CommunityRédaction et éditiongithub.com

numekudi/engineering-ethics

Un harnais d'audit pour vérifier qu'un dépôt respecte réellement le code d'éthique du génie logiciel (IEEE-CS/ACM, v5.2) en lisant le code réel et en appliquant une vérification contradictoire.

Qu'est-ce que engineering-ethics ?

Ce skill transforme un assistant IA (comme Claude Code, Cursor, etc.) en un auditeur éthique impitoyable. Il inspecte le code source d'un dépôt, le confronte aux huit principes du Code d'éthique du génie logiciel IEEE-CS/ACM 5.2, détecte les motifs sombres, et produit une note chiffrée avec des preuves par fichier et ligne. Il exige une vérification contradictoire de chaque constat pour éviter le grandstanding éthique, et refuse de valider un audit s'il reste une seule critique de niveau critique. Le skill est conçu pour l'auto-évaluation de son propre dépôt, pas pour attaquer les autres. Il fournit un CLI en Node.js (sans dépendances) pour les étapes déterministes (scan, notation, génération de brouillon de tweet) et délègue les jugements aux agents IA.

Compatible avec✓Claude Code~Codex CLI~Cursor
npx skills add numekudi/engineering-ethics

Installed? Explore more Rédaction et édition skills: steipete/notion, langchain-ai/langchain, bytedance/podcast-generation · View all 6 →

Demander à votre IA préférée

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

Documentation

Harnais d'audit d'éthique du génie logiciel (ethics-audit)

Ce harnais vérifie qu'un dépôt respecte réellement le Code d'éthique du génie logiciel IEEE-CS/ACM (version 5.2) en lisant le code réel, en se référant aux éléments concrets et en procédant à une vérification contradictoire, puis lui attribue une note.

Philosophie (pourquoi cette procédure)

Comme le prévient la Golden Subroutine de la licence RINRI, le fait de clamer une éthique sans fondement concret (grandstanding éthique) est l'ennemi de l'audit. Ce harnais repose sur les règles de fer suivantes :

  • Juger après avoir lu le code — fondé sur la trace file:line, pas sur une impression.
  • Pouvoir attribuer une réussite ou un échec — pas un tampon en caoutchouc ; on peut aussi bien valider que rejeter.
  • Éliminer les faux positifs par la vérification — un agent contradictoire attaque chaque constat ; seuls ceux qui survivent sont confirmés.
  • L'intérêt public au centre — en cas de doute, trancher en se demandant « comment l'utilisateur le moins privilégié pourrait-il être lésé ? ».
  • Outil d'auto-évaluation — destiné à l'amélioration de son propre dépôt, pas à dénoncer les autres.

CLI (scripts déterministes)

Utiliser le fichier lib/cli.js (Node.js, zéro dépendance d'exécution) fourni avec ce skill. Ci-après <SKILL_DIR> est le répertoire contenant ce SKILL.md. Exemples d'exécution :

node <SKILL_DIR>/lib/cli.js scan <repo-path>                 # Détection de candidats (dark patterns, etc.)
node <SKILL_DIR>/lib/cli.js principles --principle N          # Fournit les éléments du principe N
node <SKILL_DIR>/lib/cli.js principles --item N.MM            # Consulte un élément unique
node <SKILL_DIR>/lib/cli.js score --input findings.json       # Note les constats confirmés
node <SKILL_DIR>/lib/cli.js tweet --input audit.json --label <nom>  # Génère un brouillon de partage

La sortie est en JSON par défaut (--format text pour un format lisible). Les erreurs sont envoyées sur stderr en JSON, avec exit 1.

Flux d'audit

Dans l'ordre numérique, la partie déterministe est confiée au CLI, la partie jugement aux agents IA. Si le chemin cible n'est pas spécifié, le dépôt courant est utilisé.

