Communitygithub.com

aceitação-contrato

Transforme um briefing de cliente, pacote zip, diretório ou arquivo de requisitos único em um pacote de contrato de aceitação tipado com requisitos extraídos, verificações de aceitação, perguntas em aberto, um rascunho de meta imutável e um relatório de decisão baseado em create-report. Use quando o usuário disser contrato de aceitação, briefing para requisitos, congelar a meta, criar meta imutável, alterar meta imutável, construir pacote de requisitos Battle, ou extrair requisitos deste pacote.

O que é aceitação-contrato?

Este skill automatiza a transformação de briefings de clientes, tickets, e-mails, READMEs, pacotes zip ou diretórios de especificação em um contrato de aceitação executável e tipado. Ele gera um pacote estruturado contendo `acceptance_bundle.json` (verdade absoluta validada por pydantic), `acceptance_report.json` e `acceptance_report.md` (relatório de decisão), além de um rascunho de meta imutável (`IMMUTABLE_GOAL.draft.md`). O principal comando, `ensure`, atua como um guardião mecânico: ele valida a integridade do contrato existente, extrai automaticamente um novo se ausente, e falha de forma segura se a fonte fornecida tiver mudado desde que o contrato foi congelado. Um medidor de progresso (`acceptance_contract.progress.v1`) informa a porcentagem concluída, verificações pendentes e próximos passos, garantindo que a implementação só comece quando o status for PASS. O skill suporta modos de meta (criar, alterar ou nenhum) e recusa raízes de repositório por padrão para evitar que arquivos de implementação se tornem a fonte de aceitação. Para briefings de alto risco, uma revisão adicional com WebGPT pode ser acionada. Ideal para uso com ferramentas como Claude Code, Cursor ou Codex, garantindo que os requisitos sejam claros, rastreáveis e acordados antes da implementação.

Funciona com~Claude Code~Codex CLI~Cursor✓Antigravity
npx skills add https://github.com/grahama1970/agent-skills/tree/main/skills/acceptance-contract

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

contrato de aceitação

Use isto antes da implementação quando um briefing, ticket, e-mail, README, pacote zip ou pacote de evidências precisar se tornar critérios de aceitação executáveis.

Primeiro comando para trabalho de implementação:

skills/acceptance-contract/run.sh ensure <zip|diretorio|arquivo> \
  --out /tmp/acceptance-contract \
  --project-name oai-trial \
  --goal-mode create

ensure é o guardião mecânico: ele valida um pacote acceptance_bundle.json existente, extrai automaticamente um quando ausente e falha de forma segura quando o pacote fonte fornecido mudou desde que o contrato congelado foi escrito. Seu recibo JSON inclui um medidor acceptance_contract.progress.v1 com percent, checks, outstanding, e next_steps. Não implemente a partir de um briefing até que ensure retorne status=PASS e o medidor de progresso indique o que resta.

Passe o briefing do cliente, pacote zip ou diretório de especificação deliberadamente preparado como entrada. A CLI recusa raízes de repositório por padrão para que arquivos de implementação não possam se tornar silenciosamente a fonte de aceitação. Use --allow-repo apenas quando o humano solicitar explicitamente um contrato para todo o repositório.

Para briefings de clientes de alto risco, execute uma revisão de segunda linha com $ask no briefing/zip mais o acceptance_bundle.json antes da implementação. Inclua WebGPT como um revisor quando disponível. Pergunte claramente: "Estes requisitos do contrato estão corretos, e perdemos algo?" Exija que os revisores verifiquem se alguma obrigação do cliente está faltando no contrato congelado, especialmente classes de representação, valores tipados, condições de contorno e modos de falha desqualificantes. A revisão é evidência consultiva; portões determinísticos ainda possuem PASS/FAIL. A revisão do oai-trial descobriu que a cobertura escalar tipada também deve exigir equivalência canônica: strings de política formatadas, escalares numéricos apenas com dígitos, formas decimais, notação científica e valores numéricos do SQLite não podem ser universos de aceitação separados.

