Communitygithub.com

knowledge-ops

Gestion de base de connaissances : ingestion, synchronisation et récupération sur plusieurs couches de stockage (fichiers locaux, mémoire MCP, bases vectorielles, dépôts Git). À utiliser lorsque l'utilisateur souhaite sauvegarder, organiser, synchroniser, dédupliquer ou rechercher dans ses systèmes de connaissances.

Qu'est-ce que knowledge-ops ?

Cette compétence (skill) « knowledge-ops » permet de gérer un système de connaissances multi-couches pour ingérer, organiser, synchroniser et récupérer des informations à travers plusieurs magasins de données. Elle est utile pour les développeurs et utilisateurs d'agents IA (comme Claude Code, Cursor, Codex) qui ont besoin de capitaliser, retrouver et organiser leurs informations de manière structurée et persistante. La compétence repose sur une architecture à six couches : (1) la vérité d'exécution active (GitHub, Linear), (2) la mémoire rapide de Claude Code, (3) le serveur de mémoire MCP (graphe de connaissances), (4) le dépôt de base de connaissances (documents durables), (5) un magasin de données externe (Supabase, PostgreSQL), et (6) un dossier d'archives local. Le workflow d'ingestion comprend quatre étapes : classifier, dédupliquer, stocker dans la ou les couches appropriées, puis indexer. Des opérations de synchronisation couvrent les conversations, l'état de l'espace de travail, GitHub/Linear et les sources externes. La compétence insiste sur la déduplication, l'utilisation de métadonnées YAML, et la non-redondance des faits entre les différents systèmes.

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

Demander à votre IA préférée

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

Documentation

Opérations de Connaissances

Gérez un système de connaissances multi-couches pour ingérer, organiser, synchroniser et récupérer des connaissances à travers plusieurs magasins.

Privilégiez le modèle d'espace de travail vivant :

  • le travail de code vit dans les vrais dépôts clonés
  • le contexte d'exécution actif vit dans GitHub, Linear et les fichiers de contexte de travail locaux au dépôt
  • les notes humaines plus larges peuvent vivre dans un dossier context/archive non lié à un dépôt
  • la mémoire durable inter-machines appartient à la base de connaissances, pas à un espace de travail de dépôt fantôme

Quand Activer

  • L'utilisateur souhaite sauvegarder des informations dans sa base de connaissances
  • Ingérer des documents, conversations ou données dans un stockage structuré
  • Synchroniser des connaissances entre systèmes (fichiers locaux, mémoire MCP, Supabase, dépôts Git)
  • Dédupliquer ou organiser des connaissances existantes
  • L'utilisateur dit « sauvegarde ça dans la KB », « synchronise les connaissances », « que sais-je sur X », « ingère ceci », « mets à jour la base de connaissances »
  • Toute tâche de gestion de connaissances au-delà d'un simple rappel mémoire

Architecture des Connaissances

Couche 1 : Vérité d'exécution active

  • Sources : Issues GitHub, PRs, discussions, notes de version, issues/projets/docs Linear
  • Utilisation : l'état opérationnel courant du travail
  • Règle : si quelque chose affecte un plan d'ingénierie actif, une feuille de route, un déploiement ou une version, le placer ici en priorité

Couche 2 : Mémoire Claude Code (Accès Rapide)

  • Chemin : ~/.claude/projects/*/memory/
  • Format : Fichiers Markdown avec frontmatter
  • Types : préférences utilisateur, retours, contexte de projet, référence
  • Utilisation : contexte à accès rapide qui persiste entre les conversations
  • Chargé automatiquement au début de chaque session

Couche 3 : Serveur de Mémoire MCP (Graphe de Connaissances Structuré)

  • Accès : outils mémoire MCP (create_entities, create_relations, add_observations, search_nodes)
  • Utilisation : recherche sémantique dans toutes les mémoires stockées, cartographie des relations
  • Persistance inter-sessions avec une structure de graphe interrogable

Couche 4 : Dépôt de base de connaissances / magasin de documents durables

  • Utilisation : notes durables organisées, exportations de sessions, recherche synthétisée, mémoire opérateur, documents longs
  • Règle : c'est le magasin durable privilégié pour le contexte inter-machines lorsque le contenu n'est pas du code appartenant à un dépôt

Couche 5 : Magasin de données externe (Supabase, PostgreSQL, etc.)

  • Utilisation : données structurées, stockage de documents volumineux, recherche plein texte
  • Utile pour : documents trop grands pour les fichiers mémoire, données nécessitant des requêtes SQL

Couche 6 : Dossier d'archives / contexte local

  • Utilisation : notes humaines, plans de jeu archivés, organisation de médias locaux, documents temporaires non liés au code
  • Règle : accessible en écriture pour le stockage d'informations, mais pas un espace de travail de code fantôme
  • Ne pas utiliser pour : les modifications de code actives ou la vérité du dépôt qui devrait vivre en amont

Workflow d'Ingestion

Lorsque de nouvelles connaissances doivent être capturées :

1. Classifier

De quel type de connaissance s'agit-il ?

