Communitygithub.com

agent-sort

Construye un plan de instalación de ECC respaldado por evidencia para un repositorio específico, clasificando habilidades, comandos, reglas, hooks y extras en los buckets DIARIO vs BIBLIOTECA mediante revisiones paralelas con conciencia del repositorio. Úsalo cuando se deba reducir ECC a lo que el proyecto realmente necesita en lugar de cargar el paquete completo.

¿Qué es agent-sort?

Este skill, Agent Sort, está diseñado para optimizar la superficie de ECC (Entorno de Codificación Configurable) de un repositorio, moviendo desde una instalación completa y ruidosa hacia un conjunto mínimo y relevante. Es ideal para equipos que desean decisiones de instalación repetibles basadas en evidencia concreta del código, en lugar de opiniones subjetivas. Funciona en cualquier plataforma que soporte ECC (como Claude Code, Cursor, Codex) y utiliza un modelo de clasificación de dos cubos: "DIARIO" para componentes que deben cargarse en cada sesión y "BIBLIOTECA" para aquellos útiles pero no esenciales a diario. El skill realiza revisiones paralelas de agentes, habilidades, comandos, reglas, hooks y extras, generando un plan de instalación detallado y un informe de verificación. La decisión final se basa en evidencia del repositorio actual, como extensiones de archivo, gestores de paquetes, configuraciones de framework y scripts de CI, asegurando que solo se instale lo que realmente se necesita.

Compatible con✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/agent-sort

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

Agent Sort (Clasificador de Agentes)

Usa este skill cuando un repositorio necesite una superficie de ECC específica para el proyecto en lugar de la instalación completa predeterminada.

El objetivo no es adivinar "qué parece útil". El objetivo es clasificar los componentes de ECC con evidencia del código base real.

Cuándo Usarlo

  • Un proyecto solo necesita un subconjunto de ECC y las instalaciones completas son demasiado ruidosas.
  • La pila del repositorio es clara, pero nadie quiere curar habilidades manualmente una por una.
  • Un equipo quiere una decisión de instalación repetible respaldada por evidencia de grep en lugar de opiniones.
  • Necesitas separar las superficies de trabajo diario siempre cargadas de las superficies de biblioteca/referencia buscables.
  • Un repositorio ha derivado hacia un conjunto incorrecto de lenguaje, regla o hook y necesita limpieza.

Reglas No Negociables

  • Usa el repositorio actual como fuente de verdad, no preferencias genéricas.
  • Cada decisión DIARIO debe citar evidencia concreta del repositorio.
  • BIBLIOTECA no significa "eliminar"; significa "mantener accesible sin cargar por defecto".
  • No instales hooks, reglas o scripts que el repositorio actual no pueda usar.
  • Prefiere superficies nativas de ECC; no introduzcas un segundo sistema de instalación.

Resultados

Produce estos artefactos en orden:

  1. Inventario DIARIO
  2. Inventario BIBLIOTECA
  3. Plan de instalación
  4. Informe de verificación
  5. Enrutador opcional skill-library (biblioteca de habilidades) si el proyecto lo desea

Modelo de Clasificación

Usa solo dos cubos:

  • DIARIO
    • debe cargarse en cada sesión para este repositorio
    • fuertemente emparejado con el lenguaje, framework, flujo de trabajo o superficie operativa del repositorio
  • BIBLIOTECA
    • útil de conservar, pero no vale la pena cargarlo por defecto
    • debe permanecer accesible mediante búsqueda, skill enrutador o uso manual selectivo

Fuentes de Evidencia

Usa evidencia local del repositorio antes de hacer cualquier clasificación:

  • extensiones de archivo
  • gestores de paquetes y archivos de bloqueo
  • configuraciones de framework
  • configuraciones de CI y hooks
  • scripts de compilación/prueba
  • importaciones y manifiestos de dependencias
  • documentación del repositorio que describa explícitamente la pila

Los comandos útiles incluyen:

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

Pasos de Revisión Paralela

Si hay subagentes paralelos disponibles, divide la revisión en estos pasos:

  1. Agentes
    • clasificar agents/*
  2. Habilidades
    • clasificar skills/*
  3. Comandos
    • clasificar commands/*
  4. Reglas
    • clasificar rules/*
  5. Hooks y scripts
    • clasificar superficies de hooks, verificaciones de salud de MCP, scripts auxiliares y compatibilidad con SO
  6. Extras
    • clasificar contextos, ejemplos, configuraciones de MCP, plantillas y documentos de guía

Si los subagentes no están disponibles, ejecuta los mismos pasos secuencialmente.