Étape 0 — Détermination du périmètre et collecte des candidats (d'abord lire le code)

  1. Parcourir la structure de fichiers du dépôt cible avec Glob/Read.
  2. Exécuter node <SKILL_DIR>/lib/cli.js scan <repo> pour obtenir des candidats (ScanCandidate[]). Ce ne sont pas des jugements, mais des candidats. Ils ne sont qu'un point de départ pour la suite.
  3. scan peut aussi correspondre au fichier de définition des règles lui-même (auto-référencement, faux positif). Juger en fonction du contenu réel du dépôt cible.

Étape 1 — Évaluation en étoile (répartition sur les 8 principes)

Lancer 4 à 5 agents d'évaluation en parallèle avec l'outil Agent. À chaque agent :

  • Fournir les éléments du principe qui lui est assigné via principles --principle N --format text (affectation recommandée : A = principes 1,3 / B = principes 2,6 / C = principes 4,5 / D = principes 7,8).
  • Lancer séparément un chasseur de dark patterns en lui fournissant le fichier 02-dark-patterns.md.
  • Donner les candidats de l'étape 0 et l'instruction de lire le code réel.
  • Référencer les critères d'évaluation via 01-principles.md et la grille de sévérité via 03-scoring-rubric.md.

Chaque agent retourne ses constats au format findings JSON. Un constat a la forme :

{"itemId":"3.12","severity":"high","file":"src/log.ts","line":5,
 "description":"…","evidence":"citation du code concerné","recommendation":"…","confirmed":false}

À ce stade, confirmed:false (non vérifié). Les preuves (file:line et evidence) sont obligatoires ; les accusations abstraites doivent être écartées.

Étape 2 — Vérification contradictoire (cœur anti-grandstanding)

Suivre le fichier 04-adversarial-verification.md : affecter un agent contradictoire à chaque constat. Celui-ci tente de RÉFUTER le constat en se basant sur : « a-t-on lu le code et le contexte ? S'agit-il de grandstanding ? En cas d'incertitude, réfuter ». Seuls les constats qui survivent sont marqués confirmed:true. La raison du rejet est également enregistrée.

Étape 3 — Notation déterministe

Écrire les constats confirmés dans un fichier JSON temporaire, puis exécuter node <SKILL_DIR>/lib/cli.js score --input <file> pour obtenir un AuditResult (score 0-100 par principe, score global pondéré, verdict). Le score est calculé de manière déterministe par le CLI (aucune subjectivité humaine).

Étape 4 — Rapport et brouillon de tweet

  1. Présenter un rapport en japonais (ou français si c'est la langue cible, mais ici on conserve la cohérence avec la description du skill ; dans cette version française, on peut choisir de présenter le rapport en français, mais le texte original étant en japonais, il est laissé en l'état pour le rapport technique, on traduira le commentaire) suivant le format 05-output-format.md (score global, verdict, tableau par principe, citations file:line des constats critiques avec proposition de correction, principales objections rejetées).
  2. Sauvegarder le JSON AuditResult, puis exécuter node <SKILL_DIR>/lib/cli.js tweet --input <audit.json> --label <nom du dépôt> --format text pour générer et présenter un brouillon de partage (texte + URL intent, #技術者倫理チェックskill).
  3. Préciser que le tweet est un partage des résultats de l'auto-audit de son propre dépôt. Ne pas l'utiliser pour dénoncer autrui (principes 6,8 / esprit RINRI).

Engagements de sortie

  • Chaque constat confirmé doit être accompagné de l'ID de l'article du code (ex. 3.12) et de la trace file:line.
  • Si un seul constat de criticité est présent, la mention « validé » n'est pas accordée (voir 03-scoring-rubric.md).
  • L'audit est destiné à votre propre dépôt. Ne pas l'utiliser pour noter et publier unilatéralement le dépôt d'un tiers.

Voir aussi

  • La connaissance du texte du code est accessible via le skill engineering-ethics (même dépôt).

Skills associés