Communitygithub.com

Automation Audit Ops

Workflow d'audit et d'inventaire des automatisations basé sur des preuves pour ECC. Utilisez-le lorsque l'utilisateur souhaite connaître les jobs, hooks, connecteurs, serveurs MCP ou wrappers actifs, cassés, redondants ou manquants avant de corriger quoi que ce soit.

Qu'est-ce que Automation Audit Ops ?

Ce skill réalise un inventaire complet des automatisations actives dans un projet ECC, en se concentrant sur les preuves concrètes. Il identifie les jobs, hooks, connecteurs, serveurs MCP et wrappers, les classe par état (configuré, authentifié, récemment vérifié, obsolète ou cassé, manquant) et détecte les redondances ou les capacités manquantes. L'audit produit des recommandations claires (keep / merge / cut / fix-next) pour réduire le bruit et unifier les automatisations. Il s'appuie sur d'autres skills ECC comme workspace-surface-audit, knowledge-ops et github-ops pour croiser les sources de vérité et garantir une preuve solide pour chaque affirmation.

Compatible avec~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/everything-claude-code/tree/main/skills/automation-audit-ops

Demander à votre IA préférée

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

Documentation

Que fait Automation Audit Ops ?

Utilisez ceci lorsque l'utilisateur demande quelles automatisations sont actives, quels jobs sont cassés, où se trouvent les chevauchements, ou quels outils et connecteurs effectuent actuellement un travail utile.

Il s'agit d'un skill de type audit-first. Le travail consiste à produire un inventaire basé sur des preuves et un ensemble de recommandations (keep / merge / cut / fix-next) avant toute réécriture.

Stack de compétences

Intégrez ces skills natifs ECC dans le workflow si nécessaire :

  • workspace-surface-audit pour l'inventaire des connecteurs, MCP, hooks et applications
  • knowledge-ops lorsque l'audit doit concilier la vérité du dépôt en direct avec le contexte durable
  • github-ops lorsque la réponse dépend de l'CI, des workflows planifiés, des issues ou de l'automatisation des PR
  • ecc-tools-cost-audit lorsque le vrai problème est le fanout des webhooks, les jobs en file d'attente ou la consommation de facturation dans le dépôt d'application sœur
  • research-ops lorsque l'inventaire local doit être comparé au support actuel de la plateforme ou à la documentation publique
  • verification-loop pour prouver l'état après correction au lieu de se fier à une récupération supposée

Quand l'utiliser

  • l'utilisateur demande "quelles automatisations j'ai", "qu'est-ce qui est actif", "qu'est-ce qui est cassé" ou "qu'est-ce qui se chevauche"
  • la tâche couvre les tâches cron, les actions GitHub, les hooks locaux, les serveurs MCP, les connecteurs, les wrappers ou les intégrations d'applications
  • l'utilisateur veut savoir ce qui a été porté depuis un autre système d'agent et ce qui doit encore être reconstruit dans ECC
  • l'espace de travail a accumulé plusieurs façons de faire la même chose et l'utilisateur veut une seule voie canonique

Garde-fous

  • commencez en lecture seule sauf si l'utilisateur a explicitement demandé des corrections
  • séparez :
    • configuré
    • authentifié
    • récemment vérifié
    • obsolète ou cassé
    • manquant totalement
  • ne prétendez pas qu'un outil est actif simplement parce qu'un skill ou une configuration le référence
  • ne fusionnez pas et ne supprimez pas de surfaces qui se chevauchent tant que le tableau des preuves n'existe pas

Workflow

1. Inventaire de la surface réelle

Lisez la surface active en direct avant de théoriser :

  • hooks de dépôt et scripts de hooks locaux
  • Actions GitHub et workflows planifiés
  • configurations MCP et serveurs activés
  • intégrations basées sur des connecteurs ou des applications
  • scripts wrapper et points d'entrée d'automatisation spécifiques au dépôt

Regroupez-les par surface :

  • runtime local
  • CI / automatisation du dépôt
  • systèmes externes connectés
  • messagerie / notifications
  • facturation / opérations client
  • recherche / surveillance

2. Classer chaque élément par état actif

Pour chaque automatisation détectée, marquez :

  • configuré
  • authentifié
  • récemment vérifié
  • obsolète ou cassé
  • manquant

Classez ensuite le type de problème :

  • panne active
  • panne d'authentification
  • état obsolète
  • chevauchement ou redondance
  • capacité manquante

3. Tracer le chemin de preuve

Étayez chaque affirmation importante par une source concrète :

  • chemin de fichier
  • exécution de workflow
  • journal de hook
  • entrée de configuration
  • sortie de commande récente
  • signature exacte de l'échec

Si l'état actuel est ambigu, dites-le directement au lieu de prétendre que l'audit est complet.

4. Terminer par keep / merge / cut / fix-next

Pour chaque surface qui se chevauche ou suspecte, renvoyez une action :

  • keep
  • merge
  • cut
  • fix next

La valeur réside dans la réduction du bruit des automatisations pour une seule voie canonique ECC, pas dans la préservation de chaque chemin historique.

Format de sortie

CURRENT SURFACE
- automation
- source
- live state
- proof

FINDINGS
- active breakage
- overlap
- stale status
- missing capability

RECOMMENDATION
- keep
- merge
- cut
- fix next

NEXT ECC MOVE
- exact skill / hook / workflow / app lane to strengthen

Pièges

  • ne répondez pas de mémoire lorsque l'inventaire en direct peut être lu
  • ne traitez pas "présent dans la config" comme "fonctionnel"
  • ne corrigez pas une redondance de faible valeur avant d'avoir nommé le chemin cassé à haute signalisation
  • n'élargissez pas la tâche en une réécriture du dépôt si l'utilisateur a d'abord demandé un inventaire

Vérification

  • les affirmations importantes citent un chemin de preuve en direct
  • chaque automatisation détectée est étiquetée avec une catégorie d'état actif claire
  • la recommandation finale distingue keep / merge / cut / fix-next

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/claude-api

Anthropic Claude API patterns for Python and TypeScript. Covers Messages API, streaming, tool use, vision, extended thinking, batches, prompt caching, and Claude Agent SDK. Use when building applications with the Claude API or Anthropic SDKs.

affaan-m/everything-claude-code

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/everything-claude-code

End-to-end marketing campaign planning and execution. Covers audience research, positioning, campaign angle definition, landing page copy, email sequences, social posts, ad copy, short-form video scripts, and content calendars. Use as the orchestration layer for multi-channel product launches. Use when planning or executing a multi-channel product launch, or producing landing page, email, social, or ad copy.

affaan-m/everything-claude-code-conventions

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/frontend-design

Create distinctive, production-grade frontend interfaces with high design quality. Use when the user asks to build web components, pages, or applications and the visual direction matters as much as the code quality.

affaan-m/gget

gget CLI and Python workflow for quick genomic database queries, sequence lookup, BLAST-style searches, enrichment checks, and reproducible bioinformatics evidence logs.

affaan-m/literature-review

Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.

affaan-m/motion-ui

Production-ready UI motion system for React/Next.js. Use when implementing animations, transitions, or motion patterns.

affaan-m/project-guidelines-example

Example project-specific skill template based on a real production application.

affaan-m/pubmed-database

Direct PubMed and NCBI E-utilities search workflows for biomedical literature, MeSH queries, PMID lookup, citation retrieval, and API-backed literature monitoring.

affaan-m/scholar-evaluation

Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.

affaan-m/uspto-database

USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.

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.

Skills associés