Communitygithub.com

delivery-gate

Hook de parada que bloquea a Claude hasta que pasen las verificaciones de calidad. Detecta patrones de racionalización (heurísticas de texto superficial), registros de aprendizaje obsoletos (mtime del sistema de archivos) y espacio bajo en disco. Complementa self-audit al hacer cumplir mecánicamente los hábitos de captura de aprendizaje.

¿Qué es delivery-gate?

Delivery-gate es un gancho (hook) de parada para Claude Code que actúa como una compuerta de calidad mecánica, previniendo que el agente finalice una sesión hasta que se cumplan ciertas verificaciones deterministas. A diferencia de compuertas de razonamiento como self-audit, delivery-gate se basa en hechos verificables por máquina: marcas de tiempo de modificación de archivos para detectar bibliotecas de aprendizaje obsoletas, espacio libre en disco mediante una verificación estática, y patrones de racionalización en el texto de la transcripción mediante expresiones regulares. El gancho bloquea la finalización si se detectan tres o más bibliotecas de aprendizaje sin actualizar, el archivo growth-log está obsoleto en una tarea compleja, o el espacio en disco cae por debajo de 15 GB. Su propósito es complementar las comprobaciones de calidad de código integradas en Claude Code, forzando el hábito de capturar aprendizaje explícitamente en tareas complejas, evitando racionalizaciones y garantizando que no se ejecuten sesiones con recursos críticos bajos. Es compatible con Python 3.8+ en Windows, macOS y Linux, no tiene dependencias externas y se instala copiando el script en el directorio de scripts de Claude.

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

Preguntar en tu IA favorita

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

Documentación

Delivery Gate — Compuerta de Calidad Mecánica para Claude Code

Un gancho de parada que verifica tres condiciones antes de que Claude pueda finalizar una sesión, utilizando únicamente comprobaciones deterministas — marcas de tiempo de modificación de archivos, uso de disco y patrones regex en el texto de la transcripción. Sin inferencia de IA.

Esto es distinto de las compuertas de razonamiento (como self-audit): delivery-gate verifica hechos verificables por máquina; self-audit verifica la calidad de la salida en cuatro dimensiones de razonamiento. Juntos forman una defensa en profundidad:

  • delivery-gate: "¿Se tocó la biblioteca de aprendizaje hoy? ¿El espacio en disco es seguro?"
  • self-audit: "¿El contenido del archivo es correcto, completo y honesto?"

Este es el mismo patrón que las compuertas de pipelines de CI — comprobaciones automatizadas y deterministas que verifican hechos legibles por máquina en lugar de confiar en el estado auto-reportado.

Qué verifica

VerificaciónMecanismoEn caso de acierto
Patrones de racionalizaciónRegex sobre el final de la transcripciónSolo advertencia (nunca bloquea)
Bibliotecas de aprendizaje obsoletasmtime en 5 rutas configurablesAdvertencia si algunas están obsoletas; Bloqueo si >=3 están obsoletas O growth-log obsoleto + tarea compleja
Espacio en disco < 50GBshutil.disk_usageAdvertencia
Espacio en disco < 15GBshutil.disk_usageBloqueo (salida 2)

La detección de racionalización advierte sobre patrones como "omitir pruebas por ahora" y "error preexistente" — señales superficiales de que el pensamiento pudo haberse cortado. Nunca bloquea por sí sola, porque las heurísticas de expresiones regulares pueden dar falsos positivos. Las condiciones de bloqueo son: disco crítico, >=3 bibliotecas de aprendizaje obsoletas O growth-log específicamente obsoleto (ambos requieren tarea compleja con >=3 ediciones).

Por qué

Las comprobaciones integradas de Claude Code cubren la calidad del código (compilación → tipos → lint → pruebas). Pero existe un modo de fallo diferente: el agente produce código funcional mientras que la higiene de la sesión fue descuidada — aprendizaje no capturado, racionalizaciones apresuradas, disco agotándose silenciosamente.

A lo largo de muchas sesiones de "envíar y olvidar", el humano no ha crecido. Este gancho impone el hábito: tarea compleja → debe tocar las bibliotecas de aprendizaje.

Instalación

cp quality-gate.py ~/.claude/scripts/

Añadir a ~/.claude/settings.json:

{
  "hooks": {
    "Stop": [{
      "hooks": [{
        "type": "command",
        "command": "python3 ~/.claude/scripts/quality-gate.py",
        "timeout": 5000
      }]
    }]
  }
}

Bibliotecas de aprendizaje

Cree estos archivos en el directorio de memoria de su proyecto. El gancho verifica si al menos uno fue actualizado hoy:

memory/
├── growth-log/          # Entradas de aprendizaje diarias (directorio)
├── decisions/log.md     # Registro de decisiones
├── output-index.md      # Índice de salidas de sesión
├── ratings-tracker.md   # Seguimiento de calificaciones de habilidades
└── tooling_capabilities.md  # Inventario de herramientas conocidas

Personalice el diccionario LIBS para que coincida con su propia estructura de archivos.

Configuración

Edite quality-gate.py:

VariableValor por defectoPropósito
RATIONALIZE4 patronesPatrones regex para detección de racionalización
LIBS5 bibliotecasArchivos/directorios para verificar actualizaciones de hoy
COMPLEX_THRESHOLD3Llamadas a Editar/Escribir para clasificar como compleja
DISK_WARN_GB50Advertir por debajo de esto
DISK_CRIT_GB15Bloquear por debajo de esto

Ejemplos

Sesión simple — permitida:

edit_count=1 (< 3, no compleja) → salida 0

Tarea compleja, aprendizaje capturado — permitida:

edit_count=5 (compleja) → verifica LIBS → growth-log actualizado hoy → salida 0

Tarea compleja, sin aprendizaje — BLOQUEADA:

edit_count=4 (compleja) → verifica LIBS → las 5 obsoletas → salida 2
stderr: "Bloqueada: tarea compleja completada pero no se capturó aprendizaje hoy."

Espacio bajo en disco — BLOQUEADA:

disk_free=12GB < 15GB crítico → salida 2
stderr: "Bloqueada: espacio en disco a 12GB (umbral: 15GB)."

Limitaciones

El gancho impone el hábito de tocar las bibliotecas de aprendizaje, no la calidad de lo que se registró. Si output-index.md se actualiza pero growth-log se omite, el gancho pasa (1 de 5 bibliotecas tocadas). Esto es intencional: las compuertas mecánicas verifican hechos verificables por máquina. Para la verificación de la calidad del contenido, combínelo con self-audit.

Compatibilidad

  • Python 3.8+ (usa from __future__ import annotations)
  • Multiplataforma: Windows, macOS, Linux
  • Cero dependencias más allá de la biblioteca estándar

Calidad

Este código pasó por 4 rondas de revisión automatizada de código (CodeRabbit + Greptile) con 9 errores reales encontrados y corregidos.

Véase también

  • self-audit — Compuerta de calidad de razonamiento (integridad/consistencia/fundamentación/honestidad)
  • verification-loop — Comprobaciones de calidad de código (compilación/tipos/lint/pruebas)
  • gateguard — Compuerta de seguridad PreToolUse

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

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

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

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