Zurück zu Fähigkeiten

build-parameterized-report

pjt222
Aktualisiert 5 days ago
12 Ansichten
17
2
17
Auf GitHub ansehen
Metaautomationdesign

Über

Diese Fähigkeit ermöglicht es Entwicklern, parametrisierte Quarto- oder R-Markdown-Berichte zu erstellen, die mit verschiedenen Eingaben gerendert werden können, um mehrere Variationen zu generieren. Sie behandelt Parameterdefinitionen, programmatisches Rendern und Stapelgenerierung zur Automatisierung sich wiederholender Berichtsaufgaben. Verwenden Sie sie, wenn Sie dieselbe Berichtsstruktur für verschiedene Abteilungen, Kunden, Zeiträume oder Datenuntergruppen aus einer einzigen Vorlage generieren müssen.

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/build-parameterized-report

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

Dokumentation

建參之報

建受參之報,以諸入自一範生諸變。

用時

  • 為異部、區、時段生同報
  • 自範建客特之報
  • 建篩至特子集之盤
  • 以異入自動化週期報

  • 必要:報範(Quarto 或 R Markdown)
  • 必要:參定(名、類、默)
  • 可選:批生之參值列
  • 可選:輸出報之目

第一步:於 YAML 定參

Quarto(report.qmd):

---
title: "Sales Report: `r params$region`"
params:
  region: "North America"
  year: 2025
  include_forecast: true
format:
  html:
    toc: true
---

R Markdown(report.Rmd):

---
title: "Sales Report"
params:
  region: "North America"
  year: 2025
  include_forecast: true
output: html_document
---

得: YAML 頭含 params: 塊,諸名參各有正類之默值。

敗則: 若渲失以「object 'params' not found」,確 params: 塊正縮於 YAML 頭。Quarto 中 params 必居 YAML 頂級,非嵌 format: 下。

第二步:於碼用參

```{r}
#| label: filter-data

data <- full_dataset |>
  filter(region == params$region, year == params$year)

nrow(data)
```

## Overview for `r params$region`

This report covers the `r params$region` region for `r params$year`.

```{r}
#| label: forecast
#| eval: !expr params$include_forecast

# This chunk only runs when include_forecast is TRUE
forecast_model <- forecast::auto.arima(data$sales)
forecast::autoplot(forecast_model)
```

得: 碼塊以 params$name 引參,條件塊用 #| eval: !expr params$flag(Quarto)。內聯 R 表如 `r params$region` 生動文。

敗則:params$name 返 NULL,驗參名於 YAML 與碼引全合(別大小)。察默值之類正。

第三步:以自訂參渲

單渲:

# Quarto
quarto::quarto_render(
  "report.qmd",
  execute_params = list(region = "Europe", year = 2025)
)

# R Markdown
rmarkdown::render(
  "report.Rmd",
  params = list(region = "Europe", year = 2025),
  output_file = "report-europe-2025.html"
)

得: 單報以自訂參值覆 YAML 默而成渲。輸出檔建於所指之路。

敗則: Quarto 敗者,察 quarto CLI 已裝且於 PATH。R Markdown 敗者,驗 rmarkdown 已裝。確 execute_params(Quarto)或 params(R Markdown)中參名全合 YAML 定。

第四步:批渲諸報

regions <- c("North America", "Europe", "Asia Pacific", "Latin America")
years <- c(2024, 2025)

# Generate all combinations
combinations <- expand.grid(region = regions, year = years, stringsAsFactors = FALSE)

# Render each
purrr::pwalk(combinations, function(region, year) {
  output_name <- sprintf("report-%s-%d.html",
    tolower(gsub(" ", "-", region)), year)

  quarto::quarto_render(
    "report.qmd",
    execute_params = list(region = region, year = year),
    output_file = output_name
  )
})

得: 每區年之合生一 HTML 檔。

敗則: 察 YAML 與碼間參名全合。確諸參值有效。

第五步:加參之驗

#| label: validate-params

stopifnot(
  "Region must be a valid region" = params$region %in% valid_regions,
  "Year must be numeric" = is.numeric(params$year),
  "Year must be reasonable" = params$year >= 2020 && params$year <= 2030
)

得: 驗碼塊於各渲之始行,若參逾範或類誤則以明錯止。

敗則:stopifnot() 之錯言不明,改為明 if (!cond) stop("message") 以清診。

第六步:組輸出

# Create output directory
output_dir <- file.path("reports", format(Sys.Date(), "%Y-%m"))
dir.create(output_dir, recursive = TRUE, showWarnings = FALSE)

# Render with output path
quarto::quarto_render(
  "report.qmd",
  execute_params = list(region = region),
  output_file = file.path(output_dir, paste0("report-", region, ".html"))
)

得: 輸出檔書於日戳之子目,含述名(如 reports/2025-06/report-europe.html)。

敗則:dir.create() 敗,察父目存而可書。Windows 上驗路不過 260 字。

  • 報以默參成渲
  • 報以諸自訂參集成渲