Flujo de Trabajo Principal

1. Leer el repositorio

Establece la pila real antes de clasificar nada:

  • lenguajes en uso
  • frameworks en uso
  • gestor de paquetes principal
  • pila de pruebas
  • pila de lint/formato
  • superficie de despliegue/ejecución
  • integraciones operativas ya presentes

2. Construir la tabla de evidencia

Para cada superficie candidata, registra:

  • ruta del componente
  • tipo de componente
  • cubo propuesto
  • evidencia del repositorio
  • justificación breve

Usa este formato:

skills/frontend-patterns | skill | DIARIO  | 84 archivos .tsx, next.config.ts presente | pila frontend principal
skills/django-patterns   | skill | BIBLIOTECA | sin archivos .py, sin pyproject.toml       | no activo en este repositorio
rules/typescript/*       | reglas | DIARIO | package.json + tsconfig.json            | repositorio TS activo
rules/python/*           | reglas | BIBLIOTECA | cero archivos fuente Python             | mantener solo accesible

3. Decidir DIARIO vs BIBLIOTECA

Promover a DIARIO cuando:

  • el repositorio usa claramente la pila coincidente
  • el componente es lo suficientemente general para ayudar en cada sesión
  • el repositorio ya depende del tiempo de ejecución o flujo de trabajo correspondiente

Degradar a BIBLIOTECA cuando:

  • el componente está fuera de la pila
  • el repositorio podría necesitarlo más tarde, pero no todos los días
  • añade sobrecarga de contexto sin relevancia inmediata

4. Construir el plan de instalación

Traduce la clasificación en acción:

  • habilidades DIARIO -> instalar o mantener en .claude/skills/
  • comandos DIARIO -> mantener solo como shims explícitos si aún son útiles
  • reglas DIARIO -> instalar solo conjuntos de lenguaje coincidentes
  • hooks/scripts DIARIO -> mantener solo los compatibles
  • superficies BIBLIOTECA -> mantener accesibles mediante búsqueda o skill-library

Si el repositorio ya usa instalaciones selectivas, actualiza ese plan en lugar de crear otro sistema.

5. Crear el enrutador de biblioteca opcional

Si el proyecto quiere una superficie de biblioteca buscable, crea:

  • .claude/skills/skill-library/SKILL.md

Ese enrutador debe contener:

  • una breve explicación de DIARIO vs BIBLIOTECA
  • palabras clave de activación agrupadas
  • dónde residen las referencias de la biblioteca

No dupliques el cuerpo de cada habilidad dentro del enrutador.

6. Verificar el resultado

Después de aplicar el plan, verifica:

  • cada archivo DIARIO existe donde se espera
  • las reglas de lenguaje obsoletas no quedaron activas
  • no se instalaron hooks incompatibles
  • la instalación resultante realmente coincide con la pila del repositorio

Devuelve un informe compacto con:

  • conteo DIARIO
  • conteo BIBLIOTECA
  • superficies obsoletas eliminadas
  • preguntas abiertas

Transferencias

Si el siguiente paso es la instalación interactiva o la reparación, transfiere a:

  • configure-ecc

Si el siguiente paso es la limpieza de superposiciones o la revisión del catálogo, transfiere a:

  • skill-stocktake

Si el siguiente paso es la reducción más amplia del contexto, transfiere a:

  • strategic-compact

Formato de Salida

Devuelve el resultado en este orden:

PILA
- resumen de lenguaje/framework/tiempo de ejecución

DIARIO
- elementos cargados siempre con evidencia

BIBLIOTECA
- elementos de referencia/búsqueda con evidencia

PLAN DE INSTALACIÓN
- qué debe instalarse, eliminarse o enrutarse

VERIFICACIÓN
- comprobaciones realizadas y brechas restantes

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.

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.

api-connector-builder

Build a new API connector or provider by matching the target repo

Skills relacionados