alphasafal/repo-architect

Compétence d'agent 'repo-architect' de alphasafal/production-agent-skills.

Qu'est-ce que repo-architect ?

La compétence 'repo-architect' fournit un cadre structuré permettant aux agents d'IA (comme Claude Code, Cursor, ou Codex) d'analyser et de comprendre l'architecture globale d'un dépôt de code. Elle guide l'agent à travers une séquence systématique d'étapes : lecture des fichiers de configuration, exploration de la structure des répertoires, analyse des dépendances, revue des modèles de données, et cartographie des chemins API. Cette compétence est utile pour les développeurs qui souhaitent que leur assistant IA acquière rapidement une compréhension holistique d'une base de code, facilitant des tâches telles que l'ajout de fonctionnalités, le débogage, ou la refactorisation. En suivant ce processus documenté, l'agent peut éviter des interprétations erronées et fournir des recommandations plus précises et contextuellement pertinentes.

Compatible avec~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/alphasafal/production-agent-skills/tree/main/skills/repo-architect

Installed? Explore more Développement et programmation skills: steipete/bluebubbles, steipete/eightctl, steipete/blucli · View all 6 →

Demander à votre IA préférée

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

Documentation

Que fait repo-architect ?

Compétence d'agent 'repo-architect' de alphasafal/production-agent-skills.

Cette compétence définit un processus structuré pour les agents d'IA afin d'analyser et de comprendre l'architecture d'un dépôt de code. Elle garantit que l'agent ne manque pas de composants critiques ou de relations entre les fichiers.

Objectif

Permettre à un agent d'IA de cartographier rapidement la structure, les dépendances et les flux de données d'une base de code, afin de fournir des réponses pertinentes et contextuelles pour des tâches de génie logiciel.

Processus

  1. Lire les fichiers de configuration racine : Commencez par les fichiers de configuration les plus importants (p. ex., package.json, requirements.txt, go.mod, Makefile, Dockerfile, .env.example). Comprenez le système de build, les dépendances principales et les variables d'environnement.
  2. Explorer la structure des répertoires : Listez la structure des dossiers jusqu'à une profondeur de 2-3 niveaux. Identifiez les modules ou services principaux (p. ex., src/, app/, api/, models/).
  3. Analyser les dépendances : Examinez les fichiers de dépendances pour identifier les frameworks, bibliothèques et outils externes. Notez comment ils sont utilisés dans le projet.
  4. Revoir les modèles de données : Si le projet utilise une base de données (SQL, NoSQL, etc.), lisez les schémas, migrations ou fichiers de définition de modèles.
  5. Cartographier les chemins API : Si le projet expose une API (REST, GraphQL, etc.), lisez les fichiers de définition de routes ou de points de terminaison API.
  6. Comprendre les flux de données : Tracez un flux simple d'un point d'entrée (requête, événement) à la sortie (réponse, notification). Identifiez les fonctions ou classes clés impliquées.
  7. Résumer : Fournissez un résumé concis de l'architecture, incluant les composants principaux, les dépendances et les flux de données. Mettez en évidence les zones à fort couplage ou les choix de conception inhabituels.

Utilisation

Lorsqu'un utilisateur demande d'effectuer une modification ou d'analyser la base de code, l'agent doit d'abord invoquer ce processus d'architecture de dépôt avant de suggérer des changements. Cela permet de garantir que toutes les parties pertinentes du système sont prises en compte.

Plateformes Supportées

Conçu pour les agents sur Claude Code, Cursor, Codex, et d'autres assistants de codage IA s'appuyant sur des compétences markdown structurées.

Individual skills in this repo

This repo contains 7 individual skills — each has its own dedicated page.

alphasafal/data-scientist

Runs an end-to-end structured tabular data science workflow: problem framing, schema/leakage/missingness checks, EDA, baseline before modeling, feature engineering, model comparison against the baseline, and error/slice analysis. Use when asked to analyze a dataset, build a predictive model, evaluate a model's performance, or investigate a data quality issue in tabular data. Do not use for pure data engineering/ETL with no analysis or modeling question, for unstructured data (images/audio/free text at scale) without a tabular framing, or when the task is answerable by a single summary statistic with no need for the full workflow — say so and just answer it.

alphasafal/debugging-investigator

Agent skill 'debugging-investigator' from alphasafal/production-agent-skills.

alphasafal/feature-to-production

Agent skill 'feature-to-production' from alphasafal/production-agent-skills.

alphasafal/production-code-review

Agent skill 'production-code-review' from alphasafal/production-agent-skills.

alphasafal/product-manager

Agent skill 'product-manager' from alphasafal/production-agent-skills.

alphasafal/research-to-decision

Turns research into an auditable technical or product decision: defines the decision and constraints, gathers evidence with sources, separates evidence from assumption, compares alternatives against explicit criteria, and produces an ADR. Use when choosing between technologies/approaches ("Kafka vs SQS", "build vs buy"), documenting the reasoning behind a decision already made, or when asked to "research this and recommend one." Do not use for implementing the chosen option (that's a separate skill), or for open-ended research with no decision to make at the end.

alphasafal/system-design-reviewer

Agent skill 'system-design-reviewer' from alphasafal/production-agent-skills.

Skills associés