Communitygithub.com

agent-sort

Erstelle einen evidenzbasierten ECC-Installationsplan für ein bestimmtes Repository, indem Skills, Befehle, Regeln, Hooks und Extras mit parallelen, repo-bewussten Prüfdurchläufen in DAILY- und LIBRARY-Buckets sortiert werden. Verwende dies, wenn ECC auf das reduziert werden soll, was ein Projekt tatsächlich benötigt, anstatt das vollständige Paket zu laden.

Was ist agent-sort?

Dieser Skill, `agent-sort`, hilft dabei, ein ECC-Setup (Enhanced Coding Companion oder ein ähnliches Agenten-Framework) gezielt auf ein Projekt zuzuschneiden. Statt alle verfügbaren Skills, Regeln und Befehle blind zu laden, analysiert der Skill die tatsächliche Codebasis des Repositorys – Dateierweiterungen, Paketmanager, Frameworks, CI-Konfigurationen – und klassifiziert jede Komponente entweder als „DAILY“ (sollte bei jeder Sitzung geladen werden) oder „LIBRARY“ (sollte durchsuchbar bleiben, aber nicht standardmäßig geladen werden). Der Skill ist nützlich für Teams, die ein aufgeräumtes, ressourcenschonendes und projektangepasstes Agenten-Setup wünschen, ohne auf manuelle Kuratierung angewiesen zu sein. Er unterstützt parallele Prüfdurchläufe (falls Sub-Agenten verfügbar) für Skills, Regeln, Hooks, Befehle und Extras und erstellt einen detaillierten Installationsplan mit Überprüfungsbericht. Entscheidungen müssen durch konkrete Belege aus dem Repository gestützt werden – Vermutungen oder allgemeine Präferenzen sind nicht erlaubt. Der Skill kann Ergebnisse an andere Skills wie `configure-ecc` oder `skill-stocktake` übergeben, wenn interaktive Installation oder Bereinigungen erforderlich sind.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/everything-claude-code/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 – Agenten-Sortierung

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

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

Wann verwenden

  • Ein Projekt benötigt nur einen Teil von ECC und Vollinstallationen sind zu überladen
  • Der Repository-Stack ist klar, aber niemand möchte Skills einzeln von Hand kuratieren
  • Ein Team möchte eine wiederholbare Installationsentscheidung, die auf grep-Belegen basiert, nicht auf Meinungen
  • Du musst ständig geladene tägliche Arbeitsflächen von durchsuchbaren Bibliotheks-/Referenzflächen trennen
  • Ein Repository ist in die falsche Sprache, Regel oder den falschen Hook-Satz abgedriftet und benötigt eine Bereinigung

Unverhandelbare Regeln

  • Verwende das aktuelle Repository als Quelle der Wahrheit, nicht allgemeine Präferenzen
  • Jede DAILY-Entscheidung muss konkrete Repository-Belege zitieren
  • 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-Bestand
  2. LIBRARY-Bestand
  3. Installationsplan
  4. Überprüfungsbericht
  5. optionalen skill-library-Router, falls das Projekt einen möchte

Klassifikationsmodell

Verwende nur zwei Eimer:

  • DAILY
    • sollte jede Sitzung für dieses Repository laden
    • 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-Skill oder selektive manuelle Nutzung erreichbar bleiben

Belegquellen

Verwende repo-lokale Belege, bevor du eine Klassifikation vornimmst:

  • Dateierweiterungen
  • Paketmanager und Lockfiles
  • 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 Prüfdurchläufe

Falls parallele Sub-Agenten verfügbar sind, teile die Prüfung in folgende 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 Sub-Agenten nicht verfügbar sind, führe dieselben Durchläufe sequenziell aus.

Kern-Workflow

1. Das Repository lesen

Ermittle den tatsächlichen Stack, bevor etwas klassifiziert wird:

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

2. Die Belegtabelle erstellen

Für jede Kandidaten-Oberfläche notieren:

  • Komponentenpfad
  • Komponententyp
  • vorgeschlagener Eimer
  • Repository-Beleg
  • 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. Entscheiden: DAILY vs. LIBRARY

In den DAILY-Eimer verschieben, wenn:

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

In den LIBRARY-Eimer verschieben, wenn:

  • die Komponente nicht zum Stack gehört
  • das Repository sie später benötigen könnte, aber nicht jeden Tag
  • sie Kontext-Overhead ohne unmittelbare Relevanz hinzufügt

4. Den Installationsplan erstellen

Die Klassifikation in Aktion umsetzen:

  • DAILY-Skills -> installieren oder in .claude/skills/ behalten
  • DAILY-Befehle -> nur als explizite Shims behalten, falls noch nützlich
  • DAILY-Regeln -> nur passende Sprachsätze 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. Den optionalen Bibliotheks-Router erstellen

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 Trigger-Keywords
  • wo die Bibliotheksreferenzen leben

Dupliziere nicht jeden Skill-Text im Router.

6. Das Ergebnis überprüfen

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, übergib an:

  • configure-ecc

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

  • skill-stocktake

Falls der nächste Schritt eine breitere Kontextbereinigung ist, übergib an:

  • strategic-compact

Ausgabeformat

Gib das Ergebnis in dieser Reihenfolge zurück:

STACK
- Zusammenfassung von Sprache/Framework/Laufzeit

DAILY
- ständig geladene Elemente mit Belegen

LIBRARY
- durchsuchbare/Referenzelemente mit Belegen

INSTALLATIONSPLAN
- was installiert, entfernt oder weitergeleitet werden sollte

ÜBERPRÜFUNG
- ausgeführte 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/claude-api

Anthropic Claude API patterns for Python and TypeScript. Covers Messages API, streaming, tool use, vision, extended thinking, batches, prompt caching, and Claude Agent SDK. Use when building applications with the Claude API or Anthropic SDKs.

affaan-m/everything-claude-code

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/everything-claude-code

End-to-end marketing campaign planning and execution. Covers audience research, positioning, campaign angle definition, landing page copy, email sequences, social posts, ad copy, short-form video scripts, and content calendars. Use as the orchestration layer for multi-channel product launches. Use when planning or executing a multi-channel product launch, or producing landing page, email, social, or ad copy.

affaan-m/everything-claude-code-conventions

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/frontend-design

Create distinctive, production-grade frontend interfaces with high design quality. Use when the user asks to build web components, pages, or applications and the visual direction matters as much as the code quality.

affaan-m/gget

gget CLI and Python workflow for quick genomic database queries, sequence lookup, BLAST-style searches, enrichment checks, and reproducible bioinformatics evidence logs.

affaan-m/literature-review

Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.

affaan-m/motion-ui

Production-ready UI motion system for React/Next.js. Use when implementing animations, transitions, or motion patterns.

affaan-m/project-guidelines-example

Example project-specific skill template based on a real production application.

affaan-m/pubmed-database

Direct PubMed and NCBI E-utilities search workflows for biomedical literature, MeSH queries, PMID lookup, citation retrieval, and API-backed literature monitoring.

affaan-m/scholar-evaluation

Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.

affaan-m/uspto-database

USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.

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.

Verwandte Skills