Communitygithub.com

agent-sort

Élabore un plan d'installation ECC basé sur des preuves pour un dépôt spécifique en classant les compétences, commandes, règles, hooks et extras dans les catégories QUOTIDIEN vs BIBLIOTHÈQUE à l'aide de passes de révision parallèles adaptées au dépôt. À utiliser lorsque l'ECC doit être réduite à ce dont le projet a réellement besoin au lieu de charger l'ensemble complet.

Qu'est-ce que agent-sort ?

Cette compétence, 'agent-sort', est conçue pour créer un plan d'installation ECC (Effective Configuration & Code) sur mesure pour un dépôt spécifique, en remplacement de l'installation complète par défaut. Son objectif est de classer chaque composant ECC (compétences, règles, hooks, commandes, etc.) en deux catégories : QUOTIDIEN, qui doit être chargé à chaque session, et BIBLIOTHÈQUE, qui reste accessible sans être chargé par défaut. Elle utilise une approche rigoureuse basée sur des preuves issues du dépôt lui-même, comme les extensions de fichiers, les gestionnaires de paquets et les configurations de framework. L'outil prend en charge des passes de révision parallèles pour accélérer l'analyse sur les dépôts volumineux, et produit des artefacts concrets : un tableau de preuves, un plan d'installation, un rapport de vérification, et éventuellement un routeur 'skill-library'. C'est l'outil idéal pour les équipes qui souhaitent un classement fiable et reproductible, évitant les décisions subjectives ou manuelles.

Compatible avec✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/agent-sort

Demander à votre IA préférée

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

Documentation

Agent Sort

Utilisez cette compétence lorsqu'un dépôt a besoin d'une surface ECC spécifique au projet au lieu de l'installation complète par défaut.

L'objectif n'est pas de deviner ce qui « semble utile ». L'objectif est de classer les composants ECC avec des preuves issues du codebase réel.

Quand l'utiliser

  • Un projet n'a besoin que d'un sous-ensemble d'ECC et les installations complètes sont trop bruyantes
  • La pile du dépôt est claire, mais personne ne veut sélectionner les compétences une par une à la main
  • Une équipe souhaite une décision d'installation reproductible, appuyée par des preuves et non par une opinion
  • Vous devez séparer les surfaces de travail quotidiennes toujours chargées des surfaces de bibliothèque/référence consultables
  • Un dépôt a dérivé vers le mauvais langage, jeu de règles ou de hooks et a besoin d'être nettoyé

Règles non négociables

  • Utilisez le dépôt actuel comme source de vérité, pas des préférences génériques
  • Chaque décision QUOTIDIEN doit citer des preuves concrètes du dépôt
  • BIBLIOTHÈQUE ne signifie pas « supprimer » ; cela signifie « garder accessible sans le charger par défaut »
  • N'installez pas de hooks, règles ou scripts que le dépôt actuel ne peut pas utiliser
  • Privilégiez les surfaces natives d'ECC ; n'introduisez pas un second système d'installation

Livrables

Produisez ces artefacts dans l'ordre :

  1. Inventaire QUOTIDIEN
  2. Inventaire BIBLIOTHÈQUE
  3. Plan d'installation
  4. Rapport de vérification
  5. Routeur skill-library optionnel si le projet le souhaite

Modèle de classification

Utilisez uniquement deux catégories :

  • QUOTIDIEN
    • doit se charger à chaque session pour ce dépôt
    • fortement adapté au langage, framework, workflow ou surface opérateur du dépôt
  • BIBLIOTHÈQUE
    • utile à conserver, mais pas assez pour le charger par défaut
    • doit rester accessible via la recherche, une compétence routeur ou une utilisation manuelle sélective

Sources de preuve

Utilisez les preuves locales du dépôt avant de faire tout classement :

  • extensions de fichiers
  • gestionnaires de paquets et fichiers de verrouillage
  • configurations de framework
  • configurations CI et de hooks
  • scripts de build et de test
  • imports et manifests de dépendances
  • documentation du dépôt décrivant explicitement la pile

Les commandes utiles incluent :

rg --files
rg -n "typescript|react|next|supabase|django|spring|flutter|swift"
cat package.json
cat pyproject.toml
cat Cargo.toml
cat pubspec.yaml
cat go.mod

Passes de révision parallèles

Si des sous-agents parallèles sont disponibles, répartissez la révision selon ces passes :

  1. Agents
    • classer agents/*
  2. Compétences
    • classer skills/*
  3. Commandes
    • classer commands/*
  4. Règles
    • classer rules/*
  5. Hooks et scripts
    • classer les surfaces de hooks, vérifications de santé MCP, scripts d'aide et compatibilité OS
  6. Extras
    • classer les contextes, exemples, configurations MCP, modèles et documents d'orientation

Si les sous-agents ne sont pas disponibles, exécutez les mêmes passes séquentiellement.

Flux de travail principal

1. Lire le dépôt

Établissez la pile réelle avant de classer quoi que ce soit :

  • langages utilisés
  • frameworks utilisés
  • gestionnaire de paquets principal
  • pile de test
  • pile de lint/format
  • surface de déploiement/exécution
  • intégrations opérateur déjà présentes

2. Construire le tableau de preuves

Pour chaque surface candidate, enregistrez :

  • chemin du composant
  • type de composant
  • catégorie proposée
  • preuve du dépôt
  • brève justification

Utilisez ce format :

skills/frontend-patterns | skill | QUOTIDIEN | 84 fichiers .tsx, next.config.ts présent | pile frontend principale
skills/django-patterns   | skill | BIBLIOTHÈQUE | aucun fichier .py, pas de pyproject.toml       | non actif dans ce dépôt
rules/typescript/*       | rules | QUOTIEN | package.json + tsconfig.json            | dépôt TS actif
rules/python/*           | rules | BIBLIOTHÈQUE | zéro fichier source Python              | garder accessible uniquement

