Communitygithub.com

claude-devfleet

Orquesta tareas de codificación multiagente mediante Claude DevFleet: planifica proyectos, envía agentes paralelos en worktrees aislados, supervisa el progreso y lee informes estructurados. Úsalo para enviar agentes de codificación paralelos a través de worktrees aislados y realizar un seguimiento de sus informes.

¿Qué es claude-devfleet?

Este skill permite orquestar múltiples agentes de Claude Code para trabajar en tareas de codificación en paralelo, cada uno ejecutándose en un worktree de git aislado y con herramientas completas. Es útil para proyectos grandes que se pueden descomponer en misiones independientes o encadenadas, como construir una API REST con autenticación y pruebas. El flujo típico comienza con `plan_project(prompt)`, que genera un proyecto con un DAG de misiones, se muestra al usuario para aprobación, y luego se despachan los agentes. Los agentes se ejecutan de forma concurrente (hasta 3 por defecto), se auto-fusionan al completar y generan informes estructurados con archivos cambiados, errores y próximos pasos. El skill se conecta mediante MCP a un servidor separado (`claude-devfleet`) que debe instalarse y ejecutarse previamente.

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

Preguntar en tu IA favorita

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

Documentación

Orquestación Multiagente de Claude DevFleet

Cuándo Usarlo

Usa este skill cuando necesites enviar múltiples agentes de Claude Code para trabajar en tareas de codificación en paralelo. Cada agente se ejecuta en un worktree de git aislado con todas las herramientas.

Configuración

El servidor DevFleet es un proyecto separado, no incluido en ECC. Instálalo y ejecútalo desde su repositorio primero: https://github.com/LEC-AI/claude-devfleet

Luego conecta la instancia en ejecución mediante MCP:

claude mcp add devfleet --transport http http://localhost:18801/mcp

Antes del primer uso, verifica que el proceso que escucha en el puerto 18801 sea el binario de DevFleet que instalaste (consulta SECURITY.md sobre servidores MCP en localhost).

Cómo Funciona

Usuario → "Construye una API REST con autenticación y pruebas"
  ↓
plan_project(prompt) → project_id + DAG de misiones
  ↓
Mostrar plan al usuario → obtener aprobación
  ↓
dispatch_mission(M1) → El Agente 1 se inicia en un worktree
  ↓
M1 se completa → auto-fusión → auto-despacho de M2 (depende_de M1)
  ↓
M2 se completa → auto-fusión
  ↓
get_report(M2) → archivos_cambiados, qué_se_hizo, errores, próximos_pasos
  ↓
Informar al usuario

Herramientas

HerramientaPropósito
plan_project(prompt)La IA descompone una descripción en un proyecto con misiones encadenadas
create_project(nombre, ruta?, descripción?)Crea un proyecto manualmente, devuelve project_id
create_mission(project_id, título, prompt, depende_de?, auto_despacho?)Añade una misión. depende_de es una lista de IDs de misión (ej.: ["abc-123"]). Establece auto_despacho=true para que se inicie automáticamente cuando se cumplan las dependencias.
dispatch_mission(mission_id, modelo?, turnos_máximos?)Inicia un agente en una misión
cancel_mission(mission_id)Detiene un agente en ejecución
wait_for_mission(mission_id, tiempo_máximo_segundos?)Bloquea hasta que una misión termine (ver nota más abajo)
get_mission_status(mission_id)Verifica el progreso de la misión sin bloquear
get_report(mission_id)Lee el informe estructurado (archivos cambiados, probados, errores, próximos pasos)
get_dashboard()Resumen del sistema: agentes en ejecución, estadísticas, actividad reciente
list_projects()Navega por todos los proyectos
list_missions(project_id, estado?)Lista las misiones en un proyecto

Nota sobre wait_for_mission: Esto bloquea la conversación hasta tiempo_máximo_segundos (por defecto 600). Para misiones largas, es preferible sondear con get_mission_status cada 30–60 segundos, para que el usuario vea actualizaciones de progreso.

