Communitygithub.com

alphasafal/research-to-decision

Name: alphasafal/research-to-decision
Author: Community

¿Qué es research-to-decision?

Esta habilidad transforma la investigación en una decisión técnica o de producto completamente auditable. Está diseñada para cuando necesitas elegir entre tecnologías o enfoques (como "Kafka vs SQS" o "construir vs comprar"), documentar el razonamiento detrás de una decisión ya tomada, o cuando te piden "investiga esto y recomienda una opción". El skill estructura el proceso en pasos claros: define la decisión y las restricciones, reúne evidencia con fuentes verificables, separa explícitamente la evidencia de las suposiciones, compara alternativas contra criterios definidos y produce un Architecture Decision Record (ADR) como salida final. Funciona en plataformas como Claude Code, Cursor y Codex, y es útil para equipos de desarrollo que necesitan mantener un registro claro y justificado de las decisiones técnicas. No debe usarse para implementar la opción elegida ni para investigaciones abiertas sin una decisión que tomar.

Compatible con~Claude Code~Codex CLI~Cursor

npx skills add https://github.com/alphasafal/production-agent-skills/tree/main/skills/research-to-decision

Ver original→Ver todas las habilidades

Preguntar en tu IA favorita

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

ChatGPT Claude Gemini Grok Perplexity DeepSeek

Documentación

¿Qué hace research-to-decision?

Convierte la investigación en una decisión técnica o de producto auditable: define la decisión y las restricciones, recopila evidencia con fuentes, separa evidencia de suposiciones, compara alternativas según criterios explícitos y produce un ADR. Úsalo al elegir entre tecnologías o enfoques ("Kafka vs SQS", "construir vs comprar"), documentar el razonamiento detrás de una decisión ya tomada, o cuando te pidan "investiga esto y recomienda una opción". No lo uses para implementar la opción elegida (eso es una habilidad separada), ni para investigaciones abiertas sin una decisión que tomar al final.

Individual skills in this repo

This repo contains 7 individual skills — each has its own dedicated page.

alphasafal/data-scientist

Runs an end-to-end structured tabular data science workflow: problem framing, schema/leakage/missingness checks, EDA, baseline before modeling, feature engineering, model comparison against the baseline, and error/slice analysis. Use when asked to analyze a dataset, build a predictive model, evaluate a model's performance, or investigate a data quality issue in tabular data. Do not use for pure data engineering/ETL with no analysis or modeling question, for unstructured data (images/audio/free text at scale) without a tabular framing, or when the task is answerable by a single summary statistic with no need for the full workflow — say so and just answer it.