Communitygithub.com

Éclaireur de compétences

Recherche dans les sources locales, la marketplace, GitHub et le web avant de créer une nouvelle compétence. À utiliser lorsque l'utilisateur souhaite créer, forker ou trouver une compétence pour un workflow.

Qu'est-ce que Éclaireur de compétences ?

Cette compétence agit comme un garde-fou avant la création de nouvelles compétences. Elle évite la duplication d'efforts en recherchant systématiquement dans les compétences locales installées, la marketplace, GitHub et le web. L'utilisateur exprime son besoin, et l'outil extrait des mots-clés, interroge plusieurs sources, évalue la pertinence des résultats et présente un classement. Il insiste sur la vérification de sécurité des sources externes avant toute adoption ou fork, et propose des options d'action claires (utiliser, forker, créer). Elle est conçue pour les agents comme Claude Code, Cursor ou Codex, et fonctionne via des commandes shell et des requêtes web ciblées.

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

Demander à votre IA préférée

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

Documentation

Que fait Éclaireur de compétences ?

Utilisez cette compétence avant d'en créer une nouvelle. L'objectif est d'éviter de dupliquer du travail existant de la communauté ou de la marketplace, tout en vérifiant tout contenu externe avant de l'adopter.

Source : récupéré de la PR communautaire obsolète #1232 par redminwang.

Quand l'utiliser

  • L'utilisateur dit "créer une compétence", "construire une compétence", "fabriquer une compétence" ou "nouvelle compétence".
  • L'utilisateur demande "existe-t-il une compétence pour X ?" ou "y a-t-il une compétence qui fait Y ?"
  • L'utilisateur décrit un workflow et vous êtes sur le point de suggérer la création d'une nouvelle compétence.
  • L'utilisateur souhaite forker ou étendre une compétence existante.

Si l'utilisateur demande explicitement d'ignorer la recherche ou de créer à partir de zéro, reconnaissez-le et poursuivez avec le workflow de création demandé.

Comment ça fonctionne

Étape 1 - Capturer l'intention

Extrayez :

  • La tâche que la compétence doit accomplir.
  • Les conditions de déclenchement pour l'utiliser.
  • Le domaine, les outils, les frameworks ou les sources de données impliqués.
  • Trois à cinq mots-clés de recherche ainsi que des synonymes utiles.

Étape 2 - Rechercher dans les sources locales

Recherchez d'abord dans les noms des compétences installées et de la marketplace. Les sources locales sont préférées car elles font déjà partie de l'environnement de l'utilisateur.

find ~/.claude/skills -maxdepth 2 -name SKILL.md 2>/dev/null | grep -iE "mot-clé|synonyme"
find ~/.claude/plugins/marketplaces -path '*/skills/*/SKILL.md' 2>/dev/null | grep -iE "mot-clé|synonyme"

Ensuite, recherchez dans les descriptions du frontmatter :

grep -RilE "mot-clé|synonyme" ~/.claude/skills ~/.claude/plugins/marketplaces 2>/dev/null

Étape 3 - Rechercher dans les sources distantes

Utilisez les outils de recherche GitHub et web disponibles. Privilégiez les requêtes concises :

gh search repos "compétence claude code mot-clé" --limit 10 --sort stars
gh search code "name: mot-clé" --filename SKILL.md --limit 10

Pour la recherche web, utilisez au maximum trois requêtes ciblées telles que :

"compétence claude code" mot-clé
"SKILL.md" mot-clé
"everything-claude-code" mot-clé

Étape 4 - Vérifier les correspondances externes

Avant de recommander une compétence externe pour adoption ou fork :

  • Lisez le frontmatter et les instructions du SKILL.md.
  • Recherchez des commandes shell inattendues, des écritures de fichiers, des appels réseau, de la gestion d'identifiants ou des installations de paquets.
  • Vérifiez si le dépôt semble maintenu.
  • Privilégiez la copie dans une nouvelle branche locale et la révision du diff plutôt que la modification des originaux de la marketplace.

Étape 5 - Classer les résultats

Classez les candidats par :

  1. Correspondance exacte du mot-clé dans le nom de la compétence.
  2. Correspondance du mot-clé ou du synonyme dans la description.
  3. Source locale installée ou marketplace.
  4. Source GitHub maintenue avec activité récente.
  5. Mention web uniquement.

Limitez la liste finale à 10 résultats.

Étape 6 - Présenter les options de décision

Donnez à l'utilisateur un court tableau :

OptionSignification
Utiliser existanteInvoquer ou installer une compétence correspondante telle quelle.
Forker ou étendreCopier la compétence la plus proche et la modifier.
Créer de zéroConstruire une nouvelle compétence après avoir confirmé qu'aucune correspondance proche n'existe.

Ne créez une nouvelle compétence qu'après que l'utilisateur a choisi cette voie ou après que la recherche n'a trouvé aucune correspondance proche.

Exemples

Tableau de résultats

| # | Compétence | Source | Pourquoi elle correspond | Écart |
| --- | --- | --- | --- | --- |
| 1 | article-writing | ECC local | Rédige des articles et des guides | Non axé sur les notes de version |
| 2 | content-engine | ECC local | Workflow de contenu multi-format | Plus lourd que nécessaire |
| 3 | blog-writer | GitHub | Compétence d'écriture de blog avec commits récents | Nécessite une revue de sécurité |

Résumé pour l'utilisateur

J'ai trouvé deux correspondances locales proches et un candidat externe. La plus proche est
`article-writing` ; elle couvre la rédaction et la révision, mais elle n'inclut pas la liste de contrôle
de notes de version que vous avez demandée. Je peux soit l'utiliser telle quelle, la forker en une variante
pour notes de version, soit créer une compétence de zéro.

Anti-patrons

  • Ne sautez pas directement à la création d'une nouvelle compétence alors qu'une recherche est raisonnable.
  • N'installez pas de compétences externes sans les avoir lues d'abord.
  • Ne présentez pas une longue liste non classée de correspondances faibles.
  • Ne traitez pas les mentions web uniquement comme des sources fiables.
  • Ne modifiez pas les originaux installés de la marketplace sur place.

Associé

  • search-first - Workflow général de recherche avant construction.
  • skill-stocktake - Auditer les compétences installées pour la santé, les doublons et les lacunes.
  • agent-sort - Catégoriser et organiser les agents et compétences existants.

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