O que faz

skills/acceptance-contract/run.sh extract <zip|diretorio|arquivo> \
  --out /tmp/acceptance-contract \
  --project-name oai-trial \
  --goal-mode create

Saídas:

  • acceptance_bundle.json — verdade absoluta validada por pydantic
  • acceptance_report.json — JSON create_report.report.v1
  • acceptance_report.md — renderizado através de $create-report
  • IMMUTABLE_GOAL.draft.md — texto de rascunho de meta ou proposta de alteração

Comandos:

  • extract sempre escreve um novo pacote/relatório rascunho a partir da fonte fornecida.
  • ensure valida ou cria o pacote congelado e rejeita hashes de fonte desatualizados.
  • validate valida apenas um acceptance_bundle.json existente e imprime o medidor de progresso.
  • status lê um acceptance_bundle.json existente e imprime apenas o medidor de progresso legível por máquina.

Política de meta

O comportamento padrão é rascunho, não mutar.

  • --goal-mode create escreve um novo rascunho de meta imutável.
  • --goal-mode amend escreve uma proposta de alteração, não uma edição silenciosa.
  • --goal-mode none extrai requisitos sem texto de meta.

Uma meta imutável real deve ser criada ou alterada somente após aprovação humana. Essa regra existe porque o oai-trial falhou quando testes definidos pela implementação substituíram o briefing do cliente.

Limite

Este skill extrai requisitos claros e baseados na fonte a partir de arquivos locais fornecidos. Ele não afirma que o contrato extraído está completo quando o pacote fonte é ambíguo. Ambiguidade se torna open_questions[] e um relatório de Necessita Alterações. Ele recusa raízes de repositório por padrão porque o oai-trial falhou quando verificações em forma de código substituíram o briefing entregue.

Para Battle, passe o acceptance_bundle.json resultante como o acceptance_floor da arena e mapeie cada acceptance_cases[].id para um ou mais IDs de caso gerador no perfil da campanha Battle, em required_case_ids. Esses casos mapeados são o piso do contrato que deve passar antes que ataques de fuzz ou além do contrato possam ser creditados. Não faça Battle inventar os requisitos.

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

grahama1970/agent-ecosystem

Canonical map and shared contracts for the agent-governance ecosystem: the pi.receipt_envelope.v1 boundary envelope, the component graph, and the rules for which component owns which schema. Use when wiring a skill or extension into the shared receipt world, when asking how shame, triage-error, tau, ask, project-watchdog, ops-herdr, ponytail, and Memory fit together, or when validating an envelope.

grahama1970/agentic-evals

Agentic evaluation of skills using multi-trial fixtures, deterministic command assertions, trajectory checks, safety constraints, and evidence-backed readiness scoring. Use when users ask for agentic evals, multi-trial skill evaluation, skill trajectory validation, or readiness scoring for a skill workflow.

grahama1970/agent-inbox

File-based inter-agent messaging with headless dispatch. Check inbox, send bugs/requests to other projects, automatically spawn headless agents to fix bugs, and track progress via task-monitor.

grahama1970/agents-registry

Generate and query the centralized agent identity registry. Scans .pi/agents/*/AGENTS.md, parses frontmatter, outputs agents-registry.json and optionally syncs to /memory for semantic search.

grahama1970/agent-status

Artifact-driven status surfaces for long-running project-agent work. Maintains status.json, events.jsonl, proof manifests, and a stale-aware STATUS.html so humans can tell where the agent is, what passed, what is still unproven, and what decision or action is next — without dashboard theater.

grahama1970/align

Round-based context alignment before execution. Use when the human, project agent, WebGPT, scillm, ask, dogpile, memory, or project-knowledge may each hold different facts about a task; especially before ambiguous design, infographic, product workflow, high-stakes implementation, plan-iterate, project-infographic, or multi-review work.

