Communitygithub.com

knowledge-ops

Gestión de base de conocimiento: ingesta, sincronización y recuperación en múltiples capas de almacenamiento (archivos locales, memoria MCP, vectores, repos Git). Actívalo cuando el usuario quiera guardar, organizar, sincronizar, deduplicar o buscar en sus sistemas de conocimiento.

¿Qué es knowledge-ops?

El skill Knowledge Operations (knowledge-ops) proporciona la capacidad de gestionar un sistema de conocimiento multicapa para el agente de IA. Este skill está diseñado para que el agente pueda ingerir, organizar, sincronizar y recuperar información en varios almacenes: memoria local de Claude Code, servidor de memoria MCP (grafo de conocimiento), repositorio Git de base de conocimiento, almacenes externos (Supabase/PostgreSQL) y GitHub/Linear para el estado de ejecución activo. Es especialmente útil cuando los usuarios solicitan guardar información en su KB, buscar conocimiento existente, sincronizar entre fuentes o deduplicar entradas. El flujo de trabajo típico incluye clasificar el tipo de información, deduplicar antes de almacenar, escribir en la(s) capa(s) apropiada(s) y finalmente indexar. Este skill soporta plataformas como Claude Code y otros agentes similares, y su documentación sigue reglas estrictas de gestión de información: mantener la verdad de ejecución activa en GitHub/Linear, la memoria de contexto rápido en archivos locales (Claude Memory), los conocimientos semánticos en el grafo MCP, y los documentos duraderos y de largo alcance en un repositorio KB dedicado, evitando duplicados y manteniendo una sola fuente de verdad por conjunto de hechos.

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

Preguntar en tu IA favorita

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

Documentación

Operaciones de Conocimiento

Gestiona un sistema de conocimiento multicapa para ingerir, organizar, sincronizar y recuperar conocimiento en múltiples almacenes.

Prefiere el modelo de espacio de trabajo en vivo:

  • el trabajo de código vive en los repos clonados reales
  • el contexto de ejecución activo vive en GitHub, Linear y archivos de contexto de trabajo locales del repo
  • las notas más amplias orientadas a humanos pueden vivir en una carpeta context/archive externa al repo
  • la memoria duradera entre máquinas pertenece a la base de conocimiento, no a un espacio de trabajo de repo espejo

Cuándo Activar

  • El usuario quiere guardar información en su base de conocimiento
  • Ingerir documentos, conversaciones o datos en almacenamiento estructurado
  • Sincronizar conocimiento entre sistemas (archivos locales, memoria MCP, Supabase, repos Git)
  • Deduplicar u organizar conocimiento existente
  • El usuario dice "guarda esto en la KB", "sincroniza conocimiento", "¿qué sé sobre X?", "ingiere esto", "actualiza la base de conocimiento"
  • Cualquier tarea de gestión de conocimiento más allá de un simple recuerdo de memoria

Arquitectura de Conocimiento

Capa 1: Verdad de ejecución activa

  • Fuentes: Issues de GitHub, PRs, discusiones, notas de versión, Issues/proyectos/docs de Linear
  • Uso: para el estado operativo actual del trabajo
  • Regla: si algo afecta a un plan de ingeniería activo, hoja de ruta, despliegue o versión, prefiere ponerlo aquí primero

Capa 2: Memoria de Claude Code (Acceso Rápido)

  • Ruta: ~/.claude/projects/*/memory/
  • Formato: Archivos Markdown con frontmatter
  • Tipos: preferencias de usuario, feedback, contexto de proyecto, referencia
  • Uso: para contexto de acceso rápido que persiste entre conversaciones
  • Cargado automáticamente al inicio de la sesión

Capa 3: Servidor de Memoria MCP (Grafo de Conocimiento Estructurado)

  • Acceso: herramientas de memoria MCP (create_entities, create_relations, add_observations, search_nodes)
  • Uso: Búsqueda semántica en todas las memorias almacenadas, mapeo de relaciones
  • Persistencia entre sesiones con estructura de grafo consultable

Capa 4: Repo de base de conocimiento / almacén de documentos duraderos

  • Uso: notas duraderas curadas, exportaciones de sesión, investigación sintetizada, memoria del operador, documentos extensos
  • Regla: este es el almacén duradero preferido para contexto entre máquinas cuando el contenido no es código propiedad del repo

Capa 5: Almacén de Datos Externo (Supabase, PostgreSQL, etc.)

  • Uso: Datos estructurados, almacenamiento de documentos grandes, búsqueda de texto completo
  • Ideal para: Documentos demasiado grandes para archivos de memoria, datos que necesitan consultas SQL

Capa 6: Carpeta local de contexto/archivo

  • Uso: notas orientadas a humanos, planes archivados, organización multimedia local, documentos temporales no relacionados con código
  • Regla: escribible para almacenamiento de información, pero no es un espacio de trabajo de código espejo
  • No usar para: cambios de código activos o verdad del repo que deba vivir en upstream

Flujo de Ingesta

Cuando se necesita capturar nuevo conocimiento:

1. Clasificar

¿Qué tipo de conocimiento es?

