Communitygithub.com

Codebase-Onboarding

Analysiere eine unbekannte Codebasis und erstelle einen strukturierten Onboarding-Leitfaden mit Architekturübersicht, wichtigen Einstiegspunkten, Konventionen und einer ersten CLAUDE.md. Verwende dies, wenn du einem neuen Projekt beitrittst oder Claude Code zum ersten Mal in einem Repository einrichtest.

Was ist Codebase-Onboarding?

Diese Fähigkeit (Skill) richtet sich an Entwickler:innen, die ein neues Projekt mit Claude Code betreten oder eine bestehende Codebasis systematisch verstehen möchten. Sie führt einen mehrphasigen Analyseprozess durch: Zuerst werden Paketmanifeste, Frameworks, Einstiegspunkte und Tools erfasst (Phase 1), dann die Architektur einschließlich Tech-Stack, Verzeichnisstruktur und Datenfluss kartiert (Phase 2). Anschließend werden Namenskonventionen, Codemuster und Git-Workflows identifiziert (Phase 3). Das Ergebnis sind zwei wesentliche Artefakte: ein detaillierter Onboarding-Leitfaden, der in nur zwei Minuten überflogen werden kann, und eine projektspezifische CLAUDE.md-Datei, die alle erkannten Konventionen und Befehle zusammenfasst. Der Skill unterstützt alle gängigen Sprachen und Frameworks, vermeidet das Lesen aller Dateien (setzt stattdessen auf Glob- und Grep-Befehle) und respektiert bereits vorhandene CLAUDE.md-Dateien, indem er sie ergänzt statt überschreibt. Häufige Anwendungsfälle sind: erstmaliges Öffnen eines Projekts mit Claude Code, Beitritt zu einem neuen Team oder die explizite Aufforderung zur Codebase-Analyse.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/everything-claude-code/tree/main/skills/codebase-onboarding

In Ihrer bevorzugten KI fragen

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

Dokumentation

Was macht Codebase-Onboarding?

Analysiere systematisch eine unbekannte Codebasis und erstelle einen strukturierten Onboarding-Leitfaden. Entwickelt für Entwickler, die einem neuen Projekt beitreten oder Claude Code zum ersten Mal in einem bestehenden Repository einrichten.

Wann verwenden

  • Erstmaliges Öffnen eines Projekts mit Claude Code
  • Beitritt zu einem neuen Team oder Repository
  • Benutzer fragt: „Hilf mir, diese Codebasis zu verstehen“
  • Benutzer möchte eine CLAUDE.md für ein Projekt generieren
  • Benutzer sagt: „Onboarde mich“ oder „Führe mich durch dieses Repository“

Funktionsweise

Phase 1: Aufklärung

Sammle rohe Signale über das Projekt, ohne jede Datei zu lesen. Führe diese Prüfungen parallel aus:

1. Paketmanifest-Erkennung
   → package.json, go.mod, Cargo.toml, pyproject.toml, pom.xml, build.gradle,
     Gemfile, composer.json, mix.exs, pubspec.yaml

2. Framework-Fingerabdruck
   → next.config.*, nuxt.config.*, angular.json, vite.config.*,
     django settings, flask app factory, fastapi main, rails config

3. Identifikation von Einstiegspunkten
   → main.*, index.*, app.*, server.*, cmd/, src/main/

4. Verzeichnisstruktur-Schnappschuss
   → Die oberen 2 Ebenen der Verzeichnisstruktur, ignoriere node_modules, vendor,
     .git, dist, build, __pycache__, .next

5. Konfigurations- und Tool-Erkennung
   → .eslintrc*, .prettierrc*, tsconfig.json, Makefile, Dockerfile,
     docker-compose*, .github/workflows/, .env.example, CI-Konfigurationen

6. Teststruktur-Erkennung
   → tests/, test/, __tests__/, *_test.go, *.spec.ts, *.test.js,
     pytest.ini, jest.config.*, vitest.config.*

Phase 2: Architektur-Mapping

Aus den Aufklärungsdaten identifizieren:

Tech-Stack

  • Sprache(n) und Versionsbeschränkungen
  • Framework(s) und wichtige Bibliotheken
  • Datenbank(en) und ORMs
  • Build-Tools und Bundler
  • CI/CD-Plattform

