Communitygithub.com

ecc-tools-cost-audit

Flujo de trabajo de auditoría de facturación y consumo de ECC Tools basado en evidencia. Úselo para investigar creación descontrolada de PRs, elusión de cuotas, fugas de modelos premium, trabajos duplicados o picos de costos en la App de GitHub del repositorio ECC Tools.

¿Qué es ecc-tools-cost-audit?

Esta habilidad especializada está diseñada para auditar el consumo y la facturación del repositorio hermano ECC-Tools cuando se sospechan fugas de costos en la App de GitHub. Permite rastrear el camino de las solicitudes desde los webhooks hasta los workers de cola, identificando patrones de alto riesgo como la multiplicación de PRs, la elusión de cuotas, las fugas de modelos premium y los reinientos innecesarios. Se apoya en habilidades nativas como `autonomous-loops` y `verification-loop` para realizar auditorías iterativas y verificables, y está restringida al ámbito del repositorio ECC-Tools. El flujo prioriza la corrección en orden de impacto de consumo, comenzando por detener la recursión de PRs, luego cerrar la elusión de cuotas, y finalmente detener las fugas premium, asegurando que cada paso correctivo se verifique con pruebas mínimas antes de pasar al siguiente.

Compatible con✓Claude Code~Codex CLI~Cursor✓Antigravity
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/ecc-tools-cost-audit

Preguntar en tu IA favorita

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

Documentación

Auditoría de Costos de ECC Tools

Use esta habilidad cuando el usuario sospeche que la App de GitHub de ECC Tools está generando costos excesivos, creando PRs de forma descontrolada, eludiendo los límites de uso o enrutando usuarios gratuitos a rutas de análisis premium.

Este es un flujo de trabajo operativo específico para el repositorio hermano ECC-Tools. No es una habilidad de facturación genérica ni una revisión de código exhaustiva del repositorio.

Pila de Habilidades

Incorpore estas habilidades nativas de ECC en el flujo de trabajo cuando sea relevante:

  • autonomous-loops para auditorías multi-paso acotadas que atraviesan webhooks, colas, facturación y reintentos
  • agentic-engineering para rastrear la ruta de solicitud en unidades discretas y demostrables
  • customer-billing-ops cuando el comportamiento del repositorio y el impacto matemático en el cliente deban separarse claramente
  • search-first antes de inventar ayudantes o reimplementar utilidades locales del repositorio
  • security-review cuando se toquen autenticación, compuertas de uso, derechos o secretos
  • verification-loop para demostrar la seguridad de re-ejecución y el estado exacto posterior a la corrección
  • tdd-workflow cuando la corrección necesite cobertura de regresión en el worker, enrutador o rutas de facturación

Cuándo Usarla

  • el usuario menciona tasa de consumo de ECC Tools, recursión de PRs, PRs creados en exceso, elusión de límites de uso o fuga de modelo premium
  • la tarea está en el repositorio hermano ECC-Tools y depende de manejadores de webhooks, workers de cola, reserva de uso, lógica de creación de PRs o aplicación de compuertas de pago
  • un informe de cliente indica que la app creó demasiados PRs, facturó incorrectamente o analizó código sin producir un resultado útil

Barreras de Alcance

  • trabaje en el repositorio hermano ECC-Tools, no en everything-claude-code
  • comience en modo solo lectura a menos que el usuario haya solicitado explícitamente una corrección
  • no modifique flujos de facturación, checkout o interfaz de usuario no relacionados mientras rastrea el consumo del análisis
  • trate las ramas generadas por la app y los PRs generados por la app como rutas de recursión de bandera roja hasta que se demuestre lo contrario
  • separe explícitamente tres cosas:
    • causa raíz del consumo en el repositorio
    • impacto de facturación visible para el cliente
    • brechas de producto o derechos que necesitan seguimiento en el backlog

Flujo de Trabajo

1. Congele el alcance del repositorio

  • cambie al repositorio hermano ECC-Tools
  • primero verifique la rama y el diff local
  • identifique la superficie exacta bajo auditoría:
    • enrutador de webhooks
    • productor de cola
    • consumidor de cola
    • ruta de creación de PR
    • ruta de reserva de uso / facturación
    • ruta de enrutamiento de modelo

2. Rastree el ingreso antes de teorizar

  • inspeccione src/index.* o el punto de entrada principal primero
  • mapee cada ruta de encolado antes de sugerir una corrección
  • confirme qué eventos de GitHub comparten un tipo de cola
  • confirme si los eventos push, pull_request, synchronize, comment o re-run manual pueden converger en la misma ruta costosa

