SKILL·0B0D34

polish-claw-project

pjt222
Aktualisiert 3 months ago
12 Ansichten
31
3
31
Auf GitHub ansehen
Anderegeneral

Über

Diese Fähigkeit bietet einen strukturierten Neun-Schritte-Arbeitsablauf für Beiträge zu OpenClaw-Ökosystemprojekten (OpenClaw, NemoClaw, NanoClaw). Sie konzentriert sich auf parallele Code-Überprüfung, die Vermeidung von False Positives und die Ausrichtung an Projektkonventionen, um hochwirksame Beiträge auszuwählen. Nutzen Sie sie bei sicherheitskritischen Beiträgen zu unbekannten Codebasen, da sie die mechanischen Schritte (Forking, PR-Erstellung) automatisiert und gleichzeitig systematische Überprüfung betont.

Schnellinstallation

Claude Code

Empfohlen
Primär
npx skills add pjt222/agent-almanac -a claude-code
Plugin-BefehlAlternativ
/plugin add https://github.com/pjt222/agent-almanac
Git CloneAlternativ
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/polish-claw-project

Kopieren Sie diesen Befehl und fügen Sie ihn in Claude Code ein, um diese Fähigkeit zu installieren

Dokumentation

磨爪項目

貢獻於 OpenClaw 生態項目之結構流程。新值在第 5-7 步:並行審計、防偽陽性、與開放議題對照以擇高影響之貢獻。機械步(fork、PR 立)委於既有技能。

用時

  • 貢獻於 NVIDIA/OpenClaw、NVIDIA/NemoClaw、NVIDIA/NanoClaw 或類似 Claw 生態庫
  • 首次貢獻於不熟之安全敏感架構之開源項
  • 欲可重複可審之貢獻流程而非隨手修
  • 已識受外貢之 Claw 項(察 CONTRIBUTING.md)後

  • 必要repo_url — 目標 Claw 項之 GitHub URL(如 https://github.com/NVIDIA/NemoClaw
  • 可選
    • contribution_count — 欲行貢獻之數(默 1-3)
    • focus — 偏型:securitytestsdocsbugsany(默 any
    • fork_org — 分叉之 GitHub 組/用戶(默 認證之用戶)

第一步:識並驗目標

確項受外貢且活維。

  1. 開庫 URL 並讀 CONTRIBUTING.mdCODE_OF_CONDUCT.mdLICENSE
  2. 察近提交活(末 30 日)與開放 PR 合併率
  3. 驗項用寬鬆或貢友善之許可
  4. SECURITY.md 或安全策若有——記負責披露之規
  5. 識主語、試框、CI 系

得:CONTRIBUTING.md 在、末 30 日內有提交、貢指清晰。

敗則:若無 CONTRIBUTING.md 或近無活,記因而止——陳項罕合外 PR。

第二步:分叉並克隆

立庫之工作副本。

  1. 分叉:gh repo fork <repo_url> --clone
  2. 設上游:git remote add upstream <repo_url>
  3. 驗:git remote -vorigin(叉)與 upstream 二者
  4. 同步:git fetch upstream && git checkout main && git merge upstream/main

得:本地克隆,二遠程已配且最新。

敗則:若分叉敗,察 GitHub 認證(gh auth status)。若克隆緩,初探試 --depth=1

第三步:探代碼庫

立項架構之心模。

  1. README.md 觀架構與項目標
  2. 識入點、核模、公 API 面
  3. 圖試結構:試何處、何框、覆度
  4. 注代碼風格慣:linter 配、命名、入式
  5. 察 Docker/容器設、CI 配、部署模

得:清明項結構、慣、貢宜處。

敗則:若架構不明,焦於某子系而非全項。

第四步:讀開放議題

察既議以明項所需並避重作。

  1. 列開放議:gh issue list --state open --limit 50
  2. 依型分類:bug、功能、文、安全、good-first-issue
  3. 注標 help wantedgood first issuehacktoberfest 之議
  4. 察陳議(>90 日開、近無評)——或已棄
  5. 讀任連 PR 知所試之解

得:未認領議分類列附型標。

敗則:若無開放議,赴第五步——審計或揭未列之改善。

第五步:並行審計

並行行安全與代碼質審計。新發現於此現。

  1. 對項根行 security-audit-codebase 技能
  2. 同行 review-codebase 技能附範圍 quality
  3. 要:對項威脅模與架構驗各發現
    • 沙盒引導腳本中之「硬編祕」非漏
    • 內用函數無入驗低嚴重
    • 標漏之依或已被項架構緩解
  4. 評驗之發現:CRITICAL、HIGH、MEDIUM、LOW
  5. 記偽陽性附理——其告未來行之 Common Pitfalls

得:附嚴重評與偽陽性注之驗發現列。

敗則:若無發現浮現,移焦至試覆缺、文改、開發者體驗增。

第六步:對照發現

映驗審計發現至開放議——核判之步。

  1. 對各驗之發現,搜開放議相關之論
  2. 各發現分類為:
    • 合開放議 — 連發現於議
    • 新發現 — 無既議覆
    • 已修於 PR — 察開放 PR 進行中之修
  3. 優符既議者(最高合併率)
  4. 新發現者,依項優先評維護者是否願受修

