Communitygithub.com

unified-notifications-ops

Opera las notificaciones como un flujo de trabajo nativo de ECC en GitHub, Linear, alertas de escritorio, hooks y superficies de comunicación conectadas. Úsalo cuando el problema real sea el enrutamiento, la deduplicación, la escalación o el colapso de la bandeja de entrada.

¿Qué es unified-notifications-ops?

Este skill (unified-notifications-ops) está diseñado para diagnosticar y resolver problemas de fragmentación en los sistemas de notificaciones. Ayuda a convertir eventos dispersos de herramientas como GitHub, Linear, hooks locales y alertas de escritorio en un único panel de control con severidad, propiedad, enrutamiento y acciones de seguimiento claros. Su enfoque principal es la orquestación nativa de ECC, prefiriendo resúmenes y digests antes de enviar notificaciones a todos los canales. El skill guía al usuario en un flujo de trabajo de cinco pasos: inventariar la superficie actual, decidir qué merece interrupción, colapsar duplicados, diseñar el flujo nativo de ECC y devolver un diseño orientado a la acción. Es compatible con Claude Code, Cursor, Codex y otros entornos ECC, y se recomienda usarlo cuando el problema real es el enrutamiento, la deduplicación, la escalación o la reducción del ruido en las notificaciones.

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

Preguntar en tu IA favorita

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

Documentación

Unified Notifications Ops

Usa este skill cuando el problema real no sea una notificación perdida. El problema real es un sistema de notificaciones fragmentado.

El trabajo consiste en convertir eventos dispersos en una única superficie de operador con:

  • severidad clara
  • propiedad clara
  • enrutamiento claro
  • acción de seguimiento clara

Cuándo usarlo

  • el usuario quiere un carril de notificaciones unificado en GitHub, Linear, hooks locales, alertas de escritorio, chat o correo electrónico
  • fallos de CI, solicitudes de revisión, actualizaciones de incidencias y eventos del operador llegan en lugares desconectados
  • la configuración actual genera ruido en lugar de acción
  • el usuario quiere consolidar ramas de notificación superpuestas o propuestas de backlog en un carril nativo de ECC
  • el espacio de trabajo ya tiene hooks, MCPs o herramientas conectadas, pero no una política de notificaciones coherente

Superficie preferida

Comienza desde lo que ya existe:

  • incidencias, PRs, revisiones, comentarios y CI de GitHub
  • movimiento de incidencias/proyectos de Linear
  • eventos de hooks locales y señales de ciclo de vida de sesión
  • primitivas de notificaciones de escritorio
  • superficies de correo electrónico/chat conectadas cuando realmente existan

Prefiere la orquestación nativa de ECC antes que decirle al usuario que adopte un producto de notificaciones separado.

Reglas no negociables

  • nunca expongas tokens, secretos, secretos de webhook o identificadores internos
  • separa:
    • fuente del evento
    • severidad
    • canal de enrutamiento
    • acción del operador
  • por defecto, prioriza el resumen/digest cuando el costo de interrupción no esté claro
  • no distribuyas cada evento a todos los canales
  • si la solución real es mejorar el triaje de incidencias, la política de hooks o el flujo de proyecto, indícalo explícitamente

Pipeline de eventos

Trata el carril como:

  1. Capturar el evento
  2. Clasificar urgencia y propietario
  3. Enrutar al canal correcto
  4. Colapsar duplicados y rotación de baja señal
  5. Adjuntar la siguiente acción del operador

El objetivo son menos notificaciones, pero mejores.

Modelo de severidad predeterminado

ClaseEjemplosManejo predeterminado
CríticoCI de rama principal rota, incidencia de seguridad, lanzamiento bloqueado, despliegue fallidointerrumpir ahora
Altorevisión solicitada, PR fallido, traspaso que bloquea al propietarioalerta del mismo día
Mediocambios de estado de incidencias, comentarios notables, movimiento de backlogresumen/digest o cola
Bajoéxitos repetidos, rotación rutinaria, marcadores de ciclo de vida redundantessuprimir o plegar

Si el espacio de trabajo no tiene un modelo de severidad, construye uno antes de proponer automatización.

