Communitygithub.com

Team-Builder

Interaktive Agentenauswahl zum Zusammenstellen und parallelen Entsenden von Teams. Verwenden Sie dies, um ein paralleles Team von Agenten für eine Aufgabe zusammenzustellen und zu entsenden.

Was ist Team-Builder?

Dieses Skill ermöglicht es Ihnen, dynamisch aus einer Sammlung von Markdown-Agentendateien ein Team von KI-Agenten zusammenzustellen und parallel zu entsenden. Es eignet sich ideal für Aufgaben, die mehrere Perspektiven oder Fachgebiete erfordern, wie z. B. die gleichzeitige Durchführung von Sicherheits-, SEO- und Architekturüberprüfungen. Das Skill unterstützt sowohl flache als auch Unterverzeichnis-Layouts für Agentendateien, entdeckt Agenten über den Befehl `claude agents` und liest deren Inhalte aus lokalen oder globalen Pfaden. Nach der Auswahl von bis zu fünf Agenten werden diese parallel gestartet, wobei jeder unabhängig an der Aufgabe arbeitet. Die Ergebnisse werden anschließend in einem einheitlichen Bericht zusammengeführt, der Übereinstimmungen, Konflikte und nächste Schritte hervorhebt. Das Skill ist für Claude Code optimiert, arbeitet jedoch mit jedem Tool, das Agent-Tool-Aufrufe unterstützt. Es vermeidet hartcodierte Agentenlisten, setzt auf dynamische Erkennung und parallelisiert die Agentenaufrufe (anstelle von TeamCreate), um die Effizienz zu maximieren.

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

In Ihrer bevorzugten KI fragen

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

Dokumentation

Team Builder

Interaktives Menü zum Durchsuchen und Zusammenstellen von Agententeams bei Bedarf. Funktioniert mit flachen oder domänenbezogenen Unterverzeichnis-Sammlungen von Agenten.

Wann verwenden

  • Sie haben mehrere Agenten-Personas (Markdowndateien) und möchten auswählen, welche für eine Aufgabe verwendet werden sollen
  • Sie möchten ein Ad-hoc-Team aus verschiedenen Domänen zusammenstellen (z. B. Sicherheit + SEO + Architektur)
  • Sie möchten durchstöbern, welche Agenten verfügbar sind, bevor Sie sich entscheiden

Voraussetzungen

Agentendateien müssen Markdowndateien mit einem Persona-Prompt (Identität, Regeln, Arbeitsablauf, Ergebnisse) sein. Die erste # Überschrift wird als Agentenname und der erste Absatz als Beschreibung verwendet.

Sowohl flache als auch Unterverzeichnis-Layouts werden unterstützt:

Unterverzeichnis-Layout – die Domäne wird aus dem Ordnernamen abgeleitet:

agents/
├── engineering/
│   ├── security-engineer.md
│   └── software-architect.md
├── marketing/
│   └── seo-specialist.md
└── sales/
    └── discovery-coach.md

Flaches Layout – die Domäne wird aus gemeinsamen Dateinamenspräfixen abgeleitet. Ein Präfix gilt als Domäne, wenn es von 2+ Dateien geteilt wird. Dateien mit eindeutigen Präfixen werden unter "Allgemein" gruppiert. Hinweis: Der Algorithmus teilt am ersten -, daher sollten mehrteilige Domänen (z. B. produkt-management) stattdessen das Unterverzeichnis-Layout verwenden:

agents/
├── engineering-security-engineer.md
├── engineering-software-architect.md
├── marketing-seo-specialist.md
├── marketing-content-strategist.md
├── sales-discovery-coach.md
└── sales-outbound-strategist.md

Konfiguration

Agenten werden über zwei Methoden entdeckt, zusammengeführt und nach Agentennamen dedupliziert:

