Communitygithub.com

inherit-legacy-style

Habilidad de herencia de estilo para proyectos heredados. Actívala escribiendo /inherit-legacy-style o al incorporar un agente de IA a un proyecto legacy escrito a mano para evitar la deriva de estilo.

¿Qué es inherit-legacy-style?

Esta habilidad evita que la IA genere código con un estilo divergente en proyectos heredados. Escanea el código fuente existente en busca de convenciones implícitas distribuidas en cuatro dimensiones meta-arquitectónicas (anatomía de archivos, flujo de control y estado, infraestructura, y manejo de errores). Utiliza umbrales de señal para filtrar conflictos débiles automáticamente y, cuando detecta una división significativa, presenta los conflictos al usuario uno a uno mediante un protocolo de interrogatorio, permitiendo decidir si seguir una u otra convención, actualizar las reglas o introducir una nueva. Finalmente, cristaliza el consenso en un archivo `.ai-style-rules.md` enforceable, con secciones de Archivos Dorados, Reglas de Nomenclatura y Estado, y los NO HACER. Soporta tanto escaneos completos iniciales como actualizaciones incrementales basadas en diferencias de Git. Funciona en cualquier lenguaje y framework, y se integra de forma opcional con `CLAUDE.md` para que cada tarea de escritura de código comience con una declaración de cumplimiento.

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

Preguntar en tu IA favorita

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

Documentación

Heredar Estilo Heredado

Evita la deriva de estilo de código de IA en proyectos heredados escaneando el código fuente en busca de convenciones implícitas en 4 dimensiones meta-arquitectónicas, resolviendo conflictos con el usuario uno a la vez, y cristalizando el consenso en un archivo .ai-style-rules.md ejecutable. Completamente agnóstico en cuanto a lenguaje y framework.

Cuándo Activar

  • El usuario escribe /inherit-legacy-style
  • El usuario menciona la incorporación de IA en un proyecto heredado escrito a mano
  • El usuario está preocupado porque el código generado por IA "se desvíe" de las convenciones existentes del proyecto
  • El usuario quiere extraer y codificar las reglas de codificación implícitas de su proyecto

Cuándo Usar

Usa esta habilidad cuando necesites preservar el estilo de un proyecto heredado y evitar la deriva de estilo generada por IA. Consulta Cuándo Activar arriba para las condiciones desencadenantes.

Prerrequisitos

  • Git (recomendado; proyectos sin Git usan marcas de tiempo de archivo para el modo incremental)
  • Acceso de lectura/escritura a la raíz del proyecto (genera .ai-style-rules.md y opcionalmente CLAUDE.md)

Flujo de Trabajo

Paso 0 — Modo de Detección Automática

Verifica silenciosamente la existencia de .ai-style-rules.md en la raíz del proyecto:

¿Existe el archivo?Modo
NoRama A — Escaneo Completo por Primera Vez
SíRama B — Olfateo Incremental

Anuncia el modo en una línea y continúa — nunca pidas al usuario que elija.

Rama A — Escaneo Completo por Primera Vez

1. Medir escala, elegir un nivel de escaneo

git ls-files | grep -cE '\.(js|ts|jsx|tsx|vue|py|go|rs|java|kt|rb|php|cs|swift|c|cpp|h)$'
NivelArchivos fuenteEstrategia
Pequeño≲ 50Lectura completa de cada archivo fuente
Mediano50–500Capa de infraestructura = lectura completa; capa de negocio = muestra 2–3 por dimensión
Grande≳ 500Muestreo estricto + límite de presupuesto; resumen --stat primero, luego lecturas dirigidas

2. Escanear en 4 dimensiones

  1. Anatomía del Archivo — orden de declaración dentro del archivo (importaciones → tipos → lógica principal → ayudantes → exportación)
  2. Estado y Flujo de Control — convenciones de nomenclatura para estado asíncrono, paginación, banderas
  3. Infraestructura — dónde viven las utilidades transversales (interceptores, formateadores, middleware)
  4. Manejo de Errores — try/catch vs interceptor global vs retorno Result; hábitos de comprobación de nulos

3. Aplicar reducción de ruido por umbral de señal

Antes de interrumpir al usuario, evalúa la intensidad de la señal:

  • Señal débil → suprimir automáticamente: minoría <5% Y cuenta <10 → la mayoría gana, la minoría pasa a NO HACER
  • Señal fuerte → interrogar: división casi pareja, o bifurcación semántica en una dimensión central
  • Excepción de proyecto pequeño: fuentes ≲50, "3 contra 2" NO es mayoría → interrogar

4. Resolver conflictos uno a la vez (Protocolo de Interrogatorio)

Para cada conflicto de señal fuerte, presenta EXACTAMENTE UNA pregunta con 4 opciones:

Evidencia: pathA usa estilo X, pathB usa estilo Y ADVERTENCIA: Riesgo: mezclar ambos fragmenta el estilo del proyecto Elige: 1 seguir X 2 seguir Y 3 esto es evolución, actualizar reglas 4 tengo una nueva regla

Suspende hasta que el usuario responda, luego continúa con el siguiente conflicto. Nunca acumules preguntas.