3. Décider QUOTIDIEN vs BIBLIOTHÈQUE

Promouvoir en QUOTIDIEN lorsque :

  • le dépôt utilise clairement la pile correspondante
  • le composant est suffisamment général pour aider chaque session
  • le dépôt dépend déjà du runtime ou du workflow correspondant

Rétrograder en BIBLIOTHÈQUE lorsque :

  • le composant est hors pile
  • le dépôt pourrait en avoir besoin plus tard, mais pas tous les jours
  • il ajoute une surcharge de contexte sans pertinence immédiate

4. Construire le plan d'installation

Traduire la classification en actions :

  • compétences QUOTIDIENNES -> installer ou conserver dans .claude/skills/
  • commandes QUOTIDIENNES -> conserver comme shims explicites uniquement si encore utiles
  • règles QUOTIDIENNES -> installer uniquement les ensembles de langues correspondants
  • hooks/scripts QUOTIDIENS -> ne conserver que les compatibles
  • surfaces BIBLIOTHÈQUE -> garder accessibles via la recherche ou skill-library

Si le dépôt utilise déjà des installations sélectives, mettez à jour ce plan au lieu de créer un autre système.

5. Créer le routeur de bibliothèque optionnel

Si le projet souhaite une surface de bibliothèque consultable, créez :

  • .claude/skills/skill-library/SKILL.md

Ce routeur doit contenir :

  • une brève explication de QUOTIDIEN vs BIBLIOTHÈQUE
  • des mots-clés de déclenchement groupés
  • où se trouvent les références de la bibliothèque

Ne dupliquez pas le corps de chaque compétence à l'intérieur du routeur.

6. Vérifier le résultat

Après l'application du plan, vérifiez :

  • chaque fichier QUOTIDIEN existe à l'endroit attendu
  • les règles de langage obsolètes n'ont pas été laissées actives
  • les hooks incompatibles n'ont pas été installés
  • l'installation obtenue correspond effectivement à la pile du dépôt

Renvoyez un rapport compact avec :

  • nombre de QUOTIDIENS
  • nombre de BIBLIOTHÈQUE
  • surfaces obsolètes supprimées
  • questions en suspens

Passages de relais

Si l'étape suivante est une installation interactive ou une réparation, passez le relais à :

  • configure-ecc

Si l'étape suivante est un nettoyage des chevauchements ou une révision du catalogue, passez le relais à :

  • skill-stocktake

Si l'étape suivante est une réduction de contexte plus large, passez le relais à :

  • strategic-compact

Format de sortie

Renvoyez le résultat dans cet ordre :

PILE
- résumé langage/framework/exécution

QUOTIDIEN
- éléments toujours chargés avec preuves

BIBLIOTHÈQUE
- éléments consultables/référence avec preuves

PLAN D'INSTALLATION
- ce qui doit être installé, supprimé ou routé

VÉRIFICATION
- vérifications effectuées et lacunes restantes

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/content-engine

Create platform-native content systems for X, LinkedIn, TikTok, YouTube, newsletters, and repurposed multi-platform campaigns. Use when the user wants social posts, threads, scripts, content calendars, or one source asset adapted cleanly across platforms.

affaan-m/ECC

Multi-platform content distribution across X, LinkedIn, Threads, and Bluesky. Adapts content per platform using content-engine patterns. Never posts identical content cross-platform. Use when the user wants to distribute content across social platforms.

affaan-m/fal-ai-media

Unified media generation via fal.ai MCP — image, video, and audio. Covers text-to-image (Nano Banana), text/image-to-video (Seedance, Kling, Veo 3), text-to-speech (CSM-1B), and video-to-audio (ThinkSound). Use when the user wants to generate images, videos, or audio with AI.

affaan-m/manim-video

日本語翻訳:このファイルは manim-video 用の日本語翻訳が必要です

affaan-m/remotion-video-creation

Remotion のベストプラクティス - React で動画を作成する。3D、アニメーション、音声、字幕、チャート、トランジションなどをカバーするドメイン固有の29のルール。

affaan-m/video-editing

AI-assisted video editing workflows for cutting, structuring, and augmenting real footage. Covers the full pipeline from raw capture through FFmpeg, Remotion, ElevenLabs, fal.ai, and final polish in Descript or CapCut. Use when the user wants to edit video, cut footage, create vlogs, or build video content.

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.

agent-self-evaluation

Use after completing any non-trivial task. The agent self-rates its output on 5 axes — accuracy, completeness, clarity, actionability, conciseness — with concrete evidence per criterion. Produces a structured 1-5 scorecard with specific improvement suggestions.

ai-first-engineering

Engineering operating model for teams where AI agents generate a large share of implementation output. Use when setting team process, review gates, or ownership rules for a codebase largely written by agents.

ai-regression-testing

Regression testing strategies for AI-assisted development. Sandbox-mode API testing without database dependencies, automated bug-check workflows, and patterns to catch AI blind spots where the same model writes and reviews code. Use when adding regression coverage to AI-assisted code, or when the same model both wrote and reviewed a change.

android-clean-architecture

Clean Architecture patterns for Android and Kotlin Multiplatform projects — module structure, dependency rules, UseCases, Repositories, and data layer patterns. Use when structuring modules, layers, or data flow in an Android or KMP project.

angular-developer

Generates Angular code and provides architectural guidance. Trigger when creating projects, components, or services, or for best practices on reactivity (signals, linkedSignal, resource), forms, dependency injection, routing, SSR, accessibility (ARIA), animations, styling (component styles, Tailwind CSS), testing, or CLI tooling.

api-connector-builder

Build a new API connector or provider by matching the target repo

Skills associés