Communitygithub.com

agent-sort

Crea un plan de instalación de ECC basado en evidencia para un repositorio específico, clasificando skills, comandos, reglas, hooks y extras en categorías DIARIO vs BIBLIOTECA mediante revisiones paralelas conscientes del repositorio. Úsalo cuando el ECC deba reducirse a lo que el proyecto realmente necesita, en lugar de cargar el paquete completo.

¿Qué es agent-sort?

Agent Sort es una habilidad de agente de IA diseñada para DevOps y equipos de ingeniería que utilizan ECC (Entorno de Codificación Configurable). Su propósito es analizar un repositorio de código y clasificar sus componentes de ECC —skills, comandos, reglas, hooks, scripts y extras— en dos categorías: DIARIO (cargado en cada sesión) y BIBLIOTECA (accesible pero no cargado por defecto). La habilidad se basa en evidencia concreta del repositorio actual, como extensiones de archivo, gestores de paquetes, configuraciones de framework y dependencias, garantizando que solo se instale lo relevante. Soporta plataformas como Claude Code, Cursor y Codex, y puede ejecutar revisiones paralelas si hay subagentes disponibles, o secuenciales en caso contrario. El resultado final incluye un plan de instalación detallado, un informe de verificación y un enrutador opcional de biblioteca de skills, todo con el objetivo de optimizar el espacio de trabajo y reducir el ruido.

Compatible con✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/everything-claude-code/tree/main/skills/agent-sort

Preguntar en tu IA favorita

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

Documentación

Agent Sort

Usa esta habilidad cuando un repositorio necesite una superficie ECC específica del proyecto en lugar de la instalación completa predeterminada.

El objetivo no es adivinar "lo que parece útil". El objetivo es clasificar los componentes de ECC con evidencia del código base real.

Cuándo Usarlo

  • Un proyecto solo necesita un subconjunto de ECC y las instalaciones completas son demasiado ruidosas
  • La pila del repositorio está clara, pero nadie quiere seleccionar manualmente una por una las habilidades
  • Un equipo quiere una decisión de instalación repetible respaldada por evidencia de grep, en lugar de opiniones
  • Necesitas separar las superficies de flujo de trabajo diario siempre cargadas de las superficies de biblioteca/referencia buscables
  • Un repositorio se ha desviado hacia un conjunto incorrecto de idiomas, reglas o hooks y necesita limpieza

Reglas No Negociables

  • Usa el repositorio actual como fuente de verdad, no preferencias genéricas
  • Cada decisión DIARIO debe citar evidencia concreta del repositorio
  • BIBLIOTECA no significa "eliminar"; significa "mantener accesible sin cargarlo por defecto"
  • No instales hooks, reglas o scripts que el repositorio actual no pueda usar
  • Prefiere superficies nativas de ECC; no introduzcas un segundo sistema de instalación

Resultados

Produce estos artefactos en orden:

  1. Inventario DIARIO
  2. Inventario BIBLIOTECA
  3. Plan de instalación
  4. Informe de verificación
  5. Enrutador opcional de skill-library si el proyecto lo desea

Modelo de Clasificación

Usa solo dos categorías:

  • DIARIO
    • debe cargarse cada sesión para este repositorio
    • fuertemente relacionado con el lenguaje, framework, flujo de trabajo o superficie operativa del repositorio
  • BIBLIOTECA
    • útil de conservar, pero no vale la pena cargarlo por defecto
    • debe permanecer accesible a través de búsqueda, skill de enrutador o uso manual selectivo

Fuentes de Evidencia

Usa evidencia local del repositorio antes de hacer cualquier clasificación:

  • extensiones de archivo
  • gestores de paquetes y archivos de bloqueo
  • configuraciones de framework
  • configuraciones de CI y hooks
  • scripts de compilación/prueba
  • importaciones y manifiestos de dependencias
  • documentación del repositorio que describa explícitamente la pila

Comandos útiles incluyen:

rg --files
rg -n "typescript|react|next|supabase|django|spring|flutter|swift"
cat package.json
cat pyproject.toml
cat Cargo.toml
cat pubspec.yaml
cat go.mod

Revisiones Paralelas

Si hay subagentes paralelos disponibles, divide la revisión en estas pasadas:

  1. Agentes
    • clasificar agents/*
  2. Skills
    • clasificar skills/*
  3. Comandos
    • clasificar commands/*
  4. Reglas
    • clasificar rules/*
  5. Hooks y scripts
    • clasificar superficies de hooks, verificaciones de salud MCP, scripts auxiliares y compatibilidad con SO
  6. Extras
    • clasificar contextos, ejemplos, configuraciones MCP, plantillas y documentos guía

Si los subagentes no están disponibles, ejecuta las mismas pasadas de forma secuencial.