3. Rastree el worker y los efectos secundarios

  • inspeccione el consumidor de cola o el worker programado que maneja el análisis
  • confirme si un análisis encolado siempre termina en:
    • creación de PR
    • creación de rama
    • actualizaciones de archivos
    • llamadas a modelos premium
    • incrementos de uso
  • si el análisis puede gastar tokens y luego fallar antes de que se persista la salida, clasifíquelo como consumo-con-salida-rota

4. Audite las rutas de consumo de alta señal

Multiplicación de PRs

  • inspeccione los ayudantes de PR y la nomenclatura de ramas
  • verifique la deduplicación, el manejo del evento synchronize y la reutilización de PRs existentes
  • si las ramas generadas por la app pueden reingresar al análisis, trate eso como un riesgo de recursión de prioridad 0

Elusión de cuota

  • inspeccione dónde se verifica la cuota versus dónde se reserva o incrementa el uso
  • si la cuota se verifica antes del encolado pero el uso se cobra solo dentro del worker, trate los pases concurrentes en la puerta de entrada como una condición de carrera real

Fuga de modelo premium

  • inspeccione la selección de modelo, la ramificación por niveles y el enrutamiento del proveedor
  • verifique si los usuarios gratuitos o con límite pueden alcanzar analizadores premium cuando están presentes las claves premium

Consumo por reintentos

  • inspeccione los bucles de reintentos, trabajos de cola duplicados y re-ejecuciones deterministas de fallos
  • si el mismo error no transitorio puede gastar análisis repetidamente, corríjalo antes de mejorar la calidad

5. Corrija en orden de consumo

Si el usuario solicitó cambios de código, priorice las correcciones en este orden:

  1. detener la multiplicación automática de PRs
  2. detener la elusión de cuota
  3. detener la fuga premium
  4. detener la propagación de trabajos duplicados y los reintentos inútiles
  5. cerrar las brechas de seguridad en re-ejecución/actualización

Mantenga el paso acotado a una o tres correcciones directas a menos que la misma causa raíz abarque claramente varios archivos.

6. Verifique con los pasos de prueba más pequeños

  • re-ejecute solo las pruebas específicas o los fragmentos de integración que cubran la ruta modificada
  • verifique si la ruta de consumo ahora está:
    • bloqueada
    • deduplicada
    • degradada a análisis más barato
    • o rechazada temprano
  • indique el estado final exactamente:
    • cambiado localmente
    • verificado localmente
    • enviado (pushed)
    • desplegado (deployed)
    • aún bloqueado

Patrones de Falla de Alta Señal

1. Un tipo de cola para todos los desencadenantes

Si los pushes, las sincronizaciones de PR y las auditorías manuales encolan el mismo trabajo y el worker siempre crea un PR, el análisis equivale a spam de PRs.

2. Reserva de uso posterior al encolado

Si el uso se verifica en la puerta de entrada pero solo se incrementa en el worker, las solicitudes concurrentes pueden pasar todas la compuerta y exceder la cuota.

3. Nivel gratuito en ruta premium

Si los trabajos encolados gratuitos aún pueden enrutarse a Anthropic u otro proveedor premium cuando existen claves, eso es una fuga de gasto real incluso si el usuario nunca ve el resultado premium.

4. Las ramas generadas por la app reingresan al webhook

Si las ejecuciones desencadenadas por pull_request.synchronize, pushes de rama o comentarios se activan en ramas propiedad de la app, la app puede analizar recursivamente su propia salida.

5. Trabajo costoso antes de la seguridad de persistencia

Si el sistema puede gastar tokens y luego fallar en la creación de PR, actualización de archivos o colisión de ramas, está consumiendo costos sin entregar valor.

Errores Comunes

  • no comience con un deambular amplio por el repositorio; primero establezca webhook -> cola -> worker
  • no mezcle la inferencia de facturación del cliente con la verdad del producto respaldada por código
  • no corrija problemas de calidad de menor valor antes de contener la ruta de mayor consumo
  • no afirme que el consumo está corregido hasta que se haya re-ejecutado el paso de prueba acotado
  • no envíe (push) ni despliegue a menos que el usuario lo haya solicitado
  • no toque cambios locales no relacionados del repositorio si ya están en progreso

Verificación

  • las causas raíz citan rutas de archivo exactas y áreas de código
  • las correcciones se ordenan por impacto de consumo, no por limpieza del código
  • los comandos de prueba se nombran
  • el estado final distingue cambio local, verificación, envío (push) y despliegue

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