Architekturmuster

  • Monolith, Monorepo, Microservices oder Serverless
  • Frontend/Backend-Aufteilung oder Full-Stack
  • API-Stil: REST, GraphQL, gRPC, tRPC

Wichtige Verzeichnisse Ordne die oberen Verzeichnisse ihrem Zweck zu:

src/components/  → React-UI-Komponenten
src/api/         → API-Routen-Handler
src/lib/         → Gemeinsame Hilfsprogramme
src/db/          → Datenbankmodelle und Migrationen
tests/           → Testsuiten
scripts/         → Build- und Bereitstellungsskripte

Datenfluss Verfolge eine Anfrage vom Einstieg bis zur Antwort:

  • Wo tritt eine Anfrage ein? (Router, Handler, Controller)
  • Wie wird sie validiert? (Middleware, Schemas, Guards)
  • Wo liegt die Geschäftslogik? (Services, Modelle, Use Cases)
  • Wie erreicht sie die Datenbank? (ORM, rohe Abfragen, Repositories)

Phase 3: Konventionserkennung

Identifiziere Muster, die die Codebasis bereits befolgt:

Namenskonventionen

  • Dateibenennung: kebab-case, camelCase, PascalCase, snake_case
  • Komponenten-/Klassenbenennungsmuster
  • Testdateibenennung: *.test.ts, *.spec.ts, *_test.go

Codierungsmuster

  • Fehlerbehandlungsstil: try/catch, Result-Typen, Fehlercodes
  • Dependency Injection oder direkte Importe
  • State-Management-Ansatz
  • Asynchrone Muster: Callbacks, Promises, async/await, Channels

Git-Konventionen

  • Branch-Namensgebung aus aktuellen Branches
  • Commit-Nachrichten-Stil aus aktuellen Commits
  • PR-Workflow (Squash, Merge, Rebase)
  • Wenn das Repository noch keine Commits hat oder nur eine flache Historie (z.B. git clone --depth 1), überspringe diesen Abschnitt und notiere: „Git-Verlauf nicht verfügbar oder zu flach, um Konventionen zu erkennen“

Phase 4: Onboarding-Artefakte generieren

Erzeuge zwei Ausgaben:

Ausgabe 1: Onboarding-Leitfaden

# Onboarding-Leitfaden: [Projektname]

## Überblick
[2-3 Sätze: Was dieses Projekt tut und für wen es gedacht ist]

## Tech-Stack
<!-- Beispiel für ein Next.js-Projekt — ersetze mit erkanntem Stack -->
| Schicht | Technologie | Version |
|---------|-------------|---------|
| Sprache | TypeScript | 5.x |
| Framework | Next.js | 14.x |
| Datenbank | PostgreSQL | 16 |
| ORM | Prisma | 5.x |
| Tests | Jest + Playwright | - |

## Architektur
[Diagramm oder Beschreibung, wie Komponenten verbunden sind]

## Wichtige Einstiegspunkte
<!-- Beispiel für ein Next.js-Projekt — ersetze mit erkannten Pfaden -->
- **API-Routen**: `src/app/api/` — Next.js-Routen-Handler
- **UI-Seiten**: `src/app/(dashboard)/` — authentifizierte Seiten
- **Datenbank**: `prisma/schema.prisma` — Quelle der Wahrheit für das Datenmodell
- **Konfiguration**: `next.config.ts` — Build- und Laufzeitkonfiguration

## Verzeichniszuordnung
[Oberes Verzeichnis → Zweck-Zuordnung]

## Anfrage-Lebenszyklus
[Verfolge eine API-Anfrage vom Einstieg bis zur Antwort]

## Konventionen
- [Dateibenennungsmuster]
- [Fehlerbehandlungsansatz]
- [Testmuster]
- [Git-Workflow]

## Häufige Aufgaben
<!-- Beispiel für ein Node.js-Projekt — ersetze mit erkannten Befehlen -->
- **Dev-Server starten**: `npm run dev`
- **Tests ausführen**: `npm test`
- **Linter ausführen**: `npm run lint`
- **Datenbank-Migrationen**: `npx prisma migrate dev`
- **Für Produktion bauen**: `npm run build`

