Communitygithub.com

classificador-ativador-ecc

Cria um plano de instalação ECC personalizado para um repositório específico, classificando skills, comandos, regras, ganchos e extras em buckets DIÁRIO vs BIBLIOTECA, usando múltiplas passagens de revisão paralelas aptas ao repositório. Use quando o ECC precisa ser reduzido ao que o projeto realmente necessita.

O que é classificador-ativador-ecc?

O Classificador-Ativador ECC (agent-sort) otimiza a instalação do Ecosystem Control Center (ECC) para projetos específicos, em vez de carregar todo o pacote padrão. Ele analisa o repositório atual em busca de evidências concretas — como extensões de arquivo, gerenciadores de pacotes, configurações de framework e pipelines de CI — e classifica cada componente ECC (skills, comandos, regras, ganchos e extras) em duas categorias: DIÁRIO (carregado em todas as sessões, fortemente alinhado com a stack do projeto) e BIBLIOTECA (mantido acessível, mas não carregado por padrão). O processo é dividido em até seis passagens de revisão paralelas — agentes, skills, comandos, regras, ganchos/scripts e extras — que podem ser executadas simultaneamente se houver subagentes disponíveis, ou sequencialmente caso contrário. Ele gera uma tabela de evidências, um plano de instalação, um relatório de verificação e, opcionalmente, um roteador de skills do tipo biblioteca, garantindo que cada decisão seja baseada em evidências reais do código, não em suposições. Suportado por sistemas que usam SKILL.md para definir componentes, como Claude Code ou ferramentas similares de orquestração de agentes.

Funciona com✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/agent-sort

Perguntar na sua IA favorita

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

Documentação

Agent Sort (Classificador-Ativador ECC)

Use esta skill quando um repositório precisar de uma superfície ECC específica do projeto, em vez da instalação completa padrão.

O objetivo não é adivinhar o que "parece útil." O objetivo é classificar componentes ECC com evidências do código real.

Quando Usar

  • Um projeto precisa apenas de um subconjunto do ECC e instalações completas são muito ruidosas
  • A stack do repositório está clara, mas ninguém quer selecionar skills manualmente uma por uma
  • Uma equipe quer uma decisão de instalação repetível, apoiada por evidências de grep, em vez de opinião
  • Você precisa separar superfícies de fluxo de trabalho diário (sempre carregadas) de superfícies de biblioteca/pesquisa
  • Um repositório se desviou para um conjunto errado de linguagem, regra ou gancho e precisa de limpeza

Regras Inegociáveis

  • Use o repositório atual como fonte da verdade, não preferências genéricas
  • Toda decisão DIÁRIO deve citar evidências concretas do repositório
  • BIBLIOTECA não significa "deletar"; significa "manter acessível sem carregar por padrão"
  • Não instale ganchos, regras ou scripts que o repositório atual não possa usar
  • Prefira superfícies nativas do ECC; não introduza um segundo sistema de instalação

Saídas

Produza estes artefatos em ordem:

  1. Inventário DIÁRIO
  2. Inventário BIBLIOTECA
  3. Plano de instalação
  4. Relatório de verificação
  5. Roteador skill-library opcional, se o projeto desejar um

Modelo de Classificação

Use apenas dois baldes:

  • DIÁRIO
    • deve carregar em toda sessão para este repositório
    • fortemente correspondente à linguagem, framework, fluxo de trabalho ou superfície do operador do repositório
  • BIBLIOTECA
    • útil manter, mas não vale carregar por padrão
    • deve permanecer acessível via pesquisa, skill de roteador ou uso manual seletivo

Fontes de Evidência

Use evidências locais do repositório antes de fazer qualquer classificação:

  • extensões de arquivo
  • gerenciadores de pacotes e arquivos de travamento
  • configurações de framework
  • configurações de CI e ganchos
  • scripts de build/teste
  • manifestos de importação e dependência
  • documentação do repositório que descreva explicitamente a stack

Comandos úteis incluem:

rg --files
rg -n "typescript|react|next|supabase|django|spring|flutter|swift"
cat package.json
cat pyproject.toml
cat Cargo.toml
cat pubspec.yaml
cat go.mod

Passagens de Revisão Paralelas

Se subagentes paralelos estiverem disponíveis, divida a revisão nestas passagens:

  1. Agentes
    • classificar agents/*
  2. Skills
    • classificar skills/*
  3. Comandos
    • classificar commands/*
  4. Regras
    • classificar rules/*
  5. Ganchos e Scripts
    • classificar superfícies de gancho, verificações de saúde MCP, scripts auxiliares e compatibilidade com SO
  6. Extras
    • classificar contextos, exemplos, configurações MCP, templates e documentos de orientação

Se subagentes não estiverem disponíveis, execute as mesmas passagens sequencialmente.

