Communitygithub.com

Arbeitsflächen-Oberflächen-Audit

Überprüft das aktive Repository, MCP-Server, Plugins, Connectors, Umgebungsvariablen und die Einrichtung der Infrastruktur und empfiehlt die wertvollsten ECC-nativen Skills, Hooks, Agents und Operator-Workflows. Verwenden Sie dies, wenn der Benutzer Hilfe bei der Einrichtung von Claude Code benötigt oder verstehen möchte, welche Fähigkeiten in seiner Umgebung tatsächlich verfügbar sind.

Was ist Arbeitsflächen-Oberflächen-Audit?

Dieser Skill führt ein Lese-Audit der aktuellen Arbeitsumgebung eines Entwicklers durch und beantwortet die Frage: 'Was kann dieser Workspace und diese Maschine jetzt tatsächlich, und was sollten wir als Nächstes hinzufügen oder aktivieren?' Er ist die ECC-native Antwort auf Setup-Audit-Plugins und verändert keine Dateien, es sei denn, der Benutzer fordert explizit eine Folgeimplementierung an. Unterstützte Plattformen sind Claude Code und Codex, wobei die Analyse auf Repo-Oberfläche (package.json, .mcp.json, AGENTS.md, CLAUDE.md), Umgebungsoberfläche (.env-Dateien mit Schlüsselnamen, nicht Werten), verbundenen Tools (installierte Plugins, MCP-Server, LSPs) und der ECC-Oberfläche (vorhandene Skills, Hooks, Agents) basiert. Der Audit-Prozess besteht aus drei Phasen: Bestandsaufnahme des Vorhandenen, Benchmarking gegen offizielle und installierte Oberflächen (z. B. offizielle Claude-Plugins oder lokal installierte Tools) und Umwandlung von Lücken in konkrete ECC-native Empfehlungen – entweder als Skill, Hook, Agent, MCP-Server oder Connector. Das Ergebnis sind fünf klar strukturierte Abschnitte: aktuelle Oberfläche, Parität, Lücken mit Primitiven, fehlende Integrationen und die 3-5 wichtigsten nächsten Schritte, geordnet nach Benutzerabsicht und Geschäftswert (z. B. Setup-Audit, Abrechnung, Google Workspace).

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

In Ihrer bevorzugten KI fragen

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

Dokumentation

Audit der Arbeitsflächen-Oberfläche

Lese-Audit-Skill zur Beantwortung der Frage „Was kann dieser Workspace und diese Maschine jetzt tatsächlich, und was sollten wir als Nächstes hinzufügen oder aktivieren?“

Dies ist die ECC-native Antwort auf Setup-Audit-Plugins. Es verändert keine Dateien, es sei denn, der Benutzer fordert explizit eine Folgeimplementierung an.

Wann verwenden

  • Benutzer sagt „Claude Code einrichten“, „Automatisierungen empfehlen“, „welche Plugins oder MCPs sollte ich verwenden?“ oder „was fehlt mir?“
  • Überprüfung einer Maschine oder eines Repositorys vor der Installation weiterer Skills, Hooks oder Connectors
  • Vergleich offizieller Marktplatz-Plugins mit ECC-nativer Abdeckung
  • Überprüfung von .env, .mcp.json, Plugin-Einstellungen oder verbundenen App-Oberflächen, um fehlende Workflow-Ebenen zu finden
  • Entscheidung, ob eine Fähigkeit als Skill, Hook, Agent, MCP oder externer Connector umgesetzt werden soll

Unverhandelbare Regeln

  • Niemals geheime Werte ausgeben. Nur Anbieternamen, Fähigkeitsnamen, Dateipfade und ob ein Schlüssel oder eine Konfiguration existiert, anzeigen.
  • ECC-native Workflows gegenüber generischen „installiere ein weiteres Plugin“-Ratschlägen bevorzugen, wenn ECC die Oberfläche vernünftig abdecken kann.
  • Externe Plugins als Benchmarks und Inspiration behandeln, nicht als maßgebliche Produktgrenzen.
  • Drei Dinge klar trennen:
    • bereits jetzt verfügbar
    • verfügbar, aber nicht gut in ECC eingebunden
    • nicht verfügbar und würde eine neue Integration erfordern

Audit-Eingaben

Nur die Dateien und Einstellungen überprüfen, die nötig sind, um die Frage gut zu beantworten:

