Communitygithub.com

inherit-legacy-style

Habilidade de herança de estilo de projeto legado. Use quando o usuário digitar /inherit-legacy-style ou ao integrar um agente de IA de codificação a um projeto legado escrito à mão para evitar desvios de estilo.

O que é inherit-legacy-style?

Esta habilidade previne o desvio de estilo de código gerado por IA em projetos legados, escaneando automaticamente a base de código em busca de convenções implícitas. Ela analisa quatro dimensões meta-arquiteturais: Anatomia de Arquivos, Fluxo de Estado e Controle, Infraestrutura e Tratamento de Erros. Ao detectar conflitos entre padrões de código, a habilidade os apresenta ao usuário um de cada vez para resolução, evitando sobrecarga de perguntas. Após a resolução, ela cristaliza o consenso em um arquivo `.ai-style-rules.md`, que serve como guia de estilo para o agente de IA. A habilidade suporta tanto uma varredura completa inicial (Branch A) quanto varreduras incrementais (Branch B) que verificam apenas as alterações recentes do Git. Ela também oferece hooks de aplicação (via `CLAUDE.md` ou `settings.json`) para garantir que cada tarefa de codificação futura seja iniciada com uma declaração de conformidade, referenciando os arquivos exemplares e evitando os anti-padrões documentados. Totalmente agnóstica a linguagem e framework.

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

Perguntar na sua IA favorita

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

Documentação

Herdar Estilo Legado

Previne o desvio de estilo de código gerado por IA em projetos legados, escaneando a base de código em busca de convenções implícitas em quatro dimensões meta-arquiteturais, resolvendo conflitos com o usuário um de cada vez e cristalizando o consenso em um arquivo .ai-style-rules.md aplicável. Totalmente agnóstico a linguagem e framework.

Quando Ativar

  • O usuário digita /inherit-legacy-style
  • O usuário menciona a integração de IA a um projeto legado escrito à mão
  • O usuário está preocupado com o "desvio" do código gerado por IA em relação às convenções existentes do projeto
  • O usuário deseja extrair e codificar as regras de codificação implícitas do projeto

Quando Usar

Use esta habilidade quando precisar preservar o estilo de um projeto legado e evitar o desvio de estilo gerado por IA. Veja Quando Ativar acima para as condições de gatilho.

Pré-requisitos

  • Git (recomendado; projetos sem Git usam carimbos de data/hora de arquivos para o modo incremental)
  • Acesso de leitura/escrita à raiz do projeto (gera .ai-style-rules.md e opcionalmente CLAUDE.md)

Fluxo de Trabalho

Passo 0 — Modo de Detecção Automática

Verifique silenciosamente a existência de .ai-style-rules.md na raiz do projeto:

O arquivo existe?Modo
NãoBranch A — Varredura Completa Inicial
SimBranch B — Checagem Incremental

Anuncie o modo em uma linha e prossiga — nunca peça ao usuário para escolher.

Branch A — Varredura Completa Inicial

1. Meça a escala, escolha um nível de varredura

git ls-files | grep -cE '\.(js|ts|jsx|tsx|vue|py|go|rs|java|kt|rb|php|cs|swift|c|cpp|h)$'
NívelArquivos fonteEstratégia
Pequeno≲ 50Leitura completa de cada fonte
Médio50–500Camada de infra = leitura completa; camada de negócio = amostra de 2–3 por dimensão
Grande≳ 500Amostragem estrita + limite de orçamento; resumo --stat primeiro, depois leituras direcionadas

2. Escaneie ao longo de 4 dimensões

  1. Anatomia do Arquivo — ordem de declaração no arquivo (imports → tipos → lógica principal → helpers → export)
  2. Fluxo de Estado e Controle — convenções de nomenclatura para estado assíncrono, paginação, flags
  3. Infraestrutura — onde vivem os utilitários transversais (interceptadores, formatadores, middlewares)
  4. Tratamento de Erros — try/catch vs interceptador global vs retorno Result; hábitos de verificação de nulo

3. Aplique redução de ruído por limite de sinal

Antes de interromper o usuário, avalie a força do sinal:

  • Sinal fraco → suprimir automaticamente: minoria <5% E contagem <10 → maioria vence, minoria vai para os NÃO FAÇA
  • Sinal forte → questionar: divisão quase igual, ou bifurcação semântica em uma dimensão central
  • Exceção de projeto pequeno: fontes ≲50, "3 vs 2" NÃO é maioria → questione

4. Resolva conflitos um de cada vez (Protocolo de Questionamento)

Para cada conflito de sinal forte, apresente EXATAMENTE uma pergunta com 4 opções:

Evidência: caminhoA usa estilo X, caminhoB usa estilo Y AVISO: Risco: misturar ambos fratura o estilo do projeto Escolha: 1 seguir X 2 seguir Y 3 isso é evolução, atualize as regras 4 Eu tenho uma nova regra

Pause até o usuário responder, então prossiga para o próximo conflito. Nunca acumule perguntas.

