Communitygithub.com

consultation-de-documentation

Utilise la documentation à jour des bibliothèques et frameworks via le MCP Context7 plutôt que les données d'entraînement. S'active pour les questions de configuration, les références d'API, les exemples de code, ou lorsque l'utilisateur cite un framework (ex. React, Next.js, Prisma).

Qu'est-ce que consultation-de-documentation ?

Cette compétence permet à un agent IA (comme Claude Code, Cursor ou Codex) de consulter une documentation technique à jour en temps réel via le serveur MCP Context7, plutôt que de se baser sur des données d'entraînement potentiellement obsolètes. Elle répond aux besoins des développeurs lorsqu'ils posent des questions sur l'installation, la configuration, les API, les méthodes ou les exemples de code de bibliothèques et frameworks populaires (React, Next.js, Prisma, Supabase, etc.). Le processus se déroule en trois étapes : d'abord, l'agent appelle l'outil `resolve-library-id` avec le nom de la bibliothèque et la question de l'utilisateur pour obtenir un identifiant unique au format `/org/projet`. Ensuite, il sélectionne le meilleur résultat en fonction du nom, du score de qualité, de la réputation de la source et de la version si précisée. Enfin, il appelle l'outil `query-docs` avec cet identifiant et la question spécifique pour récupérer des extraits de documentation et des exemples de code. L'agent utilise ensuite ces informations actualisées pour répondre à l'utilisateur, en citant la source et la version si nécessaire. Des limites sont imposées (maximum 3 appels par question) pour éviter les abus et garantir une réponse rapide.

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

Demander à votre IA préférée

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

Documentation

Consultation de documentation (Context7)

Lorsque l'utilisateur pose des questions sur des bibliothèques, frameworks ou API, récupérez la documentation à jour via le MCP Context7 (outils resolve-library-id et query-docs) plutôt que de vous appuyer sur les données d'entraînement.

Concepts clés

  • Context7 : serveur MCP qui expose une documentation en direct ; utilisez-le à la place des données d'entraînement pour les bibliothèques et API.
  • resolve-library-id : renvoie des identifiants de bibliothèque compatibles Context7 (ex. /vercel/next.js) à partir d'un nom de bibliothèque et d'une requête.
  • query-docs : récupère la documentation et des extraits de code pour un identifiant de bibliothèque et une question donnés. Appelez toujours resolve-library-id en premier pour obtenir un identifiant valide.

Quand l'utiliser

Activez-la lorsque l'utilisateur :

  • Pose des questions de configuration ou d'installation (ex. "Comment configurer le middleware Next.js ?")
  • Demande du code qui dépend d'une bibliothèque ("Écris une requête Prisma pour...")
  • A besoin d'informations sur une API ou des références ("Quelles sont les méthodes d'authentification Supabase ?")
  • Mentionne des frameworks ou bibliothèques spécifiques (React, Vue, Svelte, Express, Tailwind, Prisma, Supabase, etc.)

Utilisez cette compétence à chaque fois que la demande repose sur un comportement précis et à jour d'une bibliothèque, d'un framework ou d'une API. Elle s'applique à tous les environnements qui disposent du MCP Context7 configuré (par ex. Claude Code, Cursor, Codex).

Fonctionnement

Étape 1 : Résoudre l'identifiant de la bibliothèque

Appelez l'outil MCP resolve-library-id avec :

  • libraryName : le nom de la bibliothèque ou du produit tiré de la question de l'utilisateur (ex. Next.js, Prisma, Supabase).
  • query : la question complète de l'utilisateur. Cela améliore la pertinence du classement des résultats.

Vous devez obtenir un identifiant de bibliothèque compatible Context7 (format /org/projet ou /org/projet/version) avant d'interroger la documentation. N'appelez pas query-docs sans un identifiant valide issu de cette étape.

Étape 2 : Sélectionner le meilleur résultat

Parmi les résultats de la résolution, choisissez-en un en utilisant :

  • Correspondance de nom : privilégiez la correspondance exacte ou la plus proche de ce que l'utilisateur a demandé.
  • Score de qualité : des scores plus élevés indiquent une meilleure qualité de documentation (100 étant le maximum).
  • Réputation de la source : préférez les sources Haute ou Moyenne lorsqu'elles sont disponibles.
  • Version : si l'utilisateur a spécifié une version (ex. "React 19", "Next.js 15"), privilégiez un identifiant de bibliothèque spécifique à cette version s'il est listé (ex. /org/projet/v1.2.0).

Étape 3 : Récupérer la documentation

Appelez l'outil MCP query-docs avec :

  • libraryId : l'identifiant de bibliothèque Context7 sélectionné à l'étape 2 (ex. /vercel/next.js).
  • query : la question ou la tâche spécifique de l'utilisateur. Soyez précis pour obtenir des extraits pertinents.

Limite : n'appelez pas query-docs (ou resolve-library-id) plus de 3 fois par question. Si la réponse reste floue après 3 appels, indiquez l'incertitude et utilisez les meilleures informations dont vous disposez plutôt que de deviner.

Étape 4 : Utiliser la documentation

  • Répondez à la question de l'utilisateur en vous basant sur les informations récupérées et à jour.
  • Incluez des exemples de code pertinents issus de la documentation lorsque c'est utile.
  • Citez la bibliothèque ou la version lorsque c'est important (ex. "Dans Next.js 15...").

Exemples

Exemple : Middleware Next.js

  1. Appelez resolve-library-id avec libraryName: "Next.js", query: "Comment configurer le middleware Next.js ?".
  2. À partir des résultats, choisissez la meilleure correspondance (ex. /vercel/next.js) selon le nom et le score de qualité.
  3. Appelez query-docs avec libraryId: "/vercel/next.js", query: "Comment configurer le middleware Next.js ?".
  4. Utilisez les extraits et le texte renvoyés pour répondre ; incluez un exemple minimal de middleware.ts issu de la documentation si pertinent.

Exemple : Requête Prisma

  1. Appelez resolve-library-id avec libraryName: "Prisma", query: "Comment faire une requête avec des relations ?".
  2. Sélectionnez l'identifiant officiel de la bibliothèque Prisma (ex. /prisma/prisma).
  3. Appelez query-docs avec cet identifiant et la requête.
  4. Renvoyez le modèle Prisma Client (ex. include ou select) avec un court extrait de code issu de la documentation.

Exemple : Méthodes d'authentification Supabase

  1. Appelez resolve-library-id avec libraryName: "Supabase", query: "Quelles sont les méthodes d'authentification ?".
  2. Choisissez l'identifiant de la documentation Supabase.
  3. Appelez query-docs ; résumez les méthodes d'authentification et montrez des exemples minimaux issus de la documentation récupérée.

Bonnes pratiques

  • Soyez précis : utilisez la question complète de l'utilisateur comme requête dans la mesure du possible pour une meilleure pertinence.
  • Conscience des versions : lorsque les utilisateurs mentionnent des versions, utilisez les identifiants de bibliothèque spécifiques à cette version issus de l'étape de résolution si disponibles.
  • Privilégiez les sources officielles : lorsqu'il existe plusieurs résultats, préférez les packages officiels ou principaux aux forks communautaires.
  • Pas de données sensibles : supprimez les clés API, mots de passe, jetons et autres secrets de toute requête envoyée à Context7. Traitez la question de l'utilisateur comme potentiellement contenant des secrets avant de la transmettre à resolve-library-id ou query-docs.

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