  1. claude agents Befehl (primär) – führen Sie claude agents aus, um alle dem CLI bekannten Agenten zu erhalten, einschließlich Benutzeragenten, Plugin-Agenten (z. B. ecc:architect) und integrierter Agenten. Dies deckt automatisch ECC-Marktplatzinstallationen ab, ohne dass eine Pfadkonfiguration erforderlich ist.
  2. Dateiglob (Fallback, zum Lesen des Agenteninhalts) – Agenten-Markdowndateien werden gelesen von:
    • ./agents/**/*.md + ./agents/*.md – projektlokale Agenten
    • ~/.claude/agents/**/*.md + ~/.claude/agents/*.md – globale Benutzeragenten

Frühere Quellen haben Vorrang bei Namenskollisionen: Benutzeragenten > Plugin-Agenten > integrierte Agenten. Ein benutzerdefinierter Pfad kann stattdessen verwendet werden, wenn der Benutzer einen angibt.

Funktionsweise

Schritt 1: Verfügbare Agenten entdecken

Führen Sie claude agents aus, um die vollständige Agentenliste zu erhalten. Analysieren Sie jede Zeile:

  • Plugin-Agenten haben das Präfix plugin-name: (z. B. ecc:security-reviewer). Verwenden Sie den Teil nach : als Agentennamen und den Plugin-Namen als Domäne.
  • Benutzeragenten haben kein Präfix. Lesen Sie die entsprechende Markdowndatei aus ~/.claude/agents/ oder ./agents/, um den Namen und die Beschreibung zu extrahieren.
  • Integrierte Agenten (z. B. Explore, Plan) werden übersprungen, es sei denn, der Benutzer bittet explizit darum, sie einzubeziehen.

Für Benutzeragenten, die aus Markdowndateien geladen werden:

  • Unterverzeichnis-Layout: Extrahieren Sie die Domäne aus dem Namen des übergeordneten Ordners
  • Flaches Layout: Sammeln Sie alle Dateinamenspräfixe (Text vor dem ersten -). Ein Präfix qualifiziert sich nur dann als Domäne, wenn es in 2 oder mehr Dateinamen vorkommt (z. B. beginnen engineering-security-engineer.md und engineering-software-architect.md beide mit engineering → Domäne Engineering). Dateien mit eindeutigen Präfixen (z. B. code-reviewer.md, tdd-guide.md) werden unter "Allgemein" gruppiert
  • Extrahieren Sie den Agentennamen aus der ersten # Überschrift. Wenn keine Überschrift gefunden wird, leiten Sie den Namen aus dem Dateinamen ab (entfernen Sie .md, ersetzen Sie Bindestriche durch Leerzeichen, Title-Case)
  • Extrahieren Sie eine einzeilige Zusammenfassung aus dem ersten Absatz nach der Überschrift

Wenn nach dem Ausführen von claude agents und dem Durchsuchen der Dateispeicherorte keine Agenten gefunden werden, informieren Sie den Benutzer: "Keine Agenten gefunden. Führen Sie claude agents aus, um Ihre Einrichtung zu überprüfen." Dann anhalten.

Schritt 2: Domänenmenü präsentieren

Verfügbare Agentendomänen:
1. Engineering — Software Architect, Security Engineer
2. Marketing — SEO Specialist
3. Sales — Discovery Coach, Outbound Strategist

Wählen Sie Domänen oder nennen Sie bestimmte Agenten (z. B. "1,3" oder "security + seo"):
  • Überspringen Sie Domänen ohne Agenten (leere Verzeichnisse)
  • Zeigen Sie die Anzahl der Agenten pro Domäne an

Schritt 3: Auswahl behandeln

Akzeptieren Sie flexible Eingaben:

  • Zahlen: "1,3" wählt alle Agenten aus Engineering und Sales aus
  • Namen: "security + seo" führt eine unscharfe Suche gegen die entdeckten Agenten durch
  • "alle aus engineering" wählt jeden Agenten in dieser Domäne aus

Wenn mehr als 5 Agenten ausgewählt werden, listen Sie sie alphabetisch auf und bitten Sie den Benutzer, einzugrenzen: "Sie haben N Agenten ausgewählt (max. 5). Wählen Sie aus, welche behalten werden sollen, oder sagen Sie 'erste 5', um die ersten fünf alphabetisch zu verwenden."