Fluxo de Trabalho Principal

1. Leia o repositório

Estabeleça a stack real antes de classificar qualquer coisa:

  • linguagens em uso
  • frameworks em uso
  • gerenciador de pacotes principal
  • stack de teste
  • stack de lint/format
  • superfície de implantação/execução
  • integrações de operador já presentes

2. Construa a tabela de evidências

Para cada superfície candidata, registre:

  • caminho do componente
  • tipo do componente
  • balde proposto
  • evidência do repositório
  • breve justificativa

Use este formato:

skills/frontend-patterns | skill | DIÁRIO | 84 arquivos .tsx, next.config.ts presente | stack frontend principal
skills/django-patterns   | skill | BIBLIOTECA | nenhum arquivo .py, nenhum pyproject.toml       | não ativo neste repositório
rules/typescript/*       | rules | DIÁRIO | package.json + tsconfig.json            | repositório TS ativo
rules/python/*           | rules | BIBLIOTECA | zero arquivos fonte Python             | manter acessível apenas

3. Decida DIÁRIO vs BIBLIOTECA

Promova para DIÁRIO quando:

  • o repositório usa claramente a stack correspondente
  • o componente é geral o suficiente para ajudar em toda sessão
  • o repositório já depende do runtime ou fluxo de trabalho correspondente

Rebaixe para BIBLIOTECA quando:

  • o componente está fora da stack
  • o repositório pode precisar dele depois, mas não todos os dias
  • ele adiciona sobrecarga de contexto sem relevância imediata

4. Construa o plano de instalação

Traduza a classificação em ação:

  • skills DIÁRIO -> instalar ou manter em .claude/skills/
  • comandos DIÁRIO -> manter apenas como shims explícitos, se ainda úteis
  • regras DIÁRIO -> instalar apenas conjuntos de linguagem correspondentes
  • ganchos/scripts DIÁRIO -> manter apenas os compatíveis
  • superfícies BIBLIOTECA -> manter acessíveis via pesquisa ou skill-library

Se o repositório já usa instalações seletivas, atualize esse plano em vez de criar outro sistema.

5. Crie o roteador de biblioteca opcional

Se o projeto desejar uma superfície de biblioteca pesquisável, crie:

  • .claude/skills/skill-library/SKILL.md

Esse roteador deve conter:

  • uma breve explicação sobre DIÁRIO vs BIBLIOTECA
  • palavras-chave de acionamento agrupadas
  • onde as referências da biblioteca estão armazenadas

Não duplique o corpo de cada skill dentro do roteador.

6. Verifique o resultado

Após o plano ser aplicado, verifique:

  • todo arquivo DIÁRIO existe onde esperado
  • regras de linguagem obsoletas não foram deixadas ativas
  • ganchos incompatíveis não foram instalados
  • a instalação resultante realmente corresponde à stack do repositório

Retorne um relatório compacto com:

  • contagem DIÁRIO
  • contagem BIBLIOTECA
  • superfícies obsoletas removidas
  • perguntas em aberto

Transferências

Se o próximo passo for instalação ou reparo interativo, transfira para:

  • configure-ecc

Se o próximo passo for limpeza de sobreposição ou revisão de catálogo, transfira para:

  • skill-stocktake

Se o próximo passo for poda de contexto mais ampla, transfira para:

  • strategic-compact

Formato de Saída

Retorne o resultado nesta ordem:

STACK
- resumo de linguagem/framework/runtime

DIÁRIO
- itens sempre carregados com evidências

BIBLIOTECA
- itens pesquisáveis/referência com evidências

PLANO DE INSTALAÇÃO
- o que deve ser instalado, removido ou roteado

VERIFICAÇÃO
- verificações executadas e lacunas restantes

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/content-engine

Create platform-native content systems for X, LinkedIn, TikTok, YouTube, newsletters, and repurposed multi-platform campaigns. Use when the user wants social posts, threads, scripts, content calendars, or one source asset adapted cleanly across platforms.

affaan-m/ECC

Multi-platform content distribution across X, LinkedIn, Threads, and Bluesky. Adapts content per platform using content-engine patterns. Never posts identical content cross-platform. Use when the user wants to distribute content across social platforms.

affaan-m/fal-ai-media

Unified media generation via fal.ai MCP — image, video, and audio. Covers text-to-image (Nano Banana), text/image-to-video (Seedance, Kling, Veo 3), text-to-speech (CSM-1B), and video-to-audio (ThinkSound). Use when the user wants to generate images, videos, or audio with AI.

affaan-m/manim-video

日本語翻訳:このファイルは manim-video 用の日本語翻訳が必要です

affaan-m/remotion-video-creation

Remotion のベストプラクティス - React で動画を作成する。3D、アニメーション、音声、字幕、チャート、トランジションなどをカバーするドメイン固有の29のルール。

affaan-m/video-editing

AI-assisted video editing workflows for cutting, structuring, and augmenting real footage. Covers the full pipeline from raw capture through FFmpeg, Remotion, ElevenLabs, fal.ai, and final polish in Descript or CapCut. Use when the user wants to edit video, cut footage, create vlogs, or build video content.

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.

agent-self-evaluation

Use after completing any non-trivial task. The agent self-rates its output on 5 axes — accuracy, completeness, clarity, actionability, conciseness — with concrete evidence per criterion. Produces a structured 1-5 scorecard with specific improvement suggestions.

ai-first-engineering

Engineering operating model for teams where AI agents generate a large share of implementation output. Use when setting team process, review gates, or ownership rules for a codebase largely written by agents.

ai-regression-testing

Regression testing strategies for AI-assisted development. Sandbox-mode API testing without database dependencies, automated bug-check workflows, and patterns to catch AI blind spots where the same model writes and reviews code. Use when adding regression coverage to AI-assisted code, or when the same model both wrote and reviewed a change.

android-clean-architecture

Clean Architecture patterns for Android and Kotlin Multiplatform projects — module structure, dependency rules, UseCases, Repositories, and data layer patterns. Use when structuring modules, layers, or data flow in an Android or KMP project.

angular-developer

Generates Angular code and provides architectural guidance. Trigger when creating projects, components, or services, or for best practices on reactivity (signals, linkedSignal, resource), forms, dependency injection, routing, SSR, accessibility (ARIA), animations, styling (component styles, Tailwind CSS), testing, or CLI tooling.

api-connector-builder

Build a new API connector or provider by matching the target repo

Habilidades Relacionadas