Communitygithub.com

majiayu000/claude-skill-registry-data

Vérifier les limites d'utilisation du contexte, surveiller le temps restant, optimiser la consommation de jetons, déboguer les défaillances de contexte. Utilisez-le pour interroger le pourcentage de contexte, les limites de débit, les avertissements d'utilisation, l'optimisation de contexte, les architectures d'agents, les systèmes de mémoire.

Qu'est-ce que claude-skill-registry-data ?

Cette compétence est un guide complet pour l'ingénierie de contexte dans les systèmes multi-agents et LLM. Son objectif principal est de maximiser la qualité du raisonnement tout en minimisant l'utilisation des jetons. Elle fournit des principes fondamentaux (qualité > quantité, attention finie, divulgation progressive, isolation, mesure), des métriques clés (alerte à 70% d'utilisation, optimisation à 80%), et une stratégie en quatre étapes (écrire, sélectionner, compresser, isoler). Elle inclut également des anti-patrons, des directives détaillées, et une sensibilisation à l'exécution avec des seuils et des sources de données. La compétence est conçue pour être utilisée sur des plateformes comme Claude Code, Cursor et Codex, et référence plusieurs documents de sous-compétences pour des domaines spécifiques comme la dégradation, l'optimisation, la compression, la mémoire, et les patterns multi-agents.

Compatible avec✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/majiayu000/claude-skill-registry-data/tree/HEAD/context-management/context-engineering-hoanghd218-landing-page-ai-kien-2

Demander à votre IA préférée

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

Documentation

Ingénierie de Contexte

L'ingénierie de contexte sélectionne le plus petit ensemble de jetons à haute valeur pour les tâches LLM. L'objectif : maximiser la qualité du raisonnement tout en minimisant l'utilisation des jetons.

Quand Activer

  • Concevoir/déboguer des systèmes d'agents
  • Les limites de contexte contraignent la performance
  • Optimiser le coût/la latence
  • Construire la coordination multi-agents
  • Implémenter des systèmes de mémoire
  • Évaluer la performance des agents
  • Développer des pipelines alimentés par LLM

Principes Fondamentaux

  1. Qualité du contexte > quantité - Les jetons à haute valeur surpassent le contenu exhaustif
  2. L'attention est limitée - Courbe en U favorise les positions de début/fin
  3. Divulgation progressive - Charger l'information juste-à-temps
  4. L'isolation prévient la dégradation - Partitionner le travail entre sous-agents
  5. Mesurer avant d'optimiser - Connaître votre base de référence

IMPORTANT :

  • Sacrifier la grammaire pour la concision.
  • Assurer l'efficacité des jetons tout en maintenant une haute qualité.
  • Transmettre ces règles aux sous-agents.

Référence Rapide

SujetQuand UtiliserRéférence
FondamentauxComprendre l'anatomie du contexte, mécaniques de l'attentioncontext-fundamentals.md
DégradationDéboguer les défaillances, perte au milieu, empoisonnementcontext-degradation.md
OptimisationCompactage, masquage, mise en cache, partitionnementcontext-optimization.md
CompressionSessions longues, stratégies de résumécontext-compression.md
MémoirePersistance inter-session, graphes de connaissancesmemory-systems.md
Multi-AgentsPatterns de coordination, isolation de contextemulti-agent-patterns.md
ÉvaluationTester les agents, LLM comme juge, métriquesevaluation.md
Conception d'OutilsConsolidation d'outils, ingénierie de descriptiontool-design.md
PipelinesDéveloppement de projets, traitement par lotsproject-development.md
Sensibilisation à l'ExécutionLimites d'utilisation, surveillance de la fenêtre de contexteruntime-awareness.md

Métriques Clés

  • Utilisation de jetons : Avertissement à 70%, déclencher l'optimisation à 80%
  • Variance de jetons : Explique 80% de la variance de performance des agents
  • Coût multi-agents : ~15x le coût d'un agent unique
  • Objectif de compactage : Réduction de 50 à 70%, perte de qualité <5%
  • Objectif de cache : 70%+ pour les charges de travail stables

Stratégie des Quatre Buckets

  1. Écrire : Sauvegarder le contexte en externe (brouillons, fichiers)
  2. Sélectionner : Extraire uniquement le contexte pertinent (récupération, filtrage)
  3. Compresser : Réduire les jetons tout en préservant l'information (résumé)
  4. Isoler : Fractionner entre sous-agents (partitionnement)

Anti-Patrons

  • Contexte exhaustif plutôt que contexte organisé
  • Informations critiques dans les positions médianes
  • Absence de déclencheurs de compactage avant les limites
  • Agent unique pour des tâches parallélisables
  • Outils sans descriptions claires

