Communitygithub.com

herdar-estilo-legado

Habilidade de herança de estilo para projetos legados. Use quando o usuário digitar /herdar-estilo-legado, ou ao embarcar um agente de codificação de IA em um projeto legado escrito à mão e você precisar evitar o desvio de estilo.

O que é herdar-estilo-legado?

Esta habilidade evita o desvio de estilo de código gerado por IA em projetos legados, examinando a base de código em busca de convenções implícitas em quatro dimensões meta-arquiteturais (Anatomia de Arquivo, Fluxo de Estado e Controle, Infraestrutura e Tratamento de Erros). Ela resolve conflitos com o usuário um de cada vez, usando um protocolo de 'interrogatório' que apresenta evidências e opções de escolha, e cristaliza o consenso em um arquivo `.ai-style-rules.md` acionável. A habilidade é totalmente independente de linguagem e framework, suporta detecção automática de modo (primeira execução ou incremental via Git) e oferece ganchos de aplicação opcionais (soft via `CLAUDE.md` ou hard via hooks de pré-ferramenta). No modo de primeira execução, ela mede a escala do projeto para escolher entre varredura completa, amostragem ou amostragem estrita com limite de orçamento. No modo incremental, ela lê as regras existentes, compara diffs do Git e anexa logs de evolução sem sobrescrever as regras antigas. Para cada tarefa de escrita de código subsequente, quando o arquivo de regras está em contexto, a habilidade exige uma declaração de conformidade que nomeia o arquivo exemplar seguido e os DONTs evitados.

Funciona com✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/everything-claude-code/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, examinando a base de código em busca de convenções implícitas em 4 dimensões meta-arquiteturais, resolvendo conflitos com o usuário um de cada vez e cristalizando o consenso em um .ai-style-rules.md acionável. Totalmente independente de linguagem e framework.

Quando Ativar

  • Usuário digitar /herdar-estilo-legado
  • Usuário mencionar embarcar IA em um projeto legado escrito à mão
  • Usuário estiver preocupado com o código gerado por IA "desviando" das convenções existentes do projeto
  • Usuário quiser extrair e codificar as regras de codificação implícitas do seu projeto

Quando Usar

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

Pré-requisitos

  • Git (recomendado; projetos não-Git usam timestamps de arquivo para 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:

Arquivo existe?Modo
NãoBranch A — Primeira Varredura Completa
SimBranch B — Checagem Incremental

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

Branch A — Primeira Varredura Completa

1. Medir escala, escolher 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 = amostrar 2–3 por dimensão
Grande≳ 500Amostragem estrita + limite de orçamento; resumo --stat primeiro, depois leituras direcionadas

2. Escanear ao longo de 4 dimensões

  1. Anatomia de 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 utilitários transversais (interceptadores, formatadores, middlewares)
  4. Tratamento de Erros — try/catch vs interceptador global vs retorno Result; hábitos de verificação de nulo

3. Aplicar 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 DONTs
  • Sinal forte → interrogar: divisão quase igual, ou bifurcação semântica em uma dimensão central
  • Exceção de projeto pequeno: fontes ≲50, "3 contra 2" NÃO é maioria → interrogar

4. Resolver conflitos um de cada vez (Protocolo de Interrogatório)

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

Evidência: pathA usa estilo X, pathB usa estilo Y AVISO: Risco: misturar ambos fragmenta o estilo do projeto Escolha: 1 seguir X 2 seguir Y 3 isso é evolução, atualizar regras 4 Eu tenho uma nova regra

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

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

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

6. Instalar o gancho persistente

Pergunte ao usuário pela força de aplicação (use AskUserQuestion):

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

Branch B — Checagem Incremental

  1. Ler .ai-style-rules.md existente; se tiver uma impressão digital de commit, git diff <ultimo_hash> HEAD --stat para identificar o delta
  2. Ler mudanças recentes do Git (git log -3 --stat → inspecionar arquivos suspeitos sob demanda)
  3. Para diffs muito grandes (>centenas de arquivos): apenas resumo --stat + amostrar as maiores mudanças
  4. Comparar novo código com regras registradas → conflitos passam pelo Protocolo de Interrogatório
  5. Anexar log de evolução ao final de .ai-style-rules.md (nunca sobrescrever regras antigas)

Aplicação por Turno

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

Como Funciona

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

  • Primeira vez (Branch A) — Mede a escala do projeto, examina a base de código em 4 dimensões meta-arquiteturais (Anatomia de Arquivo, 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 / DONTs, e oferece ganchos 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 interrogatório 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 abre com uma declaração de conformidade nomeando o exemplar seguido e os DONTs 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 subalimenta"; escanear completamente um repositório de 5.000 arquivos explode
  • FALHA: NÃO acumule múltiplas perguntas de conflito de uma vez — o interrogatório é estritamente um de cada vez
  • FALHA: NÃO sobrescreva regras antigas no modo incremental — sempre anexe logs de evolução
  • FALHA: NÃO use o padrão "gancho duro" sem perguntar — a força de aplicação é decisão do usuário
  • FALHA: NÃO julgue sintaxe ou qualidade de stack tecnológico — esta habilidade alinha apenas meta-arquitetura
  • FALHA: NÃO copie bugs de arquivos exemplares — reutilize estrutura, sinalize defeitos

Melhores Práticas

  • Anuncie o modo detectado (primeira vez 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 contra 8 deve se resolver automaticamente sem interrupção do usuário
  • Quando em dúvida sobre a força do sinal, incline-se a perguntar
  • O gancho suave CLAUDE.md (@.ai-style-rules.md) é geralmente suficiente; gancho duro 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 reutilização e simplificação

Exemplos

  1. Primeira integração

    • Usuário: "Ajude-me a integrar IA a esta base de código antiga sem mudar seu estilo."
    • Ação: Executar Branch A varredura completa → medir escala → escanear 4 dimensões → interrogar conflitos → gerar .ai-style-rules.md → oferecer força de gancho (suave/duro/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 → interrogar novos conflitos → anexar log de evolução sem sobrescrever.
  3. Aplicando DONTs via CLAUDE.md

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

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/claude-api

Anthropic Claude API patterns for Python and TypeScript. Covers Messages API, streaming, tool use, vision, extended thinking, batches, prompt caching, and Claude Agent SDK. Use when building applications with the Claude API or Anthropic SDKs.

affaan-m/everything-claude-code

End-to-end marketing campaign planning and execution. Covers audience research, positioning, campaign angle definition, landing page copy, email sequences, social posts, ad copy, short-form video scripts, and content calendars. Use as the orchestration layer for multi-channel product launches. Use when planning or executing a multi-channel product launch, or producing landing page, email, social, or ad copy.

affaan-m/everything-claude-code

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/everything-claude-code-conventions

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/frontend-design

Create distinctive, production-grade frontend interfaces with high design quality. Use when the user asks to build web components, pages, or applications and the visual direction matters as much as the code quality.

affaan-m/gget

gget CLI and Python workflow for quick genomic database queries, sequence lookup, BLAST-style searches, enrichment checks, and reproducible bioinformatics evidence logs.

affaan-m/literature-review

Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.

affaan-m/motion-ui

Production-ready UI motion system for React/Next.js. Use when implementing animations, transitions, or motion patterns.

affaan-m/project-guidelines-example

Example project-specific skill template based on a real production application.

affaan-m/pubmed-database

Direct PubMed and NCBI E-utilities search workflows for biomedical literature, MeSH queries, PMID lookup, citation retrieval, and API-backed literature monitoring.

affaan-m/scholar-evaluation

Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.

affaan-m/uspto-database

USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.

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.

Habilidades Relacionadas