  • Décision métier -> fichier mémoire (type projet) + mémoire MCP
  • État actif de la feuille de route / version / implémentation -> GitHub + Linear d'abord
  • Préférence personnelle -> fichier mémoire (type utilisateur/retour)
  • Information de référence -> fichier mémoire (type référence) + mémoire MCP
  • Document volumineux -> magasin de données externe + résumé en mémoire
  • Conversation/session -> dépôt de base de connaissances + résumé court en mémoire

2. Dédupliquer

Vérifier si cette connaissance existe déjà :

  • Rechercher dans les fichiers mémoire les entrées existantes
  • Interroger la mémoire MCP avec des termes pertinents
  • Vérifier si l'information existe déjà dans GitHub ou Linear avant de créer une autre note locale
  • Ne pas créer de doublons. Mettre à jour les entrées existantes à la place.

3. Stocker

Écrire dans la ou les couches appropriées :

  • Toujours mettre à jour la mémoire de Claude Code pour un accès rapide
  • Utiliser la mémoire MCP pour la recherche sémantique et la cartographie des relations
  • Mettre à jour GitHub / Linear en premier lorsque l'information modifie la vérité vivante du projet
  • Commiter dans le dépôt de base de connaissances pour les ajouts durables de longue forme

4. Indexer

Mettre à jour tous les index ou fichiers de résumé pertinents.

Opérations de Synchronisation

Synchronisation des Conversations

Synchroniser périodiquement l'historique des conversations dans la base de connaissances :

  • Sources : fichiers de session Claude, sessions Codex, autres sessions d'agents
  • Destination : dépôt de base de connaissances
  • Générer un index de session pour une navigation rapide
  • Commiter et pousser

Synchronisation de l'État de l'Espace de Travail

Miroiter la configuration importante de l'espace de travail et les scripts vers la base de connaissances :

  • Générer des cartes de répertoire
  • Rédiger les configurations sensibles avant de commiter
  • Suivre les changements dans le temps
  • Ne pas traiter la base de connaissances ou le dossier d'archives comme l'espace de travail de code vivant

Synchronisation GitHub / Linear

Lorsque l'information affecte l'exécution active :

  • mettre à jour l'issue GitHub, la PR, la discussion, les notes de version ou le fil de feuille de route concerné
  • attacher des documents de support à Linear lorsque le travail nécessite un contexte de planification durable
  • ne miroiter une note locale qu'ensuite, si elle apporte encore une valeur ajoutée

Synchronisation de Connaissances Multi-Sources

Rassembler des connaissances de plusieurs sources en un seul endroit :

  • Exportations de conversations Claude/ChatGPT/Grok
  • Marque-pages du navigateur
  • Événements d'activité GitHub
  • Écrire un résumé d'état, commiter et pousser

Modèles de Mémoire

# Court terme : contexte de session courante
Utiliser TodoWrite pour le suivi des tâches en session

# Moyen terme : fichiers mémoire de projet
Écrire dans ~/.claude/projects/*/memory/ pour le rappel inter-session

# Long terme : GitHub / Linear / KB
Placer la vérité d'exécution active dans GitHub + Linear
Placer le contexte durable synthétisé dans le dépôt de base de connaissances

# Couche sémantique : graphe de connaissances MCP
Utiliser mcp__memory__create_entities pour les données structurées permanentes
Utiliser mcp__memory__create_relations pour la cartographie des relations
Utiliser mcp__memory__add_observations pour de nouveaux faits sur des entités connues
Utiliser mcp__memory__search_nodes pour trouver des connaissances existantes

Bonnes Pratiques

  • Gardez les fichiers mémoire concis. Archivez les anciennes données plutôt que de laisser les fichiers grossir indéfiniment.
  • Utilisez le frontmatter (YAML) pour les métadonnées sur tous les fichiers de connaissances.
  • Dédupliquez avant de stocker. Cherchez d'abord, puis créez ou mettez à jour.
  • Privilégiez un seul emplacement canonique par ensemble de faits. Évitez les copies parallèles du même plan entre notes locales, fichiers de dépôt et documents de suivi.
  • Rédigez les informations sensibles (clés API, mots de passe) avant de les commiter dans Git.
  • Utilisez des conventions de nommage cohérentes pour les fichiers de connaissances (minuscules-avec-tirets).
  • Étiquetez les entrées avec des sujets/catégories pour une récupération plus facile.

Porte de Qualité

Avant de terminer toute opération de connaissances :

  • aucune entrée en double créée
  • données sensibles rédigées dans tous les fichiers suivis par Git
  • index et résumés mis à jour
  • couche de stockage appropriée choisie pour le type de données
  • références croisées ajoutées le cas échéant

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