Communitygithub.com

terminal-ops

Flujo de ejecución de repositorio basado en evidencia para ECC. Úselo cuando el usuario desee ejecutar un comando, revisar un repositorio, depurar un fallo de CI o realizar una corrección estrecha con prueba exacta de lo que se ejecutó y verificó.

¿Qué es terminal-ops?

Terminal Ops es una skill de Evidence-Centered Coding (ECC) que define un flujo de trabajo operatorio para ejecutar comandos en el repositorio real, inspeccionar el estado de git, depurar CI o builds, realizar correcciones estrechas y reportar exactamente qué cambió y qué se verificó. Es intencionalmente más estrecho que una guía de codificación general; se enfoca en la ejecución de terminal basada en evidencia. La skill se apoya en otras skills de ECC como verification-loop, tdd-workflow, security-review, github-ops y knowledge-ops según sea relevante. Se activa cuando el usuario solicita “arreglar”, “depurar”, “ejecutar esto”, “revisar el repositorio” o “subir cambios”, y es útil para tareas que dependen de la salida de comandos, el estado de git, resultados de pruebas o una corrección local verificada. Incluye guardarraíles como inspeccionar antes de editar, mantenerse en modo solo lectura si el usuario solo solicita auditoría/revisión, preferir scripts locales sobre envolturas ad hoc, no afirmar que se ha corregido hasta que se haya vuelto a ejecutar el comando de verificación, y no afirmar que se ha subido a menos que la rama se haya movido realmente upstream. El flujo de trabajo se compone de cuatro fases: resolver la superficie de trabajo, leer primero la superficie fallida, mantener la corrección estrecha, y reportar el estado exacto de ejecución usando palabras clave como inspeccionado, cambiado localmente, verificado localmente, confirmado, subido o bloqueado. El formato de salida es estructurado con secciones de SURFACE, EVIDENCE, ACTION y STATUS. Las trampas incluyen no trabajar con memoria obsoleta, no ampliar una corrección estrecha a un caos en todo el repositorio, no usar comandos destructivos de git, y no ignorar trabajo local no relacionado.

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

Preguntar en tu IA favorita

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

Documentación

Terminal Ops

Úselo cuando el usuario desee ejecución real en el repositorio: ejecutar comandos, inspeccionar el estado de git, depurar CI o builds, realizar una corrección estrecha y reportar exactamente qué cambió y qué se verificó.

Esta skill es intencionalmente más estrecha que una guía de codificación general. Es un flujo de trabajo operatorio para la ejecución de terminal basada en evidencia.

Pila de Skills

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

  • verification-loop para pasos de verificación exactos después de los cambios
  • tdd-workflow cuando la corrección adecuada necesite cobertura de regresión
  • security-review cuando estén involucrados secretos, autenticación o entradas externas
  • github-ops cuando la tarea dependa de ejecuciones de CI, estado de PR o estado de releases
  • knowledge-ops cuando el resultado verificado deba capturarse en el contexto duradero del proyecto

Cuándo Usar

  • el usuario dice "arreglar", "depurar", "ejecutar esto", "revisar el repositorio" o "subir cambios"
  • la tarea depende de la salida de comandos, el estado de git, resultados de pruebas o una corrección local verificada
  • la respuesta debe distinguir entre cambiado localmente, verificado localmente, confirmado y subido

Guardarraíles

  • inspeccione antes de editar
  • manténgase en modo solo lectura si el usuario solo solicitó auditoría/revisión
  • prefiera scripts y ayudantes locales del repositorio sobre envolturas ad hoc improvisadas
  • no afirme que se ha corregido hasta que se haya vuelto a ejecutar el comando de verificación
  • no afirme que se ha subido a menos que la rama realmente se haya movido upstream

Flujo de Trabajo

1. Resolver la superficie de trabajo

Determine:

  • ruta exacta del repositorio
  • rama
  • estado de diff local
  • modo solicitado:
    • inspeccionar
    • corregir
    • verificar
    • subir

2. Leer primero la superficie fallida

Antes de cambiar algo:

  • inspeccione el error
  • inspeccione el archivo o prueba
  • inspeccione el estado de git
  • use cualquier registro o contexto ya proporcionado antes de volver a leer a ciegas

3. Mantener la corrección estrecha

Resuelva un fallo dominante a la vez:

  • use primero el comando de verificación más pequeño y útil
  • solo escale a una ejecución más grande de build/prueba después de abordar el fallo local
  • si un comando sigue fallando con la misma firma, detenga los reintentos amplios y reduzca el alcance

4. Reportar el estado exacto de ejecución

Use palabras de estado exactas:

  • inspeccionado
  • cambiado localmente
  • verificado localmente
  • confirmado
  • subido
  • bloqueado

Formato de Salida

SUPERFICIE
- repositorio
- rama
- modo solicitado

EVIDENCIA
- comando / diff / prueba que falla

ACCIÓN
- qué cambió

ESTADO
- inspeccionado / cambiado localmente / verificado localmente / confirmado / subido / bloqueado

Trampas

  • no trabaje desde memoria obsoleta cuando se pueda leer el estado vivo del repositorio
  • no amplíe una corrección estrecha a un caos en todo el repositorio
  • no use comandos destructivos de git
  • no ignore trabajo local no relacionado

Verificación

  • la respuesta nombra el comando de verificación o prueba
  • el trabajo relacionado con git nombra la ruta del repositorio y la rama
  • cualquier afirmación de subida incluye la rama objetivo y el resultado exacto

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