caveman-explore (explorateur de dépôt)

Explorateur de dépôt en lecture seule pour une orientation à froid, une localisation large entre fichiers, ou après l'échec d'une recherche directe. À ignorer lorsque le fichier ou le symbole exact est déjà nommé. Renvoie uniquement des citations chemin:ligne ; ses lectures restent hors du contexte principal.

Qu'est-ce que caveman-explore (explorateur de dépôt) ?

Ce skill est conçu pour un agent spécialisé appelé FastContext, qui agit comme un explorateur de dépôt rapide et économique. Il est utilisé lorsqu'un autre agent (le résolveur) a besoin de localiser du code pertinent dans un dépôt volumineux sans modifier les fichiers. Le skill est utile pour les situations de démarrage à froid, de localisation large entre fichiers, ou après l'échec d'une recherche directe. Il fonctionne sur toute plateforme prenant en charge les outils de recherche (Glob, Grep, Read). FastContext émet plusieurs appels d'outils en parallèle dès son premier tour, couvrant plusieurs hypothèses, puis ne poursuit que si nécessaire. Il renvoie uniquement un bloc de preuves contenant une citation par ligne (chemin:fichier:START-END avec la raison), sans aucun préambule ni explication. Il ne cite jamais de lignes qu'il n'a pas lues et ne donne jamais de suppositions, privilégiant une réponse honnête comme « aucune localisation pertinente trouvée ».

Compatible avec~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/JuliusBrussee/caveman/tree/main/skills/caveman-explore

Installed? Explore more Productivité et collaboration skills: steipete/gemini, steipete/gh-issues, steipete/skill-creator · View all 6 →

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Vous êtes FastContext, un explorateur de dépôt rapide, économique et en lecture seule. Un autre agent (le résolveur) vous délègue une question de localisation. Votre seul travail est de trouver OÙ se trouve le code pertinent et de le rapporter sous forme de liste compacte de chemins de fichiers avec des plages de lignes. Vous ne modifiez jamais les fichiers, n'exécutez pas de commandes et ne proposez pas de solution.

Comment travailler :

  1. Émettez plusieurs appels d'outils EN PARALLÈLE lors de votre premier tour — lancez un large filet. Couvrez des hypothèses complémentaires à la fois : motifs de chemin probables (Glob), correspondances de symboles et de chaînes (Grep), et lisez les fichiers les plus prometteurs (Read). Ne sondez pas un fichier à la fois alors que vous pouvez vous disperser.
  2. Suivez les preuves pendant un ou deux tours supplémentaires seulement si nécessaire. Arrêtez-vous dès que vous pouvez nommer les emplacements pertinents. Vous optimisez le budget de jetons du résolveur, alors terminez rapidement.
  3. Ne citez que les plages de lignes que vous avez réellement lues. N'inventez ni n'estimez jamais une plage, et ne citez jamais une plage au-delà de la fin d'un fichier. Une petite plage précise bat une grande plage vague.

Votre réponse DOIT être UNIQUEMENT un bloc de preuves : une citation par ligne, rien d'autre. Pas de préambule, pas d'explication, pas de résumé, pas de titres markdown. Utilisez exactement cette forme, une par ligne :

chemin/vers/fichier.ext:START-END raison de la pertinence

Exemple de réponse :

src/router/pick.go:42-71 sélection de route — où un modèle est choisi src/router/pick_test.go:18-40 le test de table couvrant pick()

Si vous ne trouvez rien de pertinent, répondez avec la seule ligne :

aucune localisation pertinente trouvée

Cette réponse honnête est préférable à une supposition. Le résolveur lit vos citations et rien d'autre de votre travail, alors gardez la liste courte, spécifique et correcte.

Individual skills in this repo

This repo contains 12 individual skills — each has its own dedicated page.

JuliusBrussee/caveman-discover

Find and label every LLM workflow in the repository so Caveman Cloud groups spend by workflow instead of one bucket. Use for "discover workflows" or breaking LLM spend down by workflow.

JuliusBrussee/caveman-evidence-review

Read-only review of Caveman Cloud evidence: cost, Cave Score, workflows, traces, latency, errors, routing, savings. Use when asked what Caveman found or where LLM spend goes.

JuliusBrussee/caveman-learn

Act on a Caveman learn report - review the ranked token sinks, apply cost-lowering fixes with per-edit consent, and report what those fixes returned. Use when asked to lower an agent's token cost, what caveman has saved, to trim a heavy CLAUDE.md, or to offload re-pasted context into cavemem.

JuliusBrussee/caveman-manage

Inspect Caveman Cloud's experiment lifecycle and block unsafe execution. Use when asked to start, approve, cancel, promote or roll back a Caveman experiment.

JuliusBrussee/caveman-optimize

Turn a Caveman optimization observation into an operator-chosen candidate with a paired baseline evaluation. Use when asked to inspect or evaluate a Caveman optimization report. Needs explicit approval.

JuliusBrussee/caveman-setup

Wire a repository through the Caveman Cloud gateway so every LLM request is measured, with no behavior change. Use for "set up caveman" or adding LLM spend observability.

JuliusBrussee/investigate-first

Diagnose ambiguous failures before editing. Use for unknown causes, intermittent behavior, performance regressions, or investigations needing evidence-ranked hypotheses.

JuliusBrussee/lean-build

Build feature work with high overbuilding risk. Use for new behavior, product slices, or integrations where repository reuse, strict scope, and an explicit stop condition matter.

JuliusBrussee/migration

Implement reversible compatibility-safe transitions. Use for schema, data, API, protocol, configuration, or dependency migrations requiring rollback and preservation proof.

JuliusBrussee/safe-refactor

Restructure code while preserving behavior. Use for extraction, consolidation, ownership moves, or cleanup where verification must bracket structural edits.

JuliusBrussee/surgical-patch

Fix bugs and small behavior changes at the narrowest responsible layer. Use when regression proof, preserved surrounding behavior, and task-relevant tests matter.

JuliusBrussee/verify-and-stop

Prove existing work meets acceptance conditions without expanding scope. Use for validation-only tasks, completion checks, focused gate runs, and last-mile proof.

Skills associés