  1. Repo-Oberfläche
    • package.json, Lockfiles, Sprachmarkierungen, Framework-Konfigurationen, README.md
    • .mcp.json, .lsp.json, .claude/settings*.json, .codex/*
    • AGENTS.md, CLAUDE.md, Installationsmanifeste, Hook-Konfigurationen
  2. Umgebungsoberfläche
    • .env*-Dateien im aktiven Repo und offensichtlichen benachbarten ECC-Workspaces
    • Nur Schlüsselnamen anzeigen, z. B. STRIPE_API_KEY, TWILIO_AUTH_TOKEN, FAL_KEY
  3. Verbundene Tool-Oberfläche
    • Installierte Plugins, aktivierte Connectors, MCP-Server, LSPs und App-Integrationen
  4. ECC-Oberfläche
    • Vorhandene Skills, Befehle, Hooks, Agents und Installationsmodule, die die Anforderung bereits abdecken

Audit-Prozess

Phase 1: Bestandsaufnahme des Vorhandenen

Eine kompakte Bestandsaufnahme erstellen:

  • aktive Harness-Ziele
  • installierte Plugins und verbundene Apps
  • konfigurierte MCP-Server
  • konfigurierte LSP-Server
  • durch Schlüsselnamen implizierte, durch Umgebungsvariablen gestützte Dienste
  • vorhandene ECC-Skills, die für den Workspace bereits relevant sind

Wenn eine Oberfläche nur als primitiv existiert, dies hervorheben. Beispiel:

  • „Stripe ist über eine verbundene App verfügbar, aber ECC hat keinen Abrechnungs-Operator-Skill“
  • „Google Drive ist verbunden, aber es gibt keinen ECC-nativen Google Workspace-Operator-Workflow“

Phase 2: Benchmarking gegen offizielle und installierte Oberflächen

Den Workspace vergleichen mit:

  • offiziellen Claude-Plugins, die sich mit Einrichtung, Überprüfung, Dokumentation, Design oder Workflow-Qualität überschneiden
  • lokal installierten Plugins in Claude oder Codex
  • den derzeit verbundenen App-Oberflächen des Benutzers

Nicht nur Namen auflisten. Für jeden Vergleich beantworten:

  1. was sie tatsächlich tun
  2. ob ECC bereits Parität hat
  3. ob ECC nur Primitive hat
  4. ob ECC den Workflow vollständig vermissen lässt

Phase 3: Lücken in ECC-Entscheidungen umwandeln

Für jede echte Lücke die korrekte ECC-native Form empfehlen:

LückentypBevorzugte ECC-Form
Wiederholbarer Operator-WorkflowSkill
Automatische Durchsetzung oder NebeneffektHook
Spezialisierte delegierte RolleAgent
Externe Tool-BrückeMCP-Server oder Connector
Installations-/Bootstrap-AnleitungSetup- oder Audit-Skill

Standardmäßig benutzerorientierte Skills empfehlen, die vorhandene Tools orchestrieren, wenn der Bedarf eher operativ als infrastrukturell ist.

Ausgabeformat

Fünf Abschnitte in dieser Reihenfolge zurückgeben:

  1. Aktuelle Oberfläche
    • was bereits jetzt nutzbar ist
  2. Parität
    • wo ECC den Benchmark bereits erreicht oder übertrifft
  3. Nur-Primitive-Lücken
    • Tools existieren, aber ECC hat keinen sauberen Operator-Skill
  4. Fehlende Integrationen
    • Fähigkeit noch nicht verfügbar
  5. Top 3-5 nächste Schritte
    • konkrete ECC-native Ergänzungen, geordnet nach Auswirkung

Empfehlungsregeln

  • Pro Kategorie höchstens 1-2 Ideen mit dem höchsten Wert empfehlen.
  • Skills mit offensichtlicher Benutzerabsicht und Geschäftswert bevorzugen:
    • Setup-Audit
    • Abrechnungs-/Kundenbetrieb
    • Issue-/Programmbetrieb
    • Google Workspace-Betrieb
    • Deployment-/Ops-Steuerung
  • Wenn ein Connector unternehmensspezifisch ist, ihn nur empfehlen, wenn er tatsächlich verfügbar oder für den Workflow des Benutzers eindeutig nützlich ist.
  • Wenn ECC bereits ein starkes Primitiv hat, einen Wrapper-Skill vorschlagen, anstatt ein brandneues Subsystem zu erfinden.

Gute Ergebnisse

  • Der Benutzer kann sofort sehen, was verbunden ist, was fehlt und was ECC als Nächstes übernehmen sollte.
  • Die Empfehlungen sind spezifisch genug, um ohne weiteren Erkundungsdurchlauf im Repo implementiert zu werden.
  • Die endgültige Antwort ist um Workflows organisiert, nicht um API-Marken.

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