5. Gere .ai-style-rules.md com três seções obrigatórias:

  • [Arquivos Dourados] — caminhos de exemplares reais anotados com o que demonstram
  • [Regras de Nomenclatura e Estado-Controle] — convenções concretas e verificáveis
  • [NÃO FAÇA] — anti-padrões que não devem se propagar

6. Instale o hook persistente

Pergunte ao usuário sobre a força de aplicação (use AskUserQuestion):

OpçãoMecanismo
1 Hook suave (recomendado)Escreva referência @.ai-style-rules.md no CLAUDE.md do projeto
2 Hook forteHook suave + Hook `PreToolUse[Write
3 Sem hookMantenha o arquivo de regras; o usuário consulta manualmente

Branch B — Checagem Incremental

  1. Leia o .ai-style-rules.md existente; se tiver uma impressão digital de commit, git diff <último_hash> HEAD --stat para identificar o delta
  2. Leia as alterações recentes do Git (git log -3 --stat → inspecione arquivos suspeitos sob demanda)
  3. Para diffs muito grandes (>centenas de arquivos): apenas resumo --stat + amostra das maiores alterações
  4. Compare o novo código com as regras registradas → conflitos passam pelo Protocolo de Questionamento
  5. Anexe o log de evolução ao final do .ai-style-rules.md (nunca sobrescreva regras antigas)

Aplicação por Turno

Quando .ai-style-rules.md estiver em contexto (carregado via CLAUDE.md), toda tarefa de escrita de código deve começar com uma declaração de conformidade na cadeia de raciocínio, nomeando o exemplar sendo seguido e os NÃO FAÇA sendo evitados.

Como Funciona

Esta habilidade detecta automaticamente se é uma execução inicial ou incremental pela presença de .ai-style-rules.md:

  • Inicial (Branch A) — Mede a escala do projeto, escaneia a base de código em 4 dimensões meta-arquiteturais (Anatomia de Arquivos, Fluxo de Estado e Controle, Infraestrutura, Tratamento de Erros), aplica redução de ruído por limite de sinal para suprimir conflitos fracos, resolve conflitos de sinal forte um de cada vez com o usuário, gera .ai-style-rules.md com Arquivos Dourados / Regras de Nomenclatura / NÃO FAÇA, e oferece hooks de aplicação opcionais.
  • Incremental (Branch B) — Lê regras existentes, verifica diffs recentes do Git em busca de padrões novos ou conflitantes, executa o mesmo protocolo de questionamento um de cada vez para quaisquer conflitos encontrados, e anexa logs de evolução sem sobrescrever regras existentes.
  • Aplicação por Turno — Quando conectado via CLAUDE.md, toda tarefa de escrita de código começa com uma declaração de conformidade nomeando o exemplar seguido e os NÃO FAÇA evitados.

Especificação de Saída

  • .ai-style-rules.md na raiz do projeto (com impressão digital de commit + nível de escala no cabeçalho)
  • Opcionalmente CLAUDE.md com referência @.ai-style-rules.md
  • Logs de evolução anexados como entradas ### [AAAA-MM-DD] Log de Evolução de Estilo

Anti-Padrões

  • FALHA: NÃO pule a etapa de medição de escala — amostrar um projeto de 30 arquivos o "mata de fome"; escanear completamente um repositório de 5.000 arquivos explode
  • FALHA: NÃO acumule várias perguntas de conflito de uma vez — o questionamento é estritamente um de cada vez
  • FALHA: NÃO sobrescreva regras antigas no modo incremental — sempre anexe logs de evolução
  • FALHA: NÃO use o "hook forte" como padrão sem perguntar — a força de aplicação é uma decisão do usuário
  • FALHA: NÃO julgue sintaxe ou qualidade da pilha tecnológica — esta habilidade alinha apenas meta-arquitetura
  • FALHA: NÃO copie bugs de arquivos exemplares — reutilize a estrutura, sinalize defeitos

Melhores Práticas

  • Anuncie o modo detectado (inicial vs incremental) e o nível de escala em uma linha antes de escanear
  • Para projetos grandes, leia resumos --stat primeiro, depois Read direcionado em arquivos suspeitos
  • Deixe o limite de sinal lidar com ruído — uma divisão de nomenclatura 843-vs-8 deve resolver automaticamente sem interromper o usuário
  • Em caso de dúvida sobre a força do sinal, incline-se a perguntar
  • O hook suave do CLAUDE.md (@.ai-style-rules.md) geralmente é suficiente; hook forte apenas se o usuário quiser aplicação mecânica

Habilidades Relacionadas

  • init — inicializar um novo CLAUDE.md com documentação da base de código
  • code-review — revisar diffs quanto a correção e problemas de estilo
  • simplify — revisar código quanto a oportunidades de reuso e simplificação

Exemplos

  1. Integração inicial

    • Usuário: "Ajude-me a integrar IA a esta base de código antiga sem alterar seu estilo."
    • Ação: Executar Branch A varredura completa → medir escala → escanear 4 dimensões → questionar conflitos → gerar .ai-style-rules.md → oferecer força de hook (suave/forte/nenhum).
  2. Atualização incremental após mudanças na equipe

    • Usuário: "Adicionamos um novo módulo; mantenha as regras de estilo existentes intactas."
    • Ação: Executar Branch B checagem incremental → comparar deltas do Git com regras registradas → questionar quaisquer novos conflitos → anexar log de evolução sem sobrescrever.
  3. Aplicando NÃO FAÇA via CLAUDE.md

    • Usuário: "Garanta que todo novo código permaneça consistente com as regras do projeto."
    • Ação: Hook suave instalado → .ai-style-rules.md carregado automaticamente a cada sessão → toda tarefa de escrita de código começa com declaração de conformidade, reutilizando padrões exemplares e evitando NÃO FAÇA.

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