Que fait AI-Code-Health-Review ?
Une compétence Codex basée sur des preuves pour examiner le code, les différences, les dépôts, les tests, les dépendances, l'IC/CD, la configuration de l'infrastructure et les rapports d'analyse générés par machine.
Une compétence Codex basée sur des preuves pour examiner le code, les différences, les dépôts, les tests, les dépendances, l'IC/CD, la configuration de l'infrastructure et les rapports d'analyse générés par machine.
Cette compétence pour Codex (et assistants IA similaires) permet une revue complète et rigoureuse de code, de diffs, de dépôts entiers, de suites de tests, de dépendances, de pipelines d'intégration et de déploiement continus (IC/CD), ainsi que de configurations d'infrastructure. Elle est conçue pour les développeurs et ingénieurs logiciels qui souhaitent automatiser et standardiser les processus de revue technique, en s'appuyant sur des preuves tangibles plutôt que sur des impressions subjectives. La compétence analyse les fichiers de code source, les fichiers de configuration, les rapports générés par des outils d'analyse statique ou de linting, et peut même examiner des rapports de sécurité ou de performance. Son utilité principale est de détecter les problèmes potentiels, les violations de bonnes pratiques, les vulnérabilités, et les incohérences architecturales avant qu'ils n'atteignent la production, le tout avec une approche systématique et documentée. Le fonctionnement se base sur l'injection de fichiers ou de contextes dans la conversation avec l'IA, qui applique ensuite un ensemble de règles et de critères issus du guide SKILL.md pour générer un rapport structuré et exploitable.
npx skills add Marstlantis/AI-Code-Health-ReviewInstalled? Explore more Recherche et analyse de données skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
Une compétence Codex basée sur des preuves pour examiner le code, les différences, les dépôts, les tests, les dépendances, l'IC/CD, la configuration de l'infrastructure et les rapports d'analyse générés par machine.
USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.
Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.
Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.
The agent harness performance optimization system. Skills, instincts, memory, security, and research-first development for Claude Code, Codex, Opencode, Cursor and beyond.
Agent skill repository discovered by 10x-chat research.
Review backend code for quality, security, maintainability, and best practices based on established checklist rules. Use when the user requests a review, analysis, or improvement of backend files (e.g., `.py`) under the `api/` directory. Do NOT use for frontend files (e.g., `.tsx`, `.ts`, `.js`). Supports pending-change review, code snippets review, and file-focused review.