Zurück zu Fähigkeiten

create-github-issues

pjt222
Aktualisiert Yesterday
2 Ansichten
17
2
17
Auf GitHub ansehen
Metadesign

Über

Diese Fähigkeit erstellt automatisch strukturierte GitHub-Issues aus Code-Review-Ergebnissen oder Aufgabenaufschlüsselungen. Sie gruppiert zusammenhängende Elemente in logische Issues, wendet Labels an und formatiert sie mit Standardvorlagen, einschließlich Akzeptanzkriterien. Sie ist darauf ausgelegt, die Ausgabe von Review-Fähigkeiten wie `review-codebase` zu verarbeiten, um das Issue-Tracking zu optimieren.

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/create-github-issues

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

Dokumentation

Create GitHub Issues

Findings → grouped GitHub issues w/ labels + acceptance criteria + cross-refs.

Use When

  • Codebase review → findings table → track
  • Planning session → work items → issues
  • TODO / backlog → trackable issues
  • Batch-create related issues, consistent fmt

In

  • Required: findings — items w/ title + desc. Ideally: severity, files, labels
  • Optional:
    • group_by — batch: severity, file, theme (def: theme)
    • label_prefix — auto-label prefix (def: none)
    • create_labels — create missing (def: true)
    • dry_run — preview no create (def: false)

Do

Step 1: Prep Labels

Needed labels exist in repo.

  1. List: gh label list --limit 100
  2. Identify labels from findings (severity, phase, label fields)
  3. Severity map: critical, high-priority, medium-priority, low-priority
  4. Phase/theme: security, architecture, code-quality, accessibility, testing, performance
  5. create_labels = true → gh label create "name" --color "hex" --description "desc"
  6. Colors: red=crit/sec, orange=high, yellow=med, blue=arch, green=test

Got: All label refs exist. No dup.

If err: gh not auth → gh auth login. Create denied → skip, note missing.

Step 2: Group

Batch → logical issues, no sprawl.

  1. theme → phase/category (sec → 1-2 issues, a11y → 1)
  2. severity → level (CRIT → 1, HIGH → 1)
  3. file → primary file
  4. Within group: severity order (CRIT first)
  5. 8 findings → split by sub-theme

  6. Each group → 1 issue

Got: Groups w/ 1-8 findings each. Total: 5-15 for full review.

If err: No grouping metadata → 1 issue per finding (OK for <10, bad for larger).

Step 3: Compose

Std template.

  1. Title: [Severity] Theme: Brief description[HIGH] Security: Eliminate innerHTML injection in panel.js
  2. Body:
    ## Summary
    One-paragraph overview of what this issue addresses and why it matters.
    
    ## Findings
    1. **[SEVERITY]** Finding description (`file.js:line`) — brief explanation
    2. **[SEVERITY]** Finding description (`file.js:line`) — brief explanation
    
    ## Acceptance Criteria
    - [ ] Criterion derived from finding 1
    - [ ] Criterion derived from finding 2
    - [ ] All changes pass existing tests
    
    ## Context
    Generated from codebase review on YYYY-MM-DD.
    Related: #issue_numbers (if applicable)
    
  3. Labels: severity + theme + custom
  4. File refs → body mention (not assignee)

Got: Title + numbered findings + checkbox criteria + labels.

If err: Body > 65536 chars → split + cross-ref.

Step 4: Create

Use gh CLI.

  1. dry_run = true → print + stop
  2. Create each:
    gh issue create --title "title" --body "$(cat <<'EOF'
    body content
    EOF
    )" --label "label1,label2"
    
  3. Record URLs
  4. Summary table: #number | Title | Labels | Findings count
  5. Sequence → edit first issue: "Blocked by #X" / "See also #Y"

Got: All created. Summary table w/ URLs.

If err: Individual fail → log + continue. Report end. Common: auth expired, label not found (create_labels=false), network timeout.

Check

  • All findings in ≥1 issue
  • Each issue ≥1 label
  • Each issue has checkbox criteria
  • No dup (check titles vs open)
  • Issue count reasonable (not 1:1 for large)
  • Summary table printed w/ URLs

Traps

  • Sprawl: 1-per-finding → 20+ issues. Group aggressive → 5-10 ideal
  • Missing criteria: No checkboxes → no verify. Every finding → ≥1 checkbox
  • Label chaos: Too many → filter useless. Stick severity + theme
  • Stale refs: Old review → verify findings still apply
  • No dry run: Large sets → always dry_run: true first. Easier edit plan vs close 15 bad issues

  • review-codebase — findings source
  • review-pull-request — PR findings → issues
  • manage-backlog — sprints + priorities
  • create-pull-request — PRs close issues
  • commit-changes — fix commits

GitHub Repository

pjt222/agent-almanac
Pfad: i18n/caveman-ultra/skills/create-github-issues
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Verwandte Skills

content-collections

Meta

Diese Skill bietet eine produktionsgetestete Einrichtung für Content Collections – ein TypeScript-first-Tool, das Markdown/MDX-Dateien in typsichere Datensammlungen mit Zod-Validierung umwandelt. Verwenden Sie ihn beim Erstellen von Blogs, Dokumentationsseiten oder inhaltsstarken Vite + React-Anwendungen, um Typsicherheit und automatische Inhaltsvalidierung zu gewährleisten. Er behandelt alles von der Vite-Plugin-Konfiguration und MDX-Kompilierung bis hin zur Deployment-Optimierung und Schema-Validierung.

Skill ansehen

polymarket

Meta

Diese Fähigkeit ermöglicht es Entwicklern, Anwendungen mit der Polymarket-Prognosemärkte-Plattform zu erstellen, einschließlich API-Integration für Handel und Marktdaten. Sie bietet außerdem Echtzeit-Datenstreaming über WebSocket, um Live-Trades und Marktaktivitäten zu überwachen. Nutzen Sie sie zur Implementierung von Handelsstrategien oder zur Erstellung von Tools, die Live-Marktaktualisierungen verarbeiten.

Skill ansehen

creating-opencode-plugins

Meta

Diese Fähigkeit unterstützt Entwickler dabei, OpenCode-Plugins zu erstellen, die in über 25 Ereignistypen wie Befehle, Dateien und LSP-Operationen eingreifen. Sie bietet die Plugin-Struktur, Event-API-Spezifikationen und Implementierungsmuster für JavaScript/TypeScript-Module. Nutzen Sie sie, wenn Sie den Lebenszyklus des OpenCode KI-Assistenten mit benutzerdefinierter ereignisgesteuerter Logik abfangen, überwachen oder erweitern müssen.

Skill ansehen

sglang

Meta

SGLang ist ein hochperformantes LLM-Serving-Framework, das sich auf schnelle, strukturierte Generierung für JSON, Regex und agentenbasierte Workflows unter Verwendung seines RadixAttention-Prefix-Cachings spezialisiert. Es bietet deutlich schnellere Inferenz, insbesondere für Aufgaben mit wiederholten Präfixen, was es ideal für komplexe, strukturierte Ausgaben und Mehrfachdialoge macht. Wählen Sie SGLang gegenüber Alternativen wie vLLM, wenn Sie constrained decoding benötigen oder Anwendungen mit umfangreicher Präfix-Weitergabe entwickeln.

Skill ansehen