Bestätigung der Auswahl:

Ausgewählt: Security Engineer + SEO Specialist
Woran sollen sie arbeiten? (Aufgabe beschreiben):

Schritt 4: Agenten parallel starten

  1. Lesen Sie die Markdowndatei jedes ausgewählten Agenten
  2. Fragen Sie nach der Aufgabenbeschreibung, falls noch nicht geschehen
  3. Starten Sie alle Agenten parallel mit dem Agent-Tool:
    • subagent_type: "general-purpose"
    • prompt: "{Agentendateiinhalt}\n\nAufgabe: {Aufgabenbeschreibung}"
    • Jeder Agent läuft unabhängig – keine Kommunikation zwischen den Agenten erforderlich
  4. Wenn ein Agent fehlschlägt (Fehler, Zeitüberschreitung oder leere Ausgabe), notieren Sie den Fehler inline (z. B. "Security Engineer: fehlgeschlagen – [Grund]") und fahren Sie mit den Ergebnissen der erfolgreichen Agenten fort

Schritt 5: Ergebnisse zusammenführen

Sammeln Sie alle Ausgaben und präsentieren Sie einen einheitlichen Bericht:

  • Ergebnisse gruppiert nach Agent
  • Syntheseabschnitt, der hervorhebt:
    • Übereinstimmungen zwischen den Agenten
    • Konflikte oder Spannungen zwischen Empfehlungen
    • Empfohlene nächste Schritte

Wenn nur 1 Agent ausgewählt wurde, überspringen Sie die Synthese und präsentieren Sie die Ausgabe direkt.

Regeln

  • Nur dynamische Erkennung. Listen Sie Agenten niemals fest codiert auf. Neue Dateien im Verzeichnis erscheinen automatisch im Menü.
  • Max. 5 Agenten pro Team. Mehr als 5 führen zu abnehmenden Erträgen und übermäßigem Tokenverbrauch. Erzwingen Sie dies zum Zeitpunkt der Auswahl.
  • Paralleler Versand. Alle Agenten laufen gleichzeitig – verwenden Sie das parallele Aufrufmuster des Agent-Tools.
  • Parallele Agentenaufrufe, nicht TeamCreate. Dieses Skill verwendet parallele Agent-Tool-Aufrufe für unabhängige Arbeit. TeamCreate (ein Claude Code-Tool für Multi-Agenten-Dialog) wird nur benötigt, wenn Agenten debattieren oder aufeinander antworten müssen.

Beispiele

Benutzer: team builder

Claude:
Verfügbare Agentendomänen:
1. Engineering (2) — Software Architect, Security Engineer
2. Marketing (1) — SEO Specialist
3. Sales (4) — Discovery Coach, Outbound Strategist, Proposal Strategist, Sales Engineer
4. Support (1) — Executive Summary

Wählen Sie Domänen oder nennen Sie bestimmte Agenten:

Benutzer: security + seo

Claude:
Ausgewählt: Security Engineer + SEO Specialist
Woran sollen sie arbeiten?

Benutzer: Überprüfen Sie meine Next.js E-Commerce-Website vor dem Start

[Beide Agenten werden parallel gestartet, jeder wendet sein Fachgebiet auf die Codebasis an]

Claude:
## Ergebnisse Security Engineer
- [Ergebnisse...]

## Ergebnisse SEO Specialist
- [Ergebnisse...]

## Synthese
Beide Agenten stimmen überein in: [...]
Spannung: Security empfiehlt CSP, das Inline-Styles blockiert, SEO benötigt Inline-Schema-Markup. Lösung: [...]
Nächste Schritte: [...]

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