Communitygithub.com

Plankton - Qualité du Code à l'Écriture

Application des règles de qualité du code à l'écriture avec Plankton — formatage automatique, linting et corrections pilotées par Claude sur chaque édition de fichier via des hooks. Utilisez-le pour configurer le formatage, le linting ou les corrections automatiques lors des modifications de fichiers.

Qu'est-ce que Plankton - Qualité du Code à l'Écriture ?

Plankton est un système d'application des règles de qualité du code à l'écriture conçu pour Claude Code. Il fonctionne en trois phases : d'abord, il formate automatiquement les fichiers (ruff, biome, shfmt, etc.) sans notification à l'agent principal ; ensuite, il collecte les violations restantes dans un format JSON structuré ; enfin, il délègue les corrections à des sous-processus Claude avec un routage automatique vers le modèle approprié (Haiku pour le style, Sonnet pour la logique, Opus pour les types). Plankton offre une protection configurable contre la modification des fichiers de configuration des linters par l'agent, et inclut une application de gestionnaires de paquets modernes (uv, bun). Il est idéal pour les projets multi-langages (Python, TypeScript, Shell, YAML, JSON, TOML, Markdown, Dockerfile) et peut être combiné avec d'autres outils comme ECC pour une couverture complète.

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

Demander à votre IA préférée

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

Documentation

Compétence Plankton pour la Qualité du Code

Référence d'intégration pour Plankton (crédit : @alxfazio), un système d'application des règles de qualité du code à l'écriture pour Claude Code. Plankton exécute des formateurs et des linters sur chaque édition de fichier via des hooks PostToolUse, puis lance des sous-processus Claude pour corriger les violations que l'agent n'a pas détectées.

Quand l'Utiliser

  • Vous voulez un formatage et un linting automatiques à chaque édition de fichier (pas seulement au moment du commit)
  • Vous avez besoin d'une protection contre les agents qui modifient les configurations des linters pour passer les tests au lieu de corriger le code
  • Vous voulez un routage hiérarchique des modèles pour les corrections (Haiku pour le style simple, Sonnet pour la logique, Opus pour les types)
  • Vous travaillez avec plusieurs langages (Python, TypeScript, Shell, YAML, JSON, TOML, Markdown, Dockerfile)

Comment ça Fonctionne

Architecture en Trois Phases

Chaque fois que Claude Code édite ou écrit un fichier, le hook PostToolUse multi_linter.sh de Plankton s'exécute :

Phase 1 : Formatage Automatique (Silencieux)
├─ Exécute les formateurs (ruff format, biome, shfmt, taplo, markdownlint)
├─ Corrige 40 à 50 % des problèmes silencieusement
└─ Aucune sortie vers l'agent principal

Phase 2 : Collecte des Violations (JSON)
├─ Exécute les linters et collecte les violations non corrigeables
├─ Renvoie un JSON structuré : {line, column, code, message, linter}
└─ Toujours aucune sortie vers l'agent principal

Phase 3 : Délégation + Vérification
├─ Lance un sous-processus claude -p avec le JSON des violations
├─ Route vers le niveau de modèle en fonction de la complexité de la violation :
│   ├─ Haiku : formatage, imports, style (codes E/W/F) — timeout 120s
│   ├─ Sonnet : complexité, refactorisation (codes C901, PLR) — timeout 300s
│   └─ Opus : système de types, raisonnement profond (unresolved-attribute) — timeout 600s
├─ Relance les phases 1+2 pour vérifier les corrections
└─ Sortie 0 si propre, Sortie 2 si des violations persistent (signalé à l'agent principal)

Ce que Voit l'Agent Principal

ScénarioCe que voit l'agentSortie du hook
Aucune violationRien0
Tout corrigé par le sous-processusRien0
Violations persistantes après le sous-processus[hook] N violation(s) restante(s)2
Avis (doublons, outils obsolètes)[hook:advisory] ...0

L'agent principal ne voit que les problèmes que le sous-processus n'a pas pu corriger. La plupart des problèmes de qualité sont résolus de manière transparente.

Protection des Configurations (Défense contre la Manipulation des Règles)

Les LLM peuvent modifier .ruff.toml ou biome.json pour désactiver les règles plutôt que de corriger le code. Plankton bloque cela avec trois couches :

  1. Hook PreToolUse — protect_linter_configs.sh bloque les modifications de toutes les configurations de linter avant qu'elles ne se produisent
  2. Hook Stop — stop_config_guardian.sh détecte les changements de configuration via git diff à la fin de la session
  3. Liste de fichiers protégés — .ruff.toml, biome.json, .shellcheckrc, .yamllint, .hadolint.yaml, et plus

Application du Gestionnaire de Paquets

Un hook PreToolUse sur Bash bloque les gestionnaires de paquets obsolètes :

  • pip, pip3, poetry, pipenv → Bloqués (utilisez uv)
  • npm, yarn, pnpm → Bloqués (utilisez bun)
  • Exceptions autorisées : npm audit, npm view, npm publish

Configuration

Démarrage Rapide

Remarque : Plankton nécessite une installation manuelle depuis son dépôt. Examinez le code avant de l'installer.

# Installer les dépendances principales
brew install jaq ruff uv

# Installer les linters Python
uv sync --all-extras

# Lancer Claude Code — les hooks s'activent automatiquement
claude

Pas de commande d'installation, pas de configuration de plugin. Les hooks dans .claude/settings.json sont automatiquement détectés lorsque vous exécutez Claude Code dans le répertoire Plankton.