Flujo de trabajo: Planificar → Enviar → Supervisar → Informar

  1. Planificar: Llama a plan_project(prompt="...") → devuelve project_id + lista de misiones con cadenas depende_de y auto_despacho=true.
  2. Mostrar plan: Presenta al usuario los títulos, tipos y la cadena de dependencias de las misiones.
  3. Enviar: Llama a dispatch_mission(mission_id=<id_primera_misión>) en la misión raíz (con depende_de vacío). Las misiones restantes se auto-despachan a medida que se completan sus dependencias (porque plan_project les establece auto_despacho=true).
  4. Supervisar: Llama a get_mission_status(mission_id=...) o get_dashboard() para verificar el progreso.
  5. Informar: Llama a get_report(mission_id=...) cuando las misiones se completen. Comparte los aspectos destacados con el usuario.

Concurrencia

DevFleet ejecuta hasta 3 agentes concurrentes de forma predeterminada (configurable mediante DEVFLEET_MAX_AGENTS). Cuando todos los espacios están ocupados, las misiones con auto_despacho=true se ponen en cola en el vigilante de misiones y se despachan automáticamente a medida que se liberan espacios. Consulta get_dashboard() para conocer el uso actual de espacios.

Ejemplos

Automático completo: planificar y lanzar

  1. plan_project(prompt="...") → muestra el plan con misiones y dependencias.
  2. Envía la primera misión (la que tiene depende_de vacío).
  3. Las misiones restantes se auto-despachan a medida que se resuelven las dependencias (tienen auto_despacho=true).
  4. Informa con el ID del proyecto y la cantidad de misiones para que el usuario sepa qué se lanzó.
  5. Sondea periódicamente con get_mission_status o get_dashboard() hasta que todas las misiones lleguen a un estado terminal (completada, fallida o cancelada).
  6. get_report(mission_id=...) para cada misión terminal: resume los éxitos y destaca los fallos con errores y próximos pasos.

Manual: control paso a paso

  1. create_project(nombre="Mi Proyecto") → devuelve project_id.
  2. create_mission(project_id=project_id, título="...", prompt="...", auto_despacho=true) para la primera misión (raíz) → captura id_misión_raíz. create_mission(project_id=project_id, título="...", prompt="...", auto_despacho=true, depende_de=["<id_misión_raíz>"]) para cada tarea siguiente.
  3. dispatch_mission(mission_id=...) en la primera misión para iniciar la cadena.
  4. get_report(mission_id=...) cuando termine.

Secuencial con revisión

  1. create_project(nombre="...") → obtén project_id.
  2. create_mission(project_id=project_id, título="Implementar característica", prompt="...") → obtén id_misión_impl.
  3. dispatch_mission(mission_id=id_misión_impl), luego sondea con get_mission_status hasta que termine.
  4. get_report(mission_id=id_misión_impl) para revisar los resultados.
  5. create_mission(project_id=project_id, título="Revisión", prompt="...", depende_de=[id_misión_impl], auto_despacho=true) — se inicia automáticamente porque la dependencia ya está cumplida.

Directrices

  • Siempre confirma el plan con el usuario antes de enviar, a menos que él haya dicho que continúes.
  • Incluye los títulos e IDs de las misiones al informar el estado.
  • Si una misión falla, lee su informe antes de reintentarla.
  • Verifica get_dashboard() para conocer la disponibilidad de espacios de agente antes de enviar múltiples misiones.
  • Las dependencias de las misiones forman un DAG: no crees dependencias circulares.
  • Cada agente se ejecuta en un worktree de git aislado y se auto-fusiona al completar. Si ocurre un conflicto de fusión, los cambios permanecen en la rama del worktree del agente para resolución manual.
  • Al crear misiones manualmente, siempre establece auto_despacho=true si deseas que se activen automáticamente cuando se completen las dependencias. Sin esta bandera, las misiones permanecen en estado borrador.

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.

Skills relacionados