Communitygithub.com

Constructeur de connecteur API

Construire un nouveau connecteur ou fournisseur d'API en respectant le modèle du dépôt cible.

Qu'est-ce que Constructeur de connecteur API ?

Cette compétence vous guide dans la création d'un connecteur ou fournisseur d'API qui s'intègre parfaitement au style et à l'architecture d'un dépôt existant. Au lieu de développer un client HTTP générique, elle aide à reproduire les conventions propres au dépôt : disposition des fichiers, schéma de configuration, modèle d'authentification, gestion des erreurs, style de test et câblage d'enregistrement. Elle est utile sur les plateformes comme Claude Code, Cursor et Codex, pour les développeurs qui ajoutent une intégration native à un projet existant (par exemple, un connecteur Jira ou Slack qui respecte les modèles du dépôt). Le processus s'appuie sur l'inspection des connecteurs existants, la définition d'une surface d'intégration limitée aux besoins réels, et la validation du résultat par rapport aux normes du dépôt.

Compatible avec~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/api-connector-builder

Demander à votre IA préférée

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

Documentation

Que fait Constructeur de connecteur API ?

Utilisez ceci lorsque la tâche consiste à ajouter une surface d'intégration native au dépôt, pas seulement un client HTTP générique.

Le but est de respecter le modèle du dépôt hôte :

  • disposition des connecteurs
  • schéma de configuration
  • modèle d'authentification
  • gestion des erreurs
  • style de test
  • câblage d'enregistrement/découverte

Quand l'utiliser

  • "Construis un connecteur Jira pour ce projet"
  • "Ajoute un fournisseur Slack en suivant le modèle existant"
  • "Crée une nouvelle intégration pour cette API"
  • "Construis un plugin qui respecte le style de connecteur du dépôt"

Garde-fous

  • n'inventez pas une nouvelle architecture d'intégration quand le dépôt en a déjà une
  • ne partez pas uniquement de la documentation du fournisseur ; commencez par les connecteurs existants dans le dépôt
  • ne vous arrêtez pas au code de transport si le dépôt attend un câblage d'enregistrement, des tests et de la documentation
  • ne reproduisez pas aveuglément d'anciens connecteurs si le dépôt possède un modèle plus récent

Flux de travail

1. Apprendre le style maison

Inspectez au moins 2 connecteurs/fournisseurs existants et cartographiez :

  • disposition des fichiers
  • limites d'abstraction
  • modèle de configuration
  • conventions de reprise / pagination
  • hooks d'enregistrement
  • fixtures de test et conventions de nommage

2. Réduire l'intégration cible

Définissez uniquement la surface dont le dépôt a réellement besoin :

  • flux d'authentification
  • entités clés
  • opérations de lecture/écriture principales
  • pagination et limites de débit
  • modèle de webhook ou de polling

3. Construire dans les couches natives du dépôt

Tranches typiques :

  • config/schéma
  • client/transport
  • couche de mapping
  • point d'entrée du connecteur/fournisseur
  • enregistrement
  • tests

4. Valider par rapport au modèle source

Le nouveau connecteur doit sembler évident dans la base de code, pas importé d'un écosystème différent.

Formes de référence

Style fournisseur

providers/
  existing_provider/
    __init__.py
    provider.py
    config.py

Style connecteur

integrations/
  existing/
    client.py
    models.py
    connector.py

Style plugin TypeScript

src/integrations/
  existing/
    index.ts
    client.ts
    types.ts
    test.ts

Liste de contrôle qualité

  • correspond à un modèle d'intégration existant dans le dépôt
  • la validation de configuration existe
  • l'authentification et la gestion des erreurs sont explicites
  • le comportement de pagination/reprise suit les normes du dépôt
  • le câblage d'enregistrement/découverte est complet
  • les tests reflètent le style du dépôt hôte
  • la documentation et les exemples sont mis à jour si attendus par le dépôt

Compétences associées

  • backend-patterns
  • mcp-server-patterns
  • github-ops

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.

agent-sort

Build an evidence-backed ECC install plan for a specific repo by sorting skills, commands, rules, hooks, and extras into DAILY vs LIBRARY buckets using parallel repo-aware review passes. Use when ECC should be trimmed to what a project actually needs instead of loading the full bundle.

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.

Skills associés