Intégration par Projet

Pour utiliser les hooks Plankton dans votre propre projet :

  1. Copiez le répertoire .claude/hooks/ dans votre projet
  2. Copiez la configuration des hooks .claude/settings.json
  3. Copiez les fichiers de configuration des linters (.ruff.toml, biome.json, etc.)
  4. Installez les linters pour vos langages

Dépendances par Langage

LangageRequisOptionnel
Pythonruff, uvty (types), vulture (code mort), bandit (sécurité)
TypeScript/JSbiomeoxlint, semgrep, knip (exports morts)
Shellshellcheck, shfmt—
YAMLyamllint—
Markdownmarkdownlint-cli2—
Dockerfilehadolint (>= 2.12.0)—
TOMLtaplo—
JSONjaq—

Association avec ECC

Complémentaire, Pas Redondant

PréoccupationECCPlankton
Application de la qualité du codeHooks PostToolUse (Prettier, tsc)Hooks PostToolUse (20+ linters + corrections par sous-processus)
Analyse de sécuritéAgentShield, agent security-reviewerBandit (Python), Semgrep (TypeScript)
Protection des configurations—Blocage PreToolUse + détection par hook Stop
Gestionnaire de paquetsDétection + configurationApplication (bloque les PM obsolètes)
Intégration CI—Hooks pre-commit pour git
Routage des modèlesManuel (/model opus)Automatique (complexité de violation → niveau)

Combinaison Recommandée

  1. Installez ECC comme plugin (agents, compétences, commandes, règles)
  2. Ajoutez les hooks Plankton pour l'application de la qualité à l'écriture
  3. Utilisez AgentShield pour les audits de sécurité
  4. Utilisez la boucle de vérification d'ECC comme porte finale avant les PR

Éviter les Conflits de Hooks

Si vous exécutez à la fois les hooks ECC et Plankton :

  • Le hook Prettier d'ECC et le formateur biome de Plankton peuvent entrer en conflit sur les fichiers JS/TS
  • Solution : désactivez le hook PostToolUse Prettier d'ECC lorsque vous utilisez Plankton (le biome de Plankton est plus complet)
  • Les deux peuvent coexister sur différents types de fichiers (ECC gère ce que Plankton ne couvre pas)

Référence de Configuration

Le fichier .claude/hooks/config.json de Plankton contrôle tout le comportement :

{
  "languages": {
    "python": true,
    "shell": true,
    "yaml": true,
    "json": true,
    "toml": true,
    "dockerfile": true,
    "markdown": true,
    "typescript": {
      "enabled": true,
      "js_runtime": "auto",
      "biome_nursery": "warn",
      "semgrep": true
    }
  },
  "phases": {
    "auto_format": true,
    "subprocess_delegation": true
  },
  "subprocess": {
    "tiers": {
      "haiku":  { "timeout": 120, "max_turns": 10 },
      "sonnet": { "timeout": 300, "max_turns": 10 },
      "opus":   { "timeout": 600, "max_turns": 15 }
    },
    "volume_threshold": 5
  }
}

Paramètres clés :

  • Désactivez les langages que vous n'utilisez pas pour accélérer les hooks
  • volume_threshold — les violations > ce nombre sont automatiquement escaladées vers un niveau de modèle supérieur
  • subprocess_delegation: false — saute complètement la phase 3 (signale simplement les violations)

Surcharges d'Environnement

VariableObjectif
HOOK_SKIP_SUBPROCESS=1Ignorer la phase 3, signaler directement les violations
HOOK_SUBPROCESS_TIMEOUT=NRemplacer le délai d'attente du niveau
HOOK_DEBUG_MODEL=1Journaliser les décisions de sélection du modèle
HOOK_SKIP_PM=1Contourner l'application du gestionnaire de paquets

Références

  • Plankton (crédit : @alxfazio)
  • Plankton REFERENCE.md — Documentation complète de l'architecture (crédit : @alxfazio)
  • Plankton SETUP.md — Guide d'installation détaillé (crédit : @alxfazio)

Ajouts ECC v1.8

Profil de Hook Copiable

Définir un comportement de qualité strict :

export ECC_HOOK_PROFILE=strict
export ECC_QUALITY_GATE_FIX=true
export ECC_QUALITY_GATE_STRICT=true

Tableau des Portes de Langage

  • TypeScript/JavaScript : Biome préféré, Prettier en fallback
  • Python : Ruff format/check
  • Go : gofmt

Garde de Modification de Configuration

Pendant l'application de la qualité, signalez les modifications des fichiers de configuration dans la même itération :

  • biome.json, .eslintrc*, prettier.config*, tsconfig.json, pyproject.toml

Si la configuration est modifiée pour supprimer des violations, exigez une révision explicite avant la fusion.

Modèle d'Intégration CI

Utilisez les mêmes commandes dans CI que les hooks locaux :

  1. exécuter les vérifications de formatage
  2. exécuter les vérifications de lint/type
  3. échouer rapidement en mode strict
  4. publier un résumé des corrections

Métriques de Santé

Suivez :

  • les modifications signalées par les portes
  • le temps de correction moyen
  • les violations répétées par catégorie
  • les blocages de fusion dus aux échecs des portes

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