Communitygithub.com

delivery-gate

Hook de parada que impede Claude de concluir o trabalho até que verificações de qualidade sejam aprovadas. Detecta padrões de racionalização (heurísticas de texto superficiais), logs de aprendizado desatualizados (mtime do sistema de arquivos) e espaço em disco baixo. Complementa o self-audit impondo mecanicamente hábitos de captura de aprendizado. Use quando for necessário bloquear mecanicamente Claude de declarar o trabalho concluído antes que as verificações de qualidade e captura de aprendizado realmente passem.

O que é delivery-gate?

O delivery-gate é um hook de parada (Stop hook) para o Claude Code que aplica verificações determinísticas — timestamps de modificação de arquivos, uso de disco e padrões de regex no texto do transcript — para bloquear o agente de finalizar uma sessão antes que condições mecânicas de qualidade sejam atendidas. Ele não usa inferência de IA, apenas fatos verificáveis por máquina. O propósito principal é garantir que, em tarefas complexas (definidas por um número mínimo de edições/escritas), os arquivos da biblioteca de aprendizado (como growth-log e decisions/log.md) tenham sido atualizados no mesmo dia, prevenindo o hábito de "entregar e esquecer" onde o conhecimento não é capturado. Além disso, o hook monitora espaço em disco, emitindo avisos abaixo de 50 GB e bloqueando a execução abaixo de 15 GB. A detecção de racionalização (padrões como "skip tests for now") gera apenas aviso, nunca bloqueio, devido ao risco de falsos positivos. A saída padrão é `exit 0` para sucesso, `exit 1` para aviso e `exit 2` para bloqueio (com mensagem descritiva em stderr). Suporta Python 3.8+ e é multiplataforma (Windows, macOS, Linux) com dependência zero além da stdlib.

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

Perguntar na sua IA favorita

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

Documentação

Delivery Gate — Portão Mecânico de Qualidade para Claude Code

Um hook de parada que verifica três coisas antes que Claude possa finalizar uma sessão, usando apenas verificações determinísticas — timestamps de modificação de arquivos, uso de disco e padrões de regex no texto do transcript. Sem inferência de IA.

Isso é diferente de portões de raciocínio (como self-audit): delivery-gate verifica fatos verificáveis por máquina; self-audit verifica a qualidade da saída em quatro dimensões de raciocínio. Juntos, formam uma defesa em camadas:

  • delivery-gate: "A biblioteca de aprendizado foi tocada hoje? O espaço em disco está seguro?"
  • self-audit: "O conteúdo do arquivo está correto, completo e honesto?"

Este é o mesmo padrão de portões de pipeline de CI — verificações automatizadas e determinísticas que validam fatos legíveis por máquina, em vez de confiar em status auto-relatados.

O Que Ele Verifica

VerificaçãoMecanismoAo Acionar
Padrões de racionalizaçãoRegex na cauda do transcriptApenas aviso (nunca bloqueia)
Bibliotecas de aprendizado desatualizadasmtime em 5 caminhos configuráveisAviso se algumas desatualizadas; Bloqueio se >=3 desatualizadas OU growth-log desatualizado + tarefa complexa
Espaço em disco < 50 GBshutil.disk_usageAviso
Espaço em disco < 15 GBshutil.disk_usageBloqueio (exit 2)

A detecção de racionalização alerta sobre padrões como "pular testes por enquanto" e "bug pré-existente" — sinais superficiais de que o raciocínio pode ter sido encurtado. Ela nunca bloqueia sozinha, porque heurísticas de regex podem gerar falsos positivos. As condições de bloqueio são: disco crítico, >=3 bibliotecas de aprendizado desatualizadas OU growth-log especificamente desatualizado (ambos exigem tarefa complexa com >=3 edições).

Porquê

As verificações nativas do Claude Code cobrem qualidade de código (build → type → lint → test). Mas há um modo de falha diferente: o agente produz código funcional enquanto a higiene da sessão foi negligenciada — aprendizado não capturado, atalhos racionalizados, disco acabando silenciosamente.

Ao longo de muitas sessões de "entregar e esquecer", o humano não cresce. Este hook impõe o hábito: tarefa complexa → deve tocar as bibliotecas de aprendizado.

Instalação

cp quality-gate.py ~/.claude/scripts/

Adicione a ~/.claude/settings.json:

{
  "hooks": {
    "Stop": [{
      "hooks": [{
        "type": "command",
        "command": "python3 ~/.claude/scripts/quality-gate.py",
        "timeout": 5000
      }]
    }]
  }
}

Bibliotecas de Aprendizado

Crie estes arquivos no diretório de memória do seu projeto. O hook verifica se pelo menos um foi atualizado hoje:

memory/
├── growth-log/          # Entradas diárias de aprendizado (diretório)
├── decisions/log.md     # Registro de decisões
├── output-index.md      # Índice das saídas da sessão
├── ratings-tracker.md   # Avaliações de habilidades ao longo do tempo
└── tooling_capabilities.md  # Inventário de ferramentas conhecidas

Personalize o dicionário LIBS para corresponder à sua própria estrutura de arquivos.

Configuração

Edite quality-gate.py:

VariávelPadrãoPropósito
RATIONALIZE4 padrõesPadrões de regex para detecção de racionalização
LIBS5 bibliotecasArquivos/diretórios para verificar atualizações de hoje
COMPLEX_THRESHOLD3Chamadas de Editar/Escrever para classificar como complexo
DISK_WARN_GB50Avisar abaixo disto
DISK_CRIT_GB15Bloquear abaixo disto

Exemplos

Sessão simples — permitida:

edit_count=1 (< 3, não complexo) → exit 0

Tarefa complexa, aprendizado capturado — permitida:

edit_count=5 (complexo) → verifica LIBS → growth-log atualizado hoje → exit 0

Tarefa complexa, sem aprendizado — BLOQUEADA:

edit_count=4 (complexo) → verifica LIBS → todas as 5 desatualizadas → exit 2
stderr: "Bloqueado: tarefa complexa concluída mas nenhum aprendizado capturado hoje."

Espaço em disco baixo — BLOQUEADA:

disk_free=12GB < 15GB crítico → exit 2
stderr: "Bloqueado: espaço em disco em 12GB (limiar: 15GB)."

Limitações

O hook impõe o hábito de tocar as bibliotecas de aprendizado, não a qualidade do que foi registrado. Se output-index.md for atualizado mas growth-log for pulado, o hook passa (1 de 5 bibliotecas tocadas). Isso é proposital: portões mecânicos verificam fatos verificáveis por máquina. Para verificação de qualidade de conteúdo, combine com self-audit.

Compatibilidade

  • Python 3.8+ (usa from __future__ import annotations)
  • Multiplataforma: Windows, macOS, Linux
  • Zero dependências além da stdlib

Qualidade

Este código passou por 4 rodadas de revisão automatizada de código (CodeRabbit + Greptile) com 9 bugs reais encontrados e corrigidos.

Veja Também

  • self-audit — Portão de qualidade de raciocínio (completude/consistência/ancoragem/honestidade)
  • verification-loop — Verificações de qualidade de código (build/type/lint/test)
  • gateguard — Portão de segurança PreToolUse

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