## Wo suchen
<!-- Beispiel für ein Next.js-Projekt — ersetze mit erkannten Pfaden -->
| Ich möchte... | Schau in... |
|----------------|-------------|
| Einen API-Endpunkt hinzufügen | `src/app/api/` |
| Eine UI-Seite hinzufügen | `src/app/(dashboard)/` |
| Eine Datenbanktabelle hinzufügen | `prisma/schema.prisma` |
| Einen Test hinzufügen | `tests/` entsprechend des Quellpfads |
| Build-Konfiguration ändern | `next.config.ts` |

Ausgabe 2: Erste CLAUDE.md

Generiere oder aktualisiere eine projektspezifische CLAUDE.md basierend auf erkannten Konventionen. Wenn bereits eine CLAUDE.md existiert, lies sie zuerst und erweitere sie – bewahre vorhandene projektspezifische Anweisungen und hebe klar hervor, was hinzugefügt oder geändert wurde.

# Projektanweisungen

## Tech-Stack
[Zusammenfassung des erkannten Stacks]

## Codestil
- [Erkannte Namenskonventionen]
- [Erkannte zu befolgende Muster]

## Tests
- Tests ausführen: `[erkannter Testbefehl]`
- Testmuster: [erkannte Testdateikonvention]
- Abdeckung: [falls konfiguriert, der Abdeckungsbefehl]

## Build & Ausführen
- Dev: `[erkannter Dev-Befehl]`
- Build: `[erkannter Build-Befehl]`
- Lint: `[erkannter Lint-Befehl]`

## Projektstruktur
[Wichtiges Verzeichnis → Zweck-Zuordnung]

## Konventionen
- [Commit-Stil, falls erkennbar]
- [PR-Workflow, falls erkennbar]
- [Fehlerbehandlungsmuster]

Best Practices

  1. Nicht alles lesen — die Aufklärung sollte Glob und Grep verwenden, nicht jede Datei lesen. Lies nur selektiv bei mehrdeutigen Signalen.
  2. Überprüfen, nicht raten — wenn ein Framework anhand der Konfiguration erkannt wird, der tatsächliche Code aber etwas anderes verwendet, vertraue dem Code.
  3. Vorhandene CLAUDE.md respektieren — wenn bereits eine existiert, erweitere sie anstatt sie zu ersetzen. Hebe hervor, was neu ist gegenüber dem Bestehenden.
  4. Kurz bleiben — der Onboarding-Leitfaden sollte in 2 Minuten überflogen werden können. Details gehören in den Code, nicht in den Leitfaden.
  5. Unbekanntes kennzeichnen — wenn eine Konvention nicht sicher erkannt werden kann, sage dies anstatt zu raten. „Testsuite konnte nicht ermittelt werden“ ist besser als eine falsche Antwort.

Anti-Patterns, die vermieden werden sollten

  • Generierung einer CLAUDE.md, die länger als 100 Zeilen ist — halte sie fokussiert
  • Jede Abhängigkeit auflisten — hebe nur die hervor, die die Art des Codenschreibens beeinflussen
  • Offensichtliche Verzeichnisnamen beschreiben — src/ benötigt keine Erklärung
  • Die README kopieren — der Onboarding-Leitfaden fügt strukturelle Erkenntnisse hinzu, die die README nicht bietet

Beispiele

Beispiel 1: Erstmaliges Betreten eines neuen Repositorys

Benutzer: „Onboarde mich für diese Codebasis“ Aktion: Vollständigen 4-Phasen-Workflow ausführen → Onboarding-Leitfaden + Erste CLAUDE.md erstellen Ausgabe: Onboarding-Leitfaden direkt in die Konversation ausgegeben, plus eine CLAUDE.md im Projektstammverzeichnis geschrieben

Beispiel 2: CLAUDE.md für ein bestehendes Projekt generieren

Benutzer: „Generiere eine CLAUDE.md für dieses Projekt“ Aktion: Phasen 1-3 ausführen, Onboarding-Leitfaden überspringen, nur CLAUDE.md erstellen Ausgabe: Projektspezifische CLAUDE.md mit erkannten Konventionen

Beispiel 3: Vorhandene CLAUDE.md erweitern

Benutzer: „Aktualisiere die CLAUDE.md mit den aktuellen Projektkonventionen“ Aktion: Vorhandene CLAUDE.md lesen, Phasen 1-3 ausführen, neue Erkenntnisse zusammenführen Ausgabe: Aktualisierte CLAUDE.md mit klar markierten Ergänzungen

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

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

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

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