Communitygithub.com

Auditoria de Superfície do Workspace

Audita o repositório ativo, servidores MCP, plugins, conectores, superfícies de ambiente e configuração do harness, e então recomenda as skills, hooks, agentes e operações ECC nativas de maior valor. Use quando o usuário precisar de ajuda para configurar o Claude Code ou entender quais capacidades estão realmente disponíveis no seu ambiente.

O que é Auditoria de Superfície do Workspace?

Esta skill realiza uma auditoria somente leitura do workspace e da máquina para responder à pergunta central: 'O que este workspace e máquina realmente podem fazer agora, e o que devemos adicionar ou habilitar em seguida?' Ela é a resposta nativa do ECC para plugins de auditoria de configuração, inspecionando repositórios, variáveis de ambiente, servidores MCP, LSPs, plugins instalados e conectores de aplicativos, sem modificar nenhum arquivo a menos que o usuário solicite explicitamente uma implementação de acompanhamento. A skill compara a superfície atual contra benchmarks de plugins oficiais e instalados, identifica lacunas (de paridade, primitivas ou integrações ausentes) e recomenda a forma ECC nativa mais adequada para cada lacuna — seja uma skill, hook, agente, servidor MCP ou conector externo. O resultado final é organizado em cinco seções: superfície atual, paridade, lacunas primitivas, integrações ausentes e as próximas 3 a 5 ações de maior impacto, favorecendo workflows com valor comercial claro, como auditoria de configuração, operações de faturamento/cliente, gerenciamento de issues/programas, operações do Google Workspace e controle de implantação/operações.

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

Perguntar na sua IA favorita

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

Documentação

O que Auditoria de Superfície do Workspace faz?

Skill de auditoria somente leitura para responder à pergunta "o que este workspace e máquina podem realmente fazer agora, e o que devemos adicionar ou habilitar em seguida?"

Esta é a resposta nativa do ECC para plugins de auditoria de configuração. Ela não modifica arquivos a menos que o usuário solicite explicitamente uma implementação de acompanhamento.

Quando Usar

  • Usuário diz "configure o Claude Code", "recomende automações", "quais plugins ou MCPs devo usar?" ou "o que estou perdendo?"
  • Auditar uma máquina ou repositório antes de instalar mais skills, hooks ou conectores
  • Comparar plugins do marketplace oficial com a cobertura nativa do ECC
  • Revisar .env, .mcp.json, configurações de plugins ou superfícies de aplicativos conectados para encontrar camadas de workflow ausentes
  • Decidir se uma capacidade deve ser uma skill, hook, agente, MCP ou conector externo

Regras Inegociáveis

  • Nunca imprima valores secretos. Exiba apenas nomes de provedores, nomes de capacidades, caminhos de arquivos e se uma chave ou configuração existe.
  • Prefira workflows nativos do ECC em vez de conselhos genéricos de "instalar outro plugin" quando o ECC puder razoavelmente possuir a superfície.
  • Trate plugins externos como benchmarks e inspiração, não como limites autoritativos do produto.
  • Separe claramente três coisas:
    • já disponível agora
    • disponível, mas não bem encapsulado no ECC
    • não disponível e exigiria uma nova integração

Entradas da Auditoria

Inspecione apenas os arquivos e configurações necessários para responder bem à pergunta:

  1. Superfície do repositório
    • package.json, lockfiles, marcadores de linguagem, config de framework, README.md
    • .mcp.json, .lsp.json, .claude/settings*.json, .codex/*
    • AGENTS.md, CLAUDE.md, manifestos de instalação, configs de hooks
  2. Superfície do ambiente
    • Arquivos .env* no repositório ativo e workspaces ECC adjacentes óbvios
    • Exiba apenas nomes de chave como STRIPE_API_KEY, TWILIO_AUTH_TOKEN, FAL_KEY
  3. Superfície de ferramentas conectadas
    • Plugins instalados, conectores habilitados, servidores MCP, LSPs e integrações de aplicativos
  4. Superfície ECC
    • Skills, comandos, hooks, agentes e módulos de instalação existentes que já cobrem a necessidade

Processo de Auditoria

Fase 1: Inventário do que Existe

Produza um inventário compacto:

  • alvos do harness ativos
  • plugins instalados e aplicativos conectados
  • servidores MCP configurados
  • servidores LSP configurados
  • serviços baseados em env implícitos pelos nomes de chave
  • skills ECC existentes já relevantes ao workspace

Se uma superfície existe apenas como primitiva, destaque isso. Exemplo:

  • "Stripe está disponível via aplicativo conectado, mas o ECC não possui uma skill de operações de faturamento"
  • "Google Drive está conectado, mas não há um workflow de operações do Google Workspace nativo do ECC"

Fase 2: Benchmark Contra Superfícies Oficiais e Instaladas

Compare o workspace contra:

  • plugins oficiais do Claude que se sobrepõem a configuração, revisão, documentação, design ou qualidade de workflow
  • plugins instalados localmente no Claude ou Codex
  • superfícies de aplicativos atualmente conectados pelo usuário

Não apenas liste nomes. Para cada comparação, responda:

  1. o que eles realmente fazem
  2. se o ECC já tem paridade
  3. se o ECC tem apenas primitivas
  4. se o ECC está completamente sem o workflow

Fase 3: Transforme Lacunas em Decisões ECC

Para cada lacuna real, recomende a forma ECC nativa correta:

Tipo de LacunaForma ECC Preferida
Workflow operacional repetívelSkill
Aplicação automática ou efeito colateralHook
Papel delegado especializadoAgente
Ponte para ferramenta externaServidor MCP ou conector
Orientação de instalação/bootstrapSkill de configuração ou auditoria

Padrão: skills voltadas ao usuário que orquestram ferramentas existentes quando a necessidade é operacional em vez de infraestrutural.

Formato de Saída

Retorne cinco seções nesta ordem:

  1. Superfície atual
    • o que já está utilizável agora
  2. Paridade
    • onde o ECC já iguala ou supera o benchmark
  3. Lacunas apenas primitivas
    • ferramentas existem, mas o ECC não possui uma skill operacional limpa
  4. Integrações ausentes
    • capacidade não disponível ainda
  5. Próximas 3 a 5 ações
    • adições concretas nativas do ECC, ordenadas por impacto

Regras de Recomendação

  • Recomende no máximo 1-2 ideias de maior valor por categoria.
  • Favoreça skills com intenção de usuário óbvia e valor comercial:
    • auditoria de configuração
    • operações de faturamento/cliente
    • operações de issues/programas
    • operações do Google Workspace
    • operações de implantação/controle
  • Se um conector é específico da empresa, recomende-o apenas quando estiver genuinamente disponível ou claramente útil ao workflow do usuário.
  • Se o ECC já possui uma primitiva forte, proponha uma skill wrapper em vez de inventar um subsistema novo.

Bons Resultados

  • O usuário pode ver imediatamente o que está conectado, o que está faltando e o que o ECC deve possuir em seguida.
  • As recomendações são específicas o suficiente para serem implementadas no repositório sem outra rodada de descoberta.
  • A resposta final é organizada em torno de workflows, não de marcas de API.

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