Communitygithub.com

inherit-legacy-style

Compétence d'héritage de style de projet legacy. Utilisez-la lorsque l'utilisateur saisit /inherit-legacy-style, ou lors de l'intégration d'un agent IA à un projet legacy manuscrit pour prévenir la dérive stylistique.

Qu'est-ce que inherit-legacy-style ?

Cette compétence empêche la dérive stylistique du code généré par l'IA dans les projets legacy en scannant le codebase à la recherche de conventions implicites selon quatre dimensions méta-architecturales (Anatomie des fichiers, Flux d'état et de contrôle, Infrastructure, Gestion des erreurs). Elle résout les conflits avec l'utilisateur un par un, puis cristallise le consensus dans un fichier `.ai-style-rules.md` exécutable par l'agent. Compatible avec n'importe quel langage ou framework, elle détecte automatiquement s'il s'agit d'une première exécution (scan complet) ou d'une mise à jour incrémentale (via Git), et propose des hooks logiciels ou matériels pour une application automatique à chaque tâche de rédaction de code. Son protocole de grillade (un conflit à la fois) garantit une adoption progressive sans surcharger l'utilisateur.

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

Demander à votre IA préférée

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

Documentation

Héritage du style legacy

Empêche la dérive stylistique du code généré par l'IA dans les projets legacy en scannant le codebase à la recherche de conventions implicites selon 4 dimensions méta-architecturales, en résolvant les conflits avec l'utilisateur un par un, et en cristallisant le consensus dans un .ai-style-rules.md exécutable. Totalement indépendant du langage et du framework.

Quand activer

  • L'utilisateur saisit /inherit-legacy-style
  • L'utilisateur mentionne l'intégration d'une IA sur un projet legacy manuscrit
  • L'utilisateur craint que le code généré par l'IA ne « dérive » des conventions existantes du projet
  • L'utilisateur souhaite extraire et codifier les règles de codage implicites de son projet

Quand utiliser

Utilisez cette compétence lorsque vous devez préserver le style d'un projet legacy et empêcher la dérive stylistique générée par l'IA. Voir Quand activer ci-dessus pour les conditions de déclenchement.

Prérequis

  • Git (recommandé ; les projets non-Git utilisent les horodatages des fichiers en mode incrémental)
  • Accès en lecture/écriture à la racine du projet (génère .ai-style-rules.md et éventuellement CLAUDE.md)

Déroulement

Étape 0 — Détection automatique du mode

Vérifiez silencieusement la présence de .ai-style-rules.md à la racine du projet :

Fichier existe ?Mode
NonBranche A — Premier scan complet
OuiBranche B — Détection incrémentale

Annoncez le mode en une ligne et poursuivez — ne demandez jamais à l'utilisateur de choisir.

Branche A — Premier scan complet

1. Mesurez l'échelle, choisissez un niveau de scan

git ls-files | grep -cE '\.(js|ts|jsx|tsx|vue|py|go|rs|java|kt|rb|php|cs|swift|c|cpp|h)$'
NiveauFichiers sourceStratégie
Petit≲ 50Lecture complète de chaque source
Moyen50–500Couche infrastructure = lecture complète ; couche métier = échantillon de 2-3 par dimension
Grand≳ 500Échantillonnage strict + budget limité ; résumé --stat d'abord, puis lectures ciblées

2. Scannez selon 4 dimensions

  1. Anatomie des fichiers — ordre des déclarations dans le fichier (imports → types → logique principale → helpers → export)
  2. Flux d'état et de contrôle — conventions de nommage pour l'état asynchrone, la pagination, les indicateurs
  3. Infrastructure — emplacement des utilitaires transversaux (intercepteurs, formateurs, middleware)
  4. Gestion des erreurs — try/catch vs interceptor global vs retour Result ; habitudes de vérification des nulls

3. Appliquez la réduction du bruit par seuil de signal

Avant d'interrompre l'utilisateur, évaluez la force du signal :

  • Signal faible → suppression automatique : minorité <5% ET nombre <10 → la majorité l'emporte, la minorité va dans les DONTs
  • Signal fort → grillade : partage quasi-égal, ou fourche sémantique sur une dimension centrale
  • Exception pour petit projet : sources ≲50, « 3 contre 2 » n'est PAS une majorité → grillade

4. Résolvez les conflits un par un (Protocole de grillade)

Pour chaque conflit à signal fort, présentez EXACTEMENT une question avec 4 options :

Preuve : pathA utilise le style X, pathB utilise le style Y ATTENTION : Risque : mélanger les deux fracture le style du projet Choisissez : 1 suivre X 2 suivre Y 3 c'est une évolution, mettez à jour les règles 4 j'ai une nouvelle règle

Suspendre jusqu'à ce que l'utilisateur réponde, puis passez au conflit suivant. N'empilez jamais les questions.

5. Générez .ai-style-rules.md avec trois sections obligatoires :

  • [Fichiers Dorés] — chemins d'exemples réels annotés avec ce qu'ils démontrent
  • [Règles de nommage et de contrôle d'état] — conventions concrètes et vérifiables
  • [DONTs] — anti-patrons qui ne doivent pas se propager

6. Installez le hook persistant

Demandez à l'utilisateur la force d'application (utilisez AskUserQuestion) :

OptionMécanisme
1 Hook logiciel (recommandé)Écrire la référence @.ai-style-rules.md dans le CLAUDE.md du projet
2 Hook matérielHook logiciel + Hook `PreToolUse[Write
3 Aucun hookConserver le fichier de règles ; l'utilisateur le référence manuellement

Branche B — Détection incrémentale

  1. Lisez le .ai-style-rules.md existant ; s'il contient une empreinte de commit, git diff <last_hash> HEAD --stat pour identifier le delta
  2. Lisez les modifications Git récentes (git log -3 --stat → inspectez les fichiers suspects à la demande)
  3. Pour les diffs surdimensionnés (>centaines de fichiers) : résumé --stat uniquement + échantillon des plus grandes modifications
  4. Comparez le nouveau code aux règles enregistrées → les conflits passent par le Protocole de grillade
  5. Ajoutez un journal d'évolution à la fin de .ai-style-rules.md (ne jamais écraser les anciennes règles)

Application par tâche

Lorsque .ai-style-rules.md est en contexte (chargé via CLAUDE.md), chaque tâche de rédaction de code doit commencer par une déclaration de conformité dans la chaîne de raisonnement, nommant l'exemple suivi et les DONTs évités.

Comment ça marche

Cette compétence détecte automatiquement s'il s'agit d'une première exécution ou d'une mise à jour incrémentale via la présence de .ai-style-rules.md :

  • Première exécution (Branche A) — Mesure l'échelle du projet, scanne le codebase selon 4 dimensions méta-architecturales (Anatomie des fichiers, Flux d'état et de contrôle, Infrastructure, Gestion des erreurs), applique la réduction du bruit par seuil de signal pour supprimer les conflits faibles, résout les conflits à signal fort un par un avec l'utilisateur, génère .ai-style-rules.md avec Fichiers Dorés / Règles de nommage / DONTs, et propose des hooks d'application optionnels.
  • Incrémental (Branche B) — Lit les règles existantes, vérifie les diffs Git récents pour de nouveaux patrons ou des conflits, exécute le même protocole de grillade un par un pour les conflits trouvés, et ajoute des journaux d'évolution sans écraser les règles existantes.
  • Application par tâche — Lorsqu'il est hooké via CLAUDE.md, chaque tâche de rédaction de code commence par une déclaration de conformité nommant l'exemple suivi et les DONTs évités.

Spécification de sortie

  • .ai-style-rules.md à la racine du projet (avec empreinte de commit + niveau d'échelle dans l'en-tête)
  • Éventuellement CLAUDE.md avec la référence @.ai-style-rules.md
  • Journaux d'évolution ajoutés sous forme d'entrées ### [AAAA-MM-JJ] Journal d'évolution du style

Anti-patrons

  • ÉCHEC : Ne PAS sauter l'étape de mesure de l'échelle — échantillonner un projet de 30 fichiers « l'affame » ; scanner complètement un dépôt de 5 000 fichiers explose
  • ÉCHEC : Ne PAS empiler plusieurs questions de conflit à la fois — la grillade est strictement une par une
  • ÉCHEC : Ne PAS écraser les anciennes règles en mode incrémental — toujours ajouter des journaux d'évolution
  • ÉCHEC : Ne PAS utiliser par défaut le « hook matériel » sans demander — la force d'application est le choix de l'utilisateur
  • ÉCHEC : Ne PAS juger la syntaxe ou la qualité de la stack technique — cette compétence aligne uniquement la méta-architecture
  • ÉCHEC : Ne PAS copier les bogues des fichiers exemplaires — réutiliser la structure, signaler les défauts

Bonnes pratiques

  • Annoncez le mode détecté (première exécution vs incrémental) et le niveau d'échelle en une ligne avant le scan
  • Pour les grands projets, lisez d'abord les résumés --stat, puis des Read ciblés sur les fichiers suspects
  • Laissez le seuil de signal gérer le bruit — une répartition de nommage 843 contre 8 devrait se résoudre automatiquement sans interrompre l'utilisateur
  • En cas de doute sur la force du signal, penchez-vous vers la question
  • Le hook logiciel CLAUDE.md (@.ai-style-rules.md) est généralement suffisant ; le hook matériel seulement si l'utilisateur souhaite une application mécanique

Compétences associées

  • init — initialiser un nouveau CLAUDE.md avec la documentation du codebase
  • code-review — examiner les diffs pour la correction et les problèmes de style
  • simplify — examiner le code pour les opportunités de réutilisation et de simplification

Exemples

  1. Première intégration

    • Utilisateur : « Aidez-moi à intégrer l'IA à cette ancienne base de code sans en changer le style. »
    • Action : Exécuter la Branche A scan complet → mesurer l'échelle → scanner 4 dimensions → griller les conflits → générer .ai-style-rules.md → proposer la force du hook (logiciel/matériel/aucun).
  2. Mise à jour incrémentale après changements d'équipe

    • Utilisateur : « Nous avons ajouté un nouveau module ; conservez les règles de style existantes intactes. »
    • Action : Exécuter la Branche B détection incrémentale → comparer les deltas Git aux règles enregistrées → griller les nouveaux conflits → ajouter le journal d'évolution sans écraser.
  3. Application des DONTs via CLAUDE.md

    • Utilisateur : « Assurez-vous que tout nouveau code reste cohérent avec les règles du projet. »
    • Action : Hook logiciel installé → .ai-style-rules.md chargé automatiquement à chaque session → chaque tâche de rédaction de code commence par une déclaration de conformité, réutilisant les patrons exemplaires et évitant les DONTs.

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