Communitygithub.com

mailtrap-email-integration

Guide les agents lors de l'intégration de l'envoi d'emails transactionnels via Mailtrap

Qu'est-ce que mailtrap-email-integration ?

Cette compétence permet aux agents IA d'intégrer facilement l'envoi d'emails transactionnels dans une application en utilisant l'API Email et le Sandbox de Mailtrap. Elle couvre l'authentification avec des jetons Bearer, la séparation entre les environnements de développement et de production (Sandbox vs Production), ainsi que la vérification du domaine d'envoi (SPF, DKIM, DMARC). La compétence fournit des exemples de code TypeScript prêts à l'emploi pour l'envoi d'emails via l'API de production et le routage vers le Sandbox dans les environnements non-production. Elle met également en garde contre les anti-patrons courants comme l'utilisation de l'endpoint de production en développement, le codage en dur des tokens, ou l'oubli de la vérification DNS. Les agents peuvent activer cette compétence lors de l'implémentation de fonctionnalités d'envoi d'emails (confirmation d'inscription, réinitialisation de mot de passe, notifications) ou du débogage de problèmes de livraison. Les plateformes supportées incluent Claude Code, Cursor et Codex.

Compatible avec~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/mailtrap-email-integration

Demander à votre IA préférée

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

Documentation

Intégration Email Mailtrap

Patrons pour ajouter l'envoi d'emails transactionnels à une application en utilisant l'API Email et le Sandbox de Mailtrap, couvrant l'authentification, la séparation des environnements et les pièges de livraison courants.

Quand activer

  • Implémenter une fonctionnalité "envoyer un email" (confirmation d'inscription, réinitialisation de mot de passe, notifications, reçus)
  • Déboguer pourquoi les emails n'arrivent pas en développement/validation
  • Mettre en place la première intégration d'envoi d'emails d'un projet
  • Réviser du code qui appelle une API Email directement sans séparation Sandbox

Concepts clés

Séparation Sandbox vs. Production. Mailtrap fournit une API Sandbox qui capture les emails sans les délivrer, utilisée pour le développement/validation afin que les emails de test n'atteignent jamais les boîtes de réception réelles. L'envoi en production utilise un endpoint distinct avec domaine vérifié. Ne jamais pointer un environnement de développement vers l'endpoint d'envoi de production.

Authentification. Les requêtes utilisent un jeton Bearer dans l'en-tête Authorization. Les jetons sont limités par projet ; le sandbox et la production utilisent généralement des jetons différents.

Vérification du domaine. L'envoi en production nécessite de vérifier un domaine d'envoi via des enregistrements DNS (SPF, DKIM, DMARC) avant que Mailtrap ne délivre à des destinataires réels. Négliger cela entraîne des échecs de livraison silencieux ou un placement dans les spams.

Exemples de code

// Envoi via l'API Email de Mailtrap (production)
async function sendEmail(to: string, subject: string, html: string) {
  const response = await fetch("https://send.api.mailtrap.io/api/send", {
    method: "POST",
    headers: {
      "Authorization": `Bearer ${process.env.MAILTRAP_API_TOKEN}`,
      "Content-Type": "application/json",
    },
    body: JSON.stringify({
      from: { email: "[email protected]", name: "Your App" },
      to: [{ email: to }],
      subject,
      html,
    }),
  });

  if (!response.ok) {
    throw new Error(`Email send failed: ${response.status}`);
  }
  return response.json();
}
// Même appel, routé vers le Sandbox dans les environnements non-production
const MAILTRAP_ENDPOINT = process.env.NODE_ENV === "production"
  ? "https://send.api.mailtrap.io/api/send"
  : `https://sandbox.api.mailtrap.io/api/send/${process.env.MAILTRAP_INBOX_ID}`;

Anti-patrons

Anti-patronPourquoi c'est un problèmeÀ la place
Utiliser l'endpoint de production en développement/testDe vrais emails de test atteignent de vraies boîtes de réception, risquant des plaintes pour spam et une fuite de données de testRouter les environnements non-production vers l'endpoint Sandbox
Coder en dur les jetons API dans le code sourceRisque de fuite d'identifiants si commité dans le contrôle de versionCharger les jetons depuis les variables d'environnement / gestionnaire de secrets
Envoyer avant la fin de la vérification du domaineLes emails échouent silencieusement ou atterrissent dans les spamsVérifier les enregistrements SPF/DKIM/DMARC avant d'activer l'envoi en production
Absence de gestion des erreurs/retentatives sur les échecs d'envoiÉchecs silencieux de notification (ex. l'utilisateur ne reçoit jamais l'email de réinitialisation de mot de passe)Vérifier le statut de la réponse, enregistrer les échecs, remonter des erreurs exploitables

Bonnes pratiques

  • Conserver les jetons sandbox et production dans des variables d'environnement séparées, ne jamais partager un jeton entre les environnements
  • Vérifier les enregistrements DNS du domaine d'envoi avant tout lancement en production impliquant des emails
  • Enregistrer les échecs de livraison avec suffisamment de contexte pour le débogage (destinataire, modèle, horodatage, code de réponse)
  • Traiter l'envoi d'email comme un appel réseau faillible : encapsuler dans try/catch, ne jamais supposer le succès

Compétences associées

api-and-interface-design, security-and-hardening, ci-cd-and-automation

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