Flujo de trabajo

1. Inventariar la superficie actual

Enumera:

  • fuentes de eventos
  • canales actuales
  • hooks/scripts existentes que emiten alertas
  • rutas duplicadas para el mismo evento
  • casos de fallo silencioso donde cosas importantes no se están mostrando

Señala lo que ECC ya posee.

2. Decidir qué merece interrupción

Para cada familia de eventos, responde:

  • ¿quién necesita saberlo?
  • ¿qué tan rápido necesitan saberlo?
  • ¿debería interrumpir, agrupar o solo registrar?

Usa estos valores predeterminados:

  • interrumpir para eventos de lanzamiento, CI, seguridad y bloqueo de propietario
  • resumir/digest para actualizaciones de señal media
  • solo registro para telemetría y marcadores de ciclo de vida de baja señal

3. Colapsar duplicados antes de agregar canales

Busca:

  • el mismo evento de PR apareciendo en GitHub, Linear y registros locales
  • notificaciones de hook repetidas para el mismo fallo
  • comentarios o rotación de estado que deberían resumirse en lugar de reenviarse en bruto
  • canales que se duplican entre sí sin agregar una mejor ruta de acción

Prefiere:

  • un resumen canónico
  • un propietario
  • un canal principal
  • una ruta de respaldo

4. Diseñar el flujo de trabajo nativo de ECC

Para cada necesidad real de notificación, define:

  • fuente
  • puerta de acceso
  • forma: alerta inmediata, resumen/digest, cola o solo panel
  • canal
  • acción

Si ECC ya tiene la primitiva, prefiere:

  • un skill para triaje del operador
  • un hook para emisión/aplicación automática
  • un agente para clasificación delegada
  • un MCP/conector solo cuando falte un puente real

5. Devolver un diseño orientado a la acción

Termina con:

  • qué conservar
  • qué suprimir
  • qué fusionar
  • qué debería envolver ECC a continuación

Formato de salida

SUPERFICIE ACTUAL
- fuentes
- canales
- duplicados
- brechas

MODELO DE EVENTOS
- crítico
- alto
- medio
- bajo

PLAN DE ENRUTAMIENTO
- fuente -> canal
- por qué
- propietario del operador

CONSOLIDACIÓN
- suprimir
- fusionar
- resúmenes canónicos

PRÓXIMO MOVIMIENTO DE ECC
- skill / hook / agente / MCP
- flujo de trabajo exacto a construir a continuación

Reglas de recomendación

  • prefiere un carril fuerte sobre muchos débiles
  • prefiere resúmenes/digests para actualizaciones de señal media y baja
  • prefiere hooks cuando la señal deba emitirse automáticamente
  • prefiere skills de operador cuando el trabajo sea triaje, enrutamiento y toma de decisiones basada en revisión
  • prefiere project-flow-ops cuando la causa raíz sea la coordinación de backlog/PR en lugar de alertas
  • prefiere workspace-surface-audit cuando el usuario primero necesite un inventario de fuentes
  • si las notificaciones de escritorio son suficientes, no inventes un puente externo innecesario

Casos de uso adecuados

  • "Tenemos alertas de GitHub, Linear y hooks locales, pero ningún flujo de operador unificado"
  • "Nuestros fallos de CI son ruidosos y la gente los ignora"
  • "Quiero una política de notificaciones unificada en las superficies de Claude, OpenCode y Codex"
  • "Determina qué debería interrumpir versus qué debería terminar en un resumen/digest"
  • "Colapsa ideas de PR de notificaciones superpuestas en un carril canónico de ECC"

Skills relacionados

  • workspace-surface-audit
  • project-flow-ops
  • github-ops
  • knowledge-ops
  • customer-billing-ops cuando el dolor de las notificaciones sea operaciones de facturación/clientes en lugar de ingeniería

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