, behandeln Sie dies als Rechenschaftsrisiko der Priorität 0

Quota-Umgehung

  • Überprüfen Sie, wo die Quote geprüft wird im Vergleich zu wo die Nutzung reserviert oder erhöht wird
  • Wenn die Quote vor dem Enqueue geprüft wird, die Nutzung aber nur innerhalb des Workers berechnet wird, behandeln Sie gleichzeitige Frontdoor-Pässe als echten Wettlauf

Premium-Modell-Leckage

  • Überprüfen Sie die Modellauswahl, das Tier-Branching und das Provider-Routing
  • Verifizieren Sie, ob kostenlose oder gedeckelte Benutzer weiterhin Premium-Analysegeräte erreichen können, wenn Premium-Schlüssel vorhanden sind

Retry-Burn

  • Überprüfen Sie Wiederholungsschleifen, doppelte Warteschlangenjobs und deterministische Fehlerwiederholungen
  • Wenn derselbe nicht-vorübergehende Fehler die Analyse wiederholt durchführen kann, beheben Sie dies vor Qualitätsverbesserungen

5. Fehlerbehebung in Burn-Reihenfolge

Wenn der Benutzer Codeänderungen angefordert hat, priorisieren Sie Behebungen in dieser Reihenfolge:

  1. Automatische PR-Multiplikation stoppen
  2. Quota-Umgehung stoppen
  3. Premium-Leckage stoppen
  4. Duplicate-Job-Fanout und sinnlose Wiederholungen stoppen
  5. Sicherheitslücken bei erneuter Ausführung/Aktualisierung schließen

Halten Sie den Durchlauf auf ein bis drei direkte Behebungen begrenzt, es sei denn, dieselbe Ursache erstreckt sich eindeutig über mehrere Dateien.

6. Mit den kleinsten Nachweisschritten verifizieren

  • Führen Sie nur die gezielten Tests oder Integrationsschnitte aus, die den geänderten Pfad abdecken
  • Verifizieren Sie, ob der Burn-Pfad jetzt:
    • blockiert
    • dedupliziert
    • auf günstigere Analyse herabgestuft
    • oder frühzeitig abgewiesen wird
  • Geben Sie den endgültigen Status genau an:
    • lokal geändert
    • lokal verifiziert
    • gepusht
    • deployed
    • noch blockiert

Hochsignifikante Fehlermuster

1. Ein Warteschlangentyp für alle Auslöser

Wenn Pushes, PR-Synchronisationen und manuelle Überprüfungen alle denselben Job einreihen und der Worker immer einen PR erstellt, entspricht Analyse gleich PR-Spam.

2. Nutzungsreservierung nach dem Enqueue

Wenn die Nutzung an der Haustür geprüft, aber nur im Worker erhöht wird, können gleichzeitige Anfragen alle die Schranke passieren und das Kontingent überschreiten.

3. Kostenloser Tarif auf Premium-Pfad

Wenn kostenlose in die Warteschlange gestellte Jobs trotzdem in Anthropic oder einen anderen Premium-Anbieter geleitet werden können, wenn Schlüssel vorhanden sind, handelt es sich um echte Ausgabenleckage, selbst wenn der Benutzer das Premium-Ergebnis nie sieht.

4. App-generierte Branches treten erneut in den Webhook ein

Wenn pull_request.synchronize, Branch-Pushes oder kommentarausgelöste Ausführungen auf App-eigenen Branches ausgelöst werden, kann die App ihre eigene Ausgabe rekursiv analysieren.

5. Teure Arbeit vor Sicherung der Persistenz

Wenn das System Token verbrauchen und dann bei PR-Erstellung, Dateiaktualisierung oder Branch-Kollision fehlschlagen kann, verbrennt es Kosten, ohne einen Wert zu liefern.

Fallstricke

  • Beginnen Sie nicht mit breitem Repositorien-Wandern; klären Sie zuerst Webhook -> Queue -> Worker
  • Vermischen Sie nicht die Ableitung von Kundenabrechnungen mit codegestützter Produktwahrheit
  • Beheben Sie nicht minderwertige Qualitätsprobleme, bevor der Pfad mit dem höchsten Burn-Wert eingedämmt ist
  • Behalten Sie nicht, dass der Burn behoben ist, bis der enge Nachweisschritt erneut ausgeführt wurde
  • Pushen oder deployen Sie nicht, es sei denn, der Benutzer hat darum gebeten
  • Berühren Sie keine nicht verwandten repositorienlokalen Änderungen, wenn diese bereits im Gange sind

Verifizierung

  • Ursachen zitieren exakte Dateipfade und Codebereiche
  • Fehlerbehebungen sind nach Brennrate geordnet, nicht nach Code-Sauberkeit
  • Nachweisbefehle werden benannt
  • Endgültiger Status unterscheidet zwischen lokaler Änderung, Verifizierung, Push und Deployment

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.

agent-sort

Build an evidence-backed ECC install plan for a specific repo by sorting skills, commands, rules, hooks, and extras into DAILY vs LIBRARY buckets using parallel repo-aware review passes. Use when ECC should be trimmed to what a project actually needs instead of loading the full bundle.

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.

Verwandte Skills