Communitygithub.com

Auditoría de Superficie del Workspace

Audita el repositorio activo, servidores MCP, plugins, conectores, superficies de entorno y configuración del entorno, y recomienda las skills, hooks, agentes y flujos de trabajo operador de ECC de mayor valor. Úsalo cuando el usuario quiera ayuda para configurar Claude Code o entender qué capacidades están realmente disponibles en su entorno.

¿Qué es Auditoría de Superficie del Workspace?

Esta skill de solo lectura audita el repositorio activo, los servidores MCP, plugins, conectores, variables de entorno y la configuración del entorno de trabajo para responder a la pregunta: '¿Qué puede hacer realmente este workspace y esta máquina ahora mismo, y qué deberíamos añadir o habilitar a continuación?' Es la respuesta nativa de ECC para auditorías de configuración, y no modifica ningún archivo a menos que el usuario lo solicite explícitamente para implementar una recomendación. La skill está diseñada para plataformas como Claude Code, Cursor y Codex, y sigue un proceso estructurado en tres fases: inventario de lo existente, comparación con superficies oficiales e instaladas, y conversión de brechas en decisiones ECC. Al final, entrega cinco secciones claras: superficie actual, paridad, brechas solo primitivas, integraciones faltantes y los próximos 3 a 5 movimientos concretos ordenados por impacto. Es útil cuando el usuario pide configurar Claude Code, recomendar automatizaciones, saber qué plugins o MCPs usar, o revisar archivos como `.env`, `.mcp.json` o configuraciones de plugins para identificar capas de flujo de trabajo faltantes.

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

Preguntar en tu IA favorita

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

Documentación

¿Qué hace Auditoría de Superficie del Workspace?

Skill de auditoría de solo lectura para responder a la pregunta "¿qué puede hacer realmente este workspace y esta máquina ahora mismo, y qué deberíamos añadir o habilitar a continuación?"

Esta es la respuesta nativa de ECC para plugins de auditoría de configuración. No modifica archivos a menos que el usuario solicite explícitamente una implementación de seguimiento.

Cuándo Usarla

  • El usuario dice "configurar Claude Code", "recomendar automatizaciones", "¿qué plugins o MCPs debería usar?" o "¿qué me falta?"
  • Auditar una máquina o repositorio antes de instalar más skills, hooks o conectores
  • Comparar plugins del marketplace oficial contra la cobertura nativa de ECC
  • Revisar .env, .mcp.json, configuraciones de plugins o superficies de aplicaciones conectadas para encontrar capas de flujo de trabajo faltantes
  • Decidir si una capacidad debería ser una skill, hook, agente, MCP o conector externo

Reglas No Negociables

  • Nunca imprimas valores secretos. Solo muestra nombres de proveedores, nombres de capacidades, rutas de archivos y si existe una clave o configuración.
  • Prefiere flujos de trabajo nativos de ECC sobre consejos genéricos de "instalar otro plugin" cuando ECC pueda gestionar razonablemente la superficie.
  • Trata los plugins externos como referencias e inspiración, no como límites autoritativos del producto.
  • Separa tres cosas claramente:
    • ya disponible ahora
    • disponible pero no bien envuelto en ECC
    • no disponible y requeriría una nueva integración

Entradas de Auditoría

Inspecciona solo los archivos y configuraciones necesarios para responder bien a la pregunta:

  1. Superficie del repositorio
    • package.json, lockfiles, marcadores de lenguaje, configuración del framework, README.md
    • .mcp.json, .lsp.json, .claude/settings*.json, .codex/*
    • AGENTS.md, CLAUDE.md, manifiestos de instalación, configuraciones de hooks
  2. Superficie del entorno
    • Archivos .env* en el repositorio activo y espacios de trabajo ECC adyacentes obvios
    • Solo muestra nombres de clave como STRIPE_API_KEY, TWILIO_AUTH_TOKEN, FAL_KEY
  3. Superficie de herramientas conectadas
    • Plugins instalados, conectores habilitados, servidores MCP, LSP e integraciones de aplicaciones
  4. Superficie de ECC
    • Skills existentes, comandos, hooks, agentes y módulos de instalación que ya cubren la necesidad

Proceso de Auditoría

Fase 1: Inventario de lo que Existe

Produce un inventario compacto:

  • destinos de harness activos
  • plugins instalados y aplicaciones conectadas
  • servidores MCP configurados
  • servidores LSP configurados
  • servicios respaldados por entorno implícitos por nombres de clave
  • skills ECC existentes ya relevantes para el workspace

Si una superficie existe solo como primitiva, mencionalo. Ejemplo:

  • "Stripe está disponible mediante aplicación conectada, pero ECC carece de una skill de operaciones de facturación"
  • "Google Drive está conectado, pero no hay un flujo de trabajo operador nativo de ECC para Google Workspace"

Fase 2: Comparar con Superficies Oficiales e Instaladas

Compara el workspace contra:

  • plugins oficiales de Claude que se superponen con configuración, revisión, documentación, diseño o calidad de flujo de trabajo
  • plugins instalados localmente en Claude o Codex
  • las superficies de aplicaciones actualmente conectadas del usuario

No solo nombres. Para cada comparación, responde:

  1. qué hacen realmente
  2. si ECC ya tiene paridad
  3. si ECC solo tiene primitivas
  4. si ECC carece completamente del flujo de trabajo

Fase 3: Convertir Brechas en Decisiones ECC

Para cada brecha real, recomienda la forma nativa ECC correcta:

Tipo de BrechaForma Preferida de ECC
Flujo de trabajo operador repetibleSkill
Aplicación automática o efecto secundarioHook
Rol delegado especializadoAgent
Puente de herramienta externaServidor MCP o conector
Guía de instalación/inicializaciónSkill de configuración o auditoría

Por defecto, prioriza skills orientadas al usuario que orquesten herramientas existentes cuando la necesidad sea operativa en lugar de infraestructural.

Formato de Salida

Devuelve cinco secciones en este orden:

  1. Superficie actual
    • qué ya es utilizable ahora mismo
  2. Paridad
    • donde ECC ya iguala o supera el punto de referencia
  3. Brechas solo primitivas
    • las herramientas existen, pero ECC carece de una skill operadora limpia
  4. Integraciones faltantes
    • capacidad no disponible aún
  5. Próximos 3-5 movimientos
    • adiciones concretas nativas de ECC, ordenadas por impacto

Reglas de Recomendación

  • Recomienda como máximo 1-2 ideas de mayor valor por categoría.
  • Favorece skills con intención de usuario y valor empresarial obvios:
    • auditoría de configuración
    • operaciones de facturación/clientes
    • operaciones de incidencias/programas
    • operaciones de Google Workspace
    • operaciones de despliegue/control
  • Si un conector es específico de la empresa, recomiéndalo solo cuando esté genuinamente disponible o sea claramente útil para el flujo de trabajo del usuario.
  • Si ECC ya tiene una primitiva sólida, propón una skill envolvente en lugar de inventar un subsistema completamente nuevo.

Buenos Resultados

  • El usuario puede ver inmediatamente qué está conectado, qué falta y qué debería poseer ECC a continuación.
  • Las recomendaciones son lo suficientemente específicas como para implementarlas en el repositorio sin otra ronda de descubrimiento.
  • La respuesta final está organizada en torno a flujos de trabajo, no a marcas de API.

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