  • Decisión de negocio -> archivo de memoria (tipo proyecto) + memoria MCP
  • Estado activo de hoja de ruta / versión / implementación -> GitHub + Linear primero
  • Preferencia personal -> archivo de memoria (tipo usuario/feedback)
  • Información de referencia -> archivo de memoria (tipo referencia) + memoria MCP
  • Documento grande -> almacén de datos externo + resumen en memoria
  • Conversación/sesión -> repo de base de conocimiento + resumen breve en memoria

2. Deduplicar

Verifica si este conocimiento ya existe:

  • Busca en archivos de memoria entradas existentes
  • Consulta la memoria MCP con términos relevantes
  • Comprueba si la información ya existe en GitHub o Linear antes de crear otra nota local
  • No crees duplicados. En su lugar, actualiza las entradas existentes.

3. Almacenar

Escribe en la(s) capa(s) apropiada(s):

  • Siempre actualiza la memoria de Claude Code para acceso rápido
  • Usa la memoria MCP para búsqueda semántica y mapeo de relaciones
  • Actualiza GitHub / Linear primero cuando la información cambia la verdad del proyecto en vivo
  • Haz commit al repo de base de conocimiento para adiciones duraderas de formato largo

4. Indexar

Actualiza cualquier índice o archivo de resumen relevante.

Operaciones de Sincronización

Sincronización de Conversaciones

Sincroniza periódicamente el historial de conversaciones en la base de conocimiento:

  • Fuentes: archivos de sesión de Claude, sesiones de Codex, otras sesiones de agente
  • Destino: repo de base de conocimiento
  • Genera un índice de sesión para navegación rápida
  • Haz commit y push

Sincronización del Estado del Espacio de Trabajo

Refleja configuraciones y scripts importantes del espacio de trabajo en la base de conocimiento:

  • Genera mapas de directorios
  • Oculta config sensible antes de commitear
  • Rastrea cambios a lo largo del tiempo
  • No trates la base de conocimiento o la carpeta de archivo como el espacio de trabajo de código en vivo

Sincronización GitHub / Linear

Cuando la información afecta la ejecución activa:

  • actualiza el Issue de GitHub, PR, discusión, notas de versión o hilo de hoja de ruta correspondiente
  • adjunta documentos de soporte a Linear cuando el trabajo necesita contexto de planificación duradero
  • solo refleja una nota local después si aún añade valor

Sincronización de Conocimiento entre Fuentes

Extrae conocimiento de múltiples fuentes a un solo lugar:

  • Exportaciones de conversaciones de Claude/ChatGPT/Grok
  • Marcadores del navegador
  • Eventos de actividad de GitHub
  • Escribe un resumen de estado, haz commit y push

Patrones de Memoria

# Corto plazo: contexto de sesión actual
Usa TodoWrite para seguimiento de tareas dentro de la sesión

# Medio plazo: archivos de memoria del proyecto
Escribe en ~/.claude/projects/*/memory/ para recuerdo entre sesiones

# Largo plazo: GitHub / Linear / KB
Pon la verdad de ejecución activa en GitHub + Linear
Pon el contexto sintetizado duradero en el repo de base de conocimiento

# Capa semántica: grafo de conocimiento MCP
Usa mcp__memory__create_entities para datos estructurados permanentes
Usa mcp__memory__create_relations para mapeo de relaciones
Usa mcp__memory__add_observations para nuevos hechos sobre entidades conocidas
Usa mcp__memory__search_nodes para encontrar conocimiento existente

Buenas Prácticas

  • Mantén los archivos de memoria concisos. Archiva datos antiguos en lugar de dejar que los archivos crezcan sin límite.
  • Usa frontmatter (YAML) para metadatos en todos los archivos de conocimiento.
  • Deduplica antes de almacenar. Busca primero, luego crea o actualiza.
  • Prefiere un único hogar canónico por conjunto de hechos. Evita copias paralelas del mismo plan en notas locales, archivos de repo y documentos de seguimiento.
  • Oculta información sensible (API keys, contraseñas) antes de commitear a Git.
  • Usa convenciones de nomenclatura consistentes para archivos de conocimiento (minúsculas-con-guiones).
  • Etiqueta las entradas con temas/categorías para una recuperación más fácil.

Puerta de Calidad

Antes de completar cualquier operación de conocimiento:

  • sin entradas duplicadas creadas
  • datos sensibles ocultos de cualquier archivo rastreado por Git
  • índices y resúmenes actualizados
  • capa de almacenamiento apropiada elegida para el tipo de datos
  • referencias cruzadas añadidas cuando sea relevante

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