得:附發現至議映與合併率評之優先列。

敗則:若諸發現皆已處,返第四步覓文、試、開發者體驗之貢。

第七步:擇貢

依影響、力、專長擇 1-3 貢。

  1. 各候之分:
    • 影響:此進項多少?(安全 > bug > 試 > 文)
    • :可於焦會中善為之乎?(取小完之 PR)
    • 專長:貢者有此修之域知乎?
    • 合併率:合所示項優先乎?
  2. 擇頂候(默 1-3)
  3. 各定:分支名、範圍界、接受之準、試謀

得:1-3 擇貢附明範圍與接受之準。

敗則:若無貢分高,考立善寫議而非 PR。

第八步:實作

各貢立分支並實修。

  1. 各貢:git checkout -b fix/<description>
  2. 嚴守項慣(linter、命名、入式)
  3. 加或更涵改之試
  4. 行項試套:驗諸試過
  5. 行項 linter:驗無新警
  6. 各 PR 焦——一邏輯變一分支

得:清實作,附過試與無 linter 警。

敗則:若試敗於既有問題,記之並確 PR 不引新敗。

第九步:立拉取請求

依項之 CONTRIBUTING.md 提交貢。

  1. 推分支:git push origin fix/<description>
  2. create-pull-request 技能立 PR
  3. 於 PR 體參相關議(如 "Fixes #123")
  4. 守項 PR 模板若有
  5. 對審者反饋速應——快迭

得:諸 PR 已立、連於議、守項慣。

敗則:若 PR 立敗,察分支保護規與貢者許可協議。

  1. 諸擇貢已實作並提交為 PR
  2. 各 PR 參相關議(若有)
  3. 諸項試於各 PR 分支過
  4. 無偽陽性發現提交為實議
  5. PR 述守項 CONTRIBUTING.md 模板

  • 偽陽性過聲:Claw 項用沙盒架構——沙盒環境內之「漏」或為設計使然。報前常對項威脅模驗。
  • 摘要/簽名鏈擾:Claw 項常用驗鏈為模型完整。變必保此鏈,否則 PR 拒。
  • 慣不合:Claw 項嚴執風格。行項自之 linter,非通用者。嚴配入序、文檔字符串格、試模。
  • 範圍蔓延:3 焦 PR 合併速於 1 蔓延 PR。各貢原子。
  • 陳分叉:始作前常與上游同步(git fetch upstream && git merge upstream/main)。

GitHub Repository

pjt222/agent-almanac
Pfad: i18n/wenyan/skills/polish-claw-project
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams
FAQ

Häufig gestellte Fragen

Was ist der Skill polish-claw-project?

polish-claw-project ist ein Claude Skill von pjt222. Skills bündeln Anweisungen und Ressourcen, die Claude bei Bedarf lädt, um Aufgaben rund um polish-claw-project ohne zusätzliche Eingaben auszuführen.

Wie installiere ich polish-claw-project?

Verwende die Installationsbefehle auf dieser Seite: Füge polish-claw-project als Plugin zu Claude Code hinzu oder klone das Repository in dein Skills-Verzeichnis. Starte Claude danach neu, damit der Skill geladen wird.

Zu welcher Kategorie gehört polish-claw-project?

polish-claw-project gehört zur Kategorie Andere.

Kann ich polish-claw-project kostenlos nutzen?

Ja. polish-claw-project ist auf AIMCP gelistet und kann kostenlos installiert werden.

Verwandte Skills

llamaguard
Andere

LlamaGuard ist Metas 7-8B-Parameter-Modell zur Moderation von LLM-Eingaben und -Ausgaben in sechs Sicherheitskategorien wie Gewalt und Hassrede. Es bietet eine Genauigkeit von 94-95 % und kann mit vLLM, Hugging Face oder Amazon SageMaker eingesetzt werden. Nutzen Sie diese Skill, um Inhaltsfilterung und Sicherheitsguardrails einfach in Ihre KI-Anwendungen zu integrieren.

Skill ansehen
cost-optimization
Andere

Diese Claude Skill unterstützt Entwickler bei der Optimierung von Cloud-Kosten durch Ressourcen-Dimensionierung, Tagging-Strategien und Ausgabenanalysen. Sie bietet einen Rahmen zur Senkung von Cloud-Ausgaben und zur Implementierung von Kosten-Governance für AWS, Azure und GCP. Nutzen Sie sie, wenn Sie Infrastrukturkosten analysieren, Ressourcen richtig dimensionieren oder Budgetvorgaben einhalten müssen.

Skill ansehen
sports-betting-analyzer
Andere

Diese Claude Skill analysiert Sportwettenmärkte inklusive Handicaps, Over/Unders und Spezialwetten, indem sie historische Trends und situative Statistiken untersucht, um Wertwetten zu identifizieren. Sie liefert strukturierte Markdown-Ausgaben mit umsetzbaren Empfehlungen zu Bildungszwecken. Entwickler sollten dies für Sportwetten-Analysetools nutzen, wobei zu beachten ist, dass es nur zur Unterhaltung/Bildung konzipiert wurde.

Skill ansehen
quantizing-models-bitsandbytes
Andere

Diese Fähigkeit quantisiert LLMs auf 8-Bit- oder 4-Bit-Präzision mittels bitsandbytes und erreicht dabei eine Speicherreduzierung von 50–75 % bei minimalem Genauigkeitsverlust. Sie ist ideal für den Betrieb größerer Modelle mit begrenztem GPU-Speicher oder zur Beschleunigung von Inferenzvorgängen und unterstützt Formate wie INT8, NF4 und FP4. Die Fähigkeit integriert sich in HuggingFace Transformers und ermöglicht QLoRA-Training sowie 8-Bit-Optimierer.

Skill ansehen