Flujo de Trabajo Principal

1. Leer el repositorio

Establece la pila real antes de clasificar cualquier cosa:

  • lenguajes en uso
  • frameworks en uso
  • gestor de paquetes principal
  • pila de pruebas
  • pila de lint/formato
  • superficie de despliegue/ejecución
  • integraciones operativas ya presentes

2. Construir la tabla de evidencia

Para cada superficie candidata, registra:

  • ruta del componente
  • tipo de componente
  • categoría propuesta
  • evidencia del repositorio
  • justificación breve

Usa este formato:

skills/frontend-patterns | skill | DIARIO | 84 archivos .tsx, next.config.ts presente | pila frontend principal
skills/django-patterns   | skill | BIBLIOTECA | sin archivos .py, sin pyproject.toml       | no activo en este repositorio
rules/typescript/*       | rules | DIARIO | package.json + tsconfig.json            | repositorio TS activo
rules/python/*           | rules | BIBLIOTECA | cero archivos fuente Python             | mantener solo accesible

3. Decidir DIARIO vs BIBLIOTECA

Promover a DIARIO cuando:

  • el repositorio usa claramente la pila correspondiente
  • el componente es lo suficientemente general para ayudar en cada sesión
  • el repositorio ya depende del runtime o flujo de trabajo correspondiente

Degradar a BIBLIOTECA cuando:

  • el componente está fuera de la pila
  • el repositorio podría necesitarlo más adelante, pero no todos los días
  • añade sobrecarga de contexto sin relevancia inmediata

4. Construir el plan de instalación

Traduce la clasificación en acciones:

  • skills DIARIO -> instalar o mantener en .claude/skills/
  • comandos DIARIO -> mantener como shims explícitos solo si aún son útiles
  • reglas DIARIO -> instalar solo los conjuntos de lenguaje coincidentes
  • hooks/scripts DIARIO -> mantener solo los compatibles
  • superficies BIBLIOTECA -> mantener accesibles a través de búsqueda o skill-library

Si el repositorio ya usa instalaciones selectivas, actualiza ese plan en lugar de crear otro sistema.

5. Crear el enrutador de biblioteca opcional

Si el proyecto desea una superficie de biblioteca buscable, crea:

  • .claude/skills/skill-library/SKILL.md

Ese enrutador debe contener:

  • una breve explicación de DIARIO vs BIBLIOTECA
  • palabras clave de activación agrupadas
  • dónde residen las referencias de la biblioteca

No dupliques el cuerpo de cada skill dentro del enrutador.

6. Verificar el resultado

Después de aplicar el plan, verifica:

  • cada archivo DIARIO existe donde se espera
  • no se dejaron activas reglas de lenguaje obsoletas
  • no se instalaron hooks incompatibles
  • la instalación resultante realmente coincide con la pila del repositorio

Devuelve un informe compacto con:

  • recuento DIARIO
  • recuento BIBLIOTECA
  • superficies obsoletas eliminadas
  • preguntas abiertas

Traspasos

Si el siguiente paso es la instalación interactiva o reparación, traspasa a:

  • configure-ecc

Si el siguiente paso es la limpieza de superposiciones o revisión de catálogo, traspasa a:

  • skill-stocktake

Si el siguiente paso es el recorte de contexto más amplio, traspasa a:

  • strategic-compact

Formato de Salida

Devuelve el resultado en este orden:

PILA
- resumen del lenguaje/framework/runtime

DIARIO
- elementos siempre cargados con evidencia

BIBLIOTECA
- elementos buscables/de referencia con evidencia

PLAN DE INSTALACIÓN
- qué debe instalarse, eliminarse o enrutarse

VERIFICACIÓN
- comprobaciones realizadas y brechas restantes

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/claude-api

Anthropic Claude API patterns for Python and TypeScript. Covers Messages API, streaming, tool use, vision, extended thinking, batches, prompt caching, and Claude Agent SDK. Use when building applications with the Claude API or Anthropic SDKs.

affaan-m/everything-claude-code

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/everything-claude-code

End-to-end marketing campaign planning and execution. Covers audience research, positioning, campaign angle definition, landing page copy, email sequences, social posts, ad copy, short-form video scripts, and content calendars. Use as the orchestration layer for multi-channel product launches. Use when planning or executing a multi-channel product launch, or producing landing page, email, social, or ad copy.

affaan-m/everything-claude-code-conventions

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/frontend-design

Create distinctive, production-grade frontend interfaces with high design quality. Use when the user asks to build web components, pages, or applications and the visual direction matters as much as the code quality.

affaan-m/gget

gget CLI and Python workflow for quick genomic database queries, sequence lookup, BLAST-style searches, enrichment checks, and reproducible bioinformatics evidence logs.

affaan-m/literature-review

Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.

affaan-m/motion-ui

Production-ready UI motion system for React/Next.js. Use when implementing animations, transitions, or motion patterns.

affaan-m/project-guidelines-example

Example project-specific skill template based on a real production application.

affaan-m/pubmed-database

Direct PubMed and NCBI E-utilities search workflows for biomedical literature, MeSH queries, PMID lookup, citation retrieval, and API-backed literature monitoring.

affaan-m/scholar-evaluation

Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.

affaan-m/uspto-database

USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.

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.

Skills relacionados