Directives

  1. Placer les informations critiques au début/fin du contexte
  2. Implémenter le compactage à 70-80% d'utilisation
  3. Utiliser les sous-agents pour l'isolation du contexte, pas pour le jeu de rôle
  4. Concevoir des outils avec le cadre des 4 questions (quoi, quand, entrées, retours)
  5. Optimiser pour les jetons par tâche, pas les jetons par requête
  6. Valider avec une évaluation par sondes
  7. Surveiller les taux de cache KV en production
  8. Commencer minimal, ajouter de la complexité uniquement lorsque nécessaire

Sensibilisation à l'Exécution

Le système injecte automatiquement la sensibilisation à l'utilisation via le hook PostToolUse :

<usage-awareness>
Claude Usage Limits: 5h=45%, 7d=32%
Context Window Usage: 67%
</usage-awareness>

Seuils :

  • 70% : AVERTISSEMENT - considérer l'optimisation/le compactage
  • 90% : CRITIQUE - action immédiate nécessaire

Sources de Données :

  • Limites d'utilisation : API OAuth Anthropic (https://api.anthropic.com/api/oauth/usage)
  • Fenêtre de contexte : Fichier temporaire Statusline (/tmp/ck-context-{session_id}.json)

Scripts

Licence

Cette compétence est fournie sous la licence MIT.

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

majiayu000/claude-skill-registry-data

Edit existing BMAD agents while maintaining compliance

majiayu000/claude-skill-registry-data

Edit existing BMAD agents while maintaining compliance

majiayu000/claude-skill-registry-data

Edit existing BMAD modules while maintaining coherence

majiayu000/claude-skill-registry-data

Edit existing BMAD modules while maintaining coherence

majiayu000/claude-skill-registry-data

Analyzes current state and user query to answer BMad questions or recommend the next workflow or agent. Use when user says what should I do next, what do I do now, or asks a question about BMad

majiayu000/claude-skill-registry-data

Build AI agents with Google ADK Python (Agent Development Kit). Use for multi-agent systems, workflow agents (sequential/parallel/loop), Vertex AI deployment, tool integration, human-in-the-loop.

majiayu000/claude-skill-registry-data

Build AI agents with Google ADK Python (Agent Development Kit). Use for multi-agent systems, workflow agents (sequential/parallel/loop), Vertex AI deployment, tool integration, human-in-the-loop.

majiayu000/claude-skill-registry-data

Portfolio allocation and rebalancing optimizer. Manages asset allocation across stocks/cash/bonds, performs periodic rebalancing, and ensures diversification according to market regime and risk tolerance.

majiayu000/claude-skill-registry-data

Create a hilarious and ultra-realistic video of an anthropomorphic animal acting like a human vlogger in a real-world setting.

majiayu000/claude-skill-registry-data

Speech-to-text transcription and translation via OpenAI Audio API -- models, response formats, timestamps, prompting, streaming, chunking, and diarization

majiayu000/claude-skill-registry-data

This skill should be used when the user asks about libraries, frameworks, API references, or needs code examples. Activates for setup questions, code generation involving libraries, or mentions of specific frameworks like React, Vue, Next.js, Prisma, Supabase, etc.

majiayu000/claude-skill-registry-data

小省导购员数字人带货版即梦视频提示词生成系统,基于四大智能体协同(提示词生成师、质量管控师、知识库运维师、跨环节适配师),按照"主体+运动+场景+(镜头语言+光影+氛围)"公式输出中英文双版提示词,适配5s短视频。确保人物一致性、视觉连贯性、情绪连贯性,支持知识库智能复用和跨工具适配(Suno音乐、AI绘画),为数字人带货视频提供高质量提示词生成服务。

majiayu000/claude-skill-registry-data

Upload and manage files using Google Gemini File API via scripts/. Use for uploading images, audio, video, PDFs, and other files for use with Gemini models. Supports file upload, status checking, and file management. Triggers on "upload file", "file API", "upload image", "upload PDF", "upload video", "file management".

majiayu000/claude-skill-registry-data

Analyze images/audio/video with Gemini API (better vision than Claude). Generate images (Imagen 4), videos (Veo 3). Use for vision analysis, transcription, OCR, design extraction, multimodal AI.

majiayu000/claude-skill-registry-data

Analyze images/audio/video with Gemini API (better vision than Claude). Generate images (Imagen 4), videos (Veo 3). Use for vision analysis, transcription, OCR, design extraction, multimodal AI.

majiayu000/claude-skill-registry-data

Skill for discovering and researching autonomous AI agents, tools, and ecosystems using the AgentFolio directory.

majiayu000/claude-skill-registry-data

Conduct domain and industry research. Use when the user says "lets create a research report on [domain or industry]

majiayu000/claude-skill-registry-data

Conduct market research on competition and customers. Use when the user says "create a market research report about [business idea]".

majiayu000/claude-skill-registry-data

Conduct technical research on technologies and architecture. Use when the user says "create a technical research report on [topic]".

majiayu000/claude-skill-registry-data

Builds, edit or validate Agent Skill through conversational discovery. Use when the user requests to "Create an Agent", "Optimize an Agent" or "Edit an Agent".

Skills associés