grahama1970/analytics

Flexible data science analytics for any dataset. Auto-discovers schema, recommends charts, exports to create-figure. Works with JSONL, JSON, CSV from any source.

grahama1970/analyze-chatterbox-emotions

Evaluate generated Chatterbox voice files as voice-quality artifacts: affect match, arousal/valence proxies, pause placement, intelligibility inputs, clipping, loudness, and discontinuity flags. Use when reviewing Chatterbox emotional tags, pauses, Turbo/base affect delivery, Persona Dream utterance renders, or whether generated speech matches an intended product-facing affect.

grahama1970/analyze-elf

Reverse-engineer features from ELF binaries. Extracts CLI commands, state machines, protocols, Zod schemas, and data models. Automatically generates a /create-walkthrough prosecution brief with Mermaid diagrams. Uses /treesitter for AST analysis of bundled JS/TS source.

grahama1970/animation-vocabulary

Reverse-lookup glossary that turns a vague description of a web animation or motion effect into its exact term ("the bouncy thing when a popover opens" → Pop in; "the iOS rubber-band scroll" → Rubber-banding). Use when the user asks "what's it called when…", or describes a motion effect without knowing its name and wants the right word to prompt an AI or designer with. For naming an effect, not designing or building one.

grahama1970/anonymize-data

Anonymize supported CSV, JSON, UTF-8 text, and SQLite files using an explicit policy through the oai-trial project. Use for anonymize data, pseudonymize exports, redact policy literals, or discover and explicitly approve fuzzy name aliases. The skill is a thin CLI/Docker interface, not another engine.

grahama1970/anvil

Heavy-duty "No-Vibes" debugging and hardening orchestrator. Use this for complex, stubborn bugs where `review-code` has failed, or for "Red Teaming" (hardening) a codebase. Runs multiple agents in parallel (Thunderdome) using git worktree isolation.

grahama1970/apple-design

Apple's approach to interface design and fluid, physical motion, translated for the web. Use when building or reviewing gesture-driven UI, spring animations, drag/swipe/sheet interactions, momentum and interruptible transitions, translucent materials and depth, typography (optical sizing, tracking, leading), reduced-motion, or the design foundations (feedback, spatial consistency, restraint) behind Apple-style interfaces.

grahama1970/argue

Multi-persona structured debate orchestrator. Personas research via /dogpile, consult colleagues via /ask, and argue toward nuanced synthesis on complex questions.

grahama1970/arxiv

Search arXiv for papers and extract knowledge into memory. Use `search` to find papers, `learn` to extract knowledge.

grahama1970/ask

Use when the user asks to query project memory, ask an oracle, use supported browser-backed reviewers, run Tau roundtable/single-handler workflows, ask Pi-native subagents from within Pi, run persona/deep-review workflows, generate image prompts, check OS/project health through composed skills, or run an ask DAG. This skill is the executable /ask runtime; do not replace it with an informal subagent, plain web search, or hand-written review; inside Pi, explicit Pi-native subagent targets are routed through the pi-subagents tool as an Ask target type.

grahama1970/assess

Step back and critically reassess project state. Use when asked to "assess", "step back", "fresh eyes", "check alignment", "sanity check", "health check", "prune documentation", or "evaluate what's working". Offers documentation pruning and doc-code alignment analysis. Offer to run after major changes (don't auto-run).

grahama1970/assistant

Shared GPT + classifier inference gateway for persona monitor tasks. Routes validation and classification through a 4-tier cascade: heuristic → classifier → local GPT → scillm.

grahama1970/assistant-lab

Self-improvement workbench for /assistant. All the tools needed to diagnose, train, evaluate, and promote models in a continuous loop. The "warm pond" where /assistant evolves its own inference stack.

grahama1970/batch-quality

Pre-flight validation and quality gates for batch LLM operations. ACTUALLY tests samples through LLM before burning tokens. Uses SPARTA contracts for DuckDB validation queries. Integrates with task-monitor for enforced quality gates.

Habilidades Relacionadas