Communitygithub.com

Automação e Auditoria de Operações

Inventário de automação baseado em evidências e fluxo de auditoria de sobreposição para ECC. Use quando o usuário quiser saber quais jobs, hooks, conectores, servidores MCP ou wrappers estão ativos, quebrados, redundantes ou ausentes antes de consertar qualquer coisa.

O que é Automação e Auditoria de Operações?

Esta skill é projetada para auditoria de automação baseada em evidências, focada em produzir um inventário completo e recomendações acionáveis antes de qualquer modificação. Ela ajuda a identificar jobs ativos, quebrados, redundantes ou ausentes, separando claramente o que está configurado, autenticado, verificado recentemente, desatualizado ou quebrado. A skill suporta plataformas ECC e integra-se com skills nativas como `workspace-surface-audit`, `knowledge-ops`, `github-ops` e `ecc-tools-cost-audit` para reconciliar inventários locais com contexto durável e CI. O fluxo de trabalho começa com uma leitura somente leitura, classifica cada item por estado ao vivo, rastreia caminhos de prova concretos e termina com recomendações claras de manter, mesclar, cortar ou corrigir em seguida. É útil para desenvolvedores que precisam de um panorama preciso de suas automações antes de otimizar ou refatorar, evitando suposições baseadas em configurações desatualizadas.

Funciona com~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/automation-audit-ops

Perguntar na sua IA favorita

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

Documentação

Operações de Auditoria de Automação

Use isso quando o usuário perguntar quais automações estão ativas, quais jobs estão quebrados, onde existe sobreposição ou quais ferramentas e conectores estão realmente realizando trabalho útil agora.

Esta é uma skill operacional com foco em auditoria. O trabalho é produzir um inventário baseado em evidências e um conjunto de recomendações manter / mesclar / cortar / corrigir em seguida antes de reescrever qualquer coisa.

Stack de Skills

Puxe estas skills nativas do ECC para o fluxo de trabalho quando relevante:

  • workspace-surface-audit para inventário de conectores, MCP, hooks e aplicativos
  • knowledge-ops quando a auditoria precisar reconciliar a verdade do repositório ativo com o contexto durável
  • github-ops quando a resposta depender de CI, workflows agendados, issues ou automação de PRs
  • ecc-tools-cost-audit quando o problema real for fanout de webhooks, jobs em fila ou queima de faturamento no repositório de aplicativo irmão
  • research-ops quando o inventário local precisar ser comparado com o suporte atual da plataforma ou documentação pública
  • verification-loop para provar o estado pós-correção em vez de confiar em recuperação presumida

Quando Usar

  • o usuário pergunta "quais automações eu tenho", "o que está ativo", "o que está quebrado" ou "o que se sobrepõe"
  • a tarefa abrange jobs cron, GitHub Actions, hooks locais, servidores MCP, conectores, wrappers ou integrações de aplicativos
  • o usuário quer saber o que foi portado de outro sistema de agente e o que ainda precisa ser reconstruído dentro do ECC
  • o workspace acumulou várias maneiras de fazer a mesma coisa e o usuário quer uma via canônica

Diretrizes

  • comece somente leitura, a menos que o usuário tenha explicitamente solicitado correções
  • separe:
    • configurado
    • autenticado
    • verificado recentemente
    • desatualizado ou quebrado
    • ausente completamente
  • não afirme que uma ferramenta está ativa só porque uma skill ou configuração a referencia
  • não mescle ou exclua superfícies sobrepostas até que a tabela de evidências exista

Fluxo de Trabalho

1. Inventariar a superfície real

Leia a superfície ativa atual antes de teorizar:

  • hooks do repositório e scripts de hook locais
  • GitHub Actions e workflows agendados
  • configurações MCP e servidores habilitados
  • integrações baseadas em conectores ou aplicativos
  • scripts wrapper e pontos de entrada de automação específicos do repositório

Agrupe-os por superfície:

  • runtime local
  • CI / automação do repositório
  • sistemas externos conectados
  • mensagens / notificações
  • operações de faturamento / cliente
  • pesquisa / monitoramento

2. Classificar cada item por estado ativo

Para cada automação levantada, marque:

  • configurado
  • autenticado
  • verificado recentemente
  • desatualizado ou quebrado
  • ausente

Em seguida, classifique o tipo de problema:

  • quebra ativa
  • falha de autenticação
  • status desatualizado
  • sobreposição ou redundância
  • capacidade ausente

3. Rastrear o caminho de prova

Apoie cada afirmação importante com uma fonte concreta:

  • caminho de arquivo
  • execução de workflow
  • log de hook
  • entrada de configuração
  • saída de comando recente
  • assinatura exata de falha

Se o estado atual for ambíguo, diga diretamente em vez de fingir que a auditoria está completa.

4. Finalizar com manter / mesclar / cortar / corrigir em seguida

Para cada superfície sobreposta ou suspeita, retorne uma ação:

  • manter
  • mesclar
  • cortar
  • corrigir em seguida

O valor está em colapsar automação ruidosa em uma via canônica do ECC, não em preservar todo caminho histórico.

Formato de Saída

SUPERFÍCIE ATUAL
- automação
- origem
- estado ativo
- prova

DESCOBERTAS
- quebra ativa
- sobreposição
- status desatualizado
- capacidade ausente

RECOMENDAÇÃO
- manter
- mesclar
- cortar
- corrigir em seguida

PRÓXIMA AÇÃO DO ECC
- skill / hook / workflow / app lane exato(a) a fortalecer

Armadilhas

  • não responda de memória quando o inventário ativo puder ser lido
  • não trate "presente na configuração" como "funcionando"
  • não corrija redundância de baixo valor antes de nomear o caminho de alto sinal quebrado
  • não amplie a tarefa para uma reescrita do repositório se o usuário pediu inventário primeiro

Verificação

  • afirmações importantes citam um caminho de prova ativo
  • cada automação levantada é rotulada com uma categoria clara de estado ativo
  • a recomendação final distingue manter / mesclar / cortar / corrigir em seguida

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.

agent-sort

Build an evidence-backed ECC install plan for a specific repo by sorting skills, commands, rules, hooks, and extras into DAILY vs LIBRARY buckets using parallel repo-aware review passes. Use when ECC should be trimmed to what a project actually needs instead of loading the full bundle.

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.

Habilidades Relacionadas