5. Generar .ai-style-rules.md con tres secciones obligatorias:

  • [Archivos Dorados] — rutas de ejemplares reales anotadas con lo que demuestran
  • [Reglas de Nomenclatura y Control de Estado] — convenciones concretas y verificables
  • [NO HACER] — antipatrones que no deben propagarse

6. Instalar el gancho persistente

Pregunta al usuario la fuerza de aplicación (usa AskUserQuestion):

OpciónMecanismo
1 Gancho suave (recomendado)Escribe la referencia @.ai-style-rules.md en el archivo CLAUDE.md del proyecto
2 Gancho duroGancho suave + Gancho `PreToolUse[Write
3 Sin ganchoMantén el archivo de reglas; el usuario lo referencia manualmente

Rama B — Olfateo Incremental

  1. Lee el .ai-style-rules.md existente; si tiene una huella de commit, git diff <último_hash> HEAD --stat para identificar el delta
  2. Lee los cambios recientes de Git (git log -3 --stat → inspecciona archivos sospechosos bajo demanda)
  3. Para diffs sobredimensionados (>cientos de archivos): solo resumen --stat + muestra los cambios más grandes
  4. Compara el código nuevo con las reglas registradas → los conflictos pasan por el Protocolo de Interrogatorio
  5. Agrega un registro de evolución al final de .ai-style-rules.md (nunca sobrescribas reglas antiguas)

Aplicación por Turno

Cuando .ai-style-rules.md está en contexto (cargado mediante CLAUDE.md), cada tarea de escritura de código debe comenzar con una declaración de cumplimiento en la cadena de razonamiento, nombrando el ejemplar que se sigue y los NO HACER que se evitan.

Cómo Funciona

Esta habilidad detecta automáticamente si es una ejecución por primera vez o incremental mediante la presencia de .ai-style-rules.md:

  • Por primera vez (Rama A) — Mide la escala del proyecto, escanea el código fuente en 4 dimensiones meta-arquitectónicas (Anatomía del Archivo, Estado y Flujo de Control, Infraestructura, Manejo de Errores), aplica reducción de ruido por umbral de señal para suprimir conflictos débiles, resuelve conflictos de señal fuerte uno a la vez con el usuario, genera .ai-style-rules.md con Archivos Dorados / Reglas de Nomenclatura / NO HACER, y ofrece ganchos de aplicación opcionales.
  • Incremental (Rama B) — Lee las reglas existentes, verifica diferencias recientes de Git en busca de patrones nuevos o conflictivos, ejecuta el mismo protocolo de interrogatorio uno a la vez para cualquier conflicto encontrado, y agrega registros de evolución sin sobrescribir las reglas existentes.
  • Aplicación por Turno — Cuando está enganchado mediante CLAUDE.md, cada tarea de escritura de código comienza con una declaración de cumplimiento que nombra el ejemplar seguido y los NO HACER evitados.

Especificación de Salida

  • .ai-style-rules.md en la raíz del proyecto (con huella de commit + nivel de escala en el encabezado)
  • Opcionalmente CLAUDE.md con una referencia @.ai-style-rules.md
  • Registros de evolución agregados como entradas ### [AAAA-MM-DD] Registro de Evolución de Estilo

Antipatrones

  • FALLO: NO omitas el paso de medición de escala — muestrear un proyecto de 30 archivos lo "desnutre"; escanear completamente un repositorio de 5000 archivos explota
  • FALLO: NO acumules múltiples preguntas de conflicto a la vez — el interrogatorio es estrictamente uno a la vez
  • FALLO: NO sobrescribas reglas antiguas en modo incremental — siempre agrega registros de evolución
  • FALLO: NO asumas el "gancho duro" sin preguntar — la fuerza de aplicación es decisión del usuario
  • FALLO: NO juzgues la sintaxis ni la calidad de la pila tecnológica — esta habilidad solo alinea la meta-arquitectura
  • FALLO: NO copies errores de los archivos ejemplares — reutiliza la estructura, señala defectos

Mejores Prácticas

  • Anuncia el modo detectado (por primera vez vs incremental) y el nivel de escala en una línea antes de escanear
  • Para proyectos grandes, lee primero los resúmenes --stat, luego lecturas dirigidas con Read en archivos sospechosos
  • Deja que el umbral de señal maneje el ruido — una división de nomenclatura de 843 contra 8 debe resolverse automáticamente sin interrupción del usuario
  • Si dudas sobre la intensidad de la señal, inclínate por preguntar
  • El gancho suave de CLAUDE.md (@.ai-style-rules.md) suele ser suficiente; el gancho duro solo si el usuario quiere aplicación mecánica

Habilidades Relacionadas

  • init — inicializa un nuevo CLAUDE.md con documentación del código base
  • code-review — revisa diferencias por corrección y problemas de estilo
  • simplify — revisa código en busca de oportunidades de reutilización y simplificación

Ejemplos

  1. Incorporación por primera vez

    • Usuario: "Ayúdame a incorporar IA a este código base antiguo sin cambiar su estilo."
    • Acción: Ejecutar escaneo completo Rama A → medir escala → escanear 4 dimensiones → interrogar conflictos → generar .ai-style-rules.md → ofrecer fuerza de gancho (suave/duro/ninguno).
  2. Actualización incremental después de cambios en el equipo

    • Usuario: "Agregamos un nuevo módulo; mantén intactas las reglas de estilo existentes."
    • Acción: Ejecutar olfateo incremental Rama B → comparar deltas de Git con las reglas registradas → interrogar cualquier conflicto nuevo → agregar registro de evolución sin sobrescribir.
  3. Aplicación de NO HACER mediante CLAUDE.md

    • Usuario: "Asegúrate de que todo el código nuevo se mantenga consistente con las reglas del proyecto."
    • Acción: Gancho suave instalado → .ai-style-rules.md se carga automáticamente cada sesión → cada tarea de escritura de código comienza con declaración de cumplimiento, reutilizando patrones ejemplares y evitando NO HACER.

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