Communitygithub.com

Project Flow Ops

Opera el flujo de ejecución entre GitHub y Linear clasificando issues y pull requests, vinculando el trabajo activo y manteniendo GitHub como interfaz pública mientras Linear es la capa de ejecución interna. Úsalo cuando necesites control del backlog, clasificación de PRs o coordinación entre GitHub y Linear.

¿Qué es Project Flow Ops?

Esta habilidad transforma issues desconectados de GitHub, PRs y tareas de Linear en un flujo de ejecución uniforme. Está diseñada para mejorar la coordinación, no para la codificación. Úsala para clasificar backlogs de PRs o issues abiertos, decidir qué trabajo merece un issue en Linear, vincular trabajo activo de GitHub a líneas de ejecución internas, y clasificar PRs en estados como merge, port/rebuild, close o park. Funciona bajo un modelo operativo donde GitHub es la verdad pública y comunitaria, mientras que Linear es la verdad interna de ejecución para trabajo activo, delegado, programado o interfuncional. El flujo principal consiste en leer la superficie pública de GitHub, clasificar cada elemento en el estado adecuado, decidir si requiere un issue en Linear (solo si el trabajo está activamente planeado, involucra múltiples repositorios o flujos, necesita propiedad interna o es parte de un programa mayor), y mantener ambos sistemas sincronizados. Las reglas de revisión incluyen nunca fusionar solo por el título o resumen, reconstruir características externas dentro de ECC cuando sean valiosas pero no autocontenidas, y no ignorar CI rojo. La salida se formatea en un texto estructurado que cubre el estado público, la clasificación, la acción en Linear y la siguiente acción del operador.

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

Preguntar en tu IA favorita

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

Documentación

¿Qué hace Project Flow Ops?

Esta habilidad convierte issues desconectados de GitHub, PRs y tareas de Linear en un solo flujo de ejecución.

Úsala cuando el problema sea la coordinación, no la codificación.

Cuándo usarlo

  • Clasificar backlogs de PRs o issues abiertos
  • Decidir qué pertenece a Linear vs qué debe permanecer solo en GitHub
  • Vincular trabajo activo de GitHub a líneas de ejecución internas
  • Clasificar PRs en merge, port/rebuild, close o park
  • Auditar si los comentarios de revisión, fallos de CI o issues obsoletos están bloqueando la ejecución

Modelo operativo

  • GitHub es la verdad pública y comunitaria
  • Linear es la verdad interna de ejecución para trabajo activo y programado
  • No todos los issues de GitHub necesitan un issue en Linear
  • Crear o actualizar Linear solo cuando el trabajo sea:
    • activo
    • delegado
    • programado
    • interfuncional
    • lo suficientemente importante como para rastrearlo internamente

Flujo principal

1. Leer primero la superficie pública

Recopila:

  • Estado del issue o PR de GitHub
  • autor y estado de la rama
  • comentarios de revisión
  • estado de CI
  • issues vinculados

2. Clasificar el trabajo

Cada elemento debe terminar en uno de estos estados:

EstadoSignificado
Merge (fusionar)autocontenido, cumple con la política, listo
Port/Rebuild (portar/reconstruir)idea útil, pero debe ser re-implementada manualmente dentro de ECC
Close (cerrar)dirección incorrecta, obsoleto, inseguro o duplicado
Park (aparcar)potencialmente útil, pero no programado ahora

3. Decidir si Linear está justificado

Crear o actualizar Linear solo si:

  • la ejecución está planeada activamente
  • están involucrados múltiples repos o flujos de trabajo
  • el trabajo necesita propiedad o secuenciación interna
  • el issue es parte de un programa o línea más grande

No reflejar todo mecánicamente.

4. Mantener los dos sistemas consistentes

Cuando el trabajo está activo:

  • El issue/PR de GitHub debe decir lo que está sucediendo públicamente
  • Linear debe rastrear el propietario, la prioridad y la línea de ejecución internamente

Cuando el trabajo se envía o se rechaza:

  • publicar la resolución pública de vuelta a GitHub
  • marcar la tarea de Linear en consecuencia

Reglas de revisión

  • Nunca fusionar solo por el título, resumen o confianza; usar el diff completo
  • Las características de fuentes externas deben reconstruirse dentro de ECC cuando sean valiosas pero no autocontenidas
  • CI rojo significa clasificar y corregir o bloquear; no finjas que está listo para fusionar
  • Si el verdadero bloqueador es la dirección del producto, dilo en lugar de esconderte detrás de herramientas

Formato de salida

Devuelve:

ESTADO PÚBLICO
- estado del issue / PR
- estado de CI / revisión

CLASIFICACIÓN
- merge / port-rebuild / close / park
- justificación de un párrafo

ACCIÓN EN LINEAR
- crear / actualizar / no se necesita item en Linear
- proyecto / línea si aplica

PRÓXIMA ACCIÓN DEL OPERADOR
- siguiente movimiento exacto

Buenos casos de uso

  • "Audita el backlog de PRs abiertos y dime qué fusionar vs reconstruir"
  • "Mapea los issues de GitHub en nuestras líneas de programa ECC 1.x y ECC 2.0"
  • "Verifica si esto necesita un issue en Linear o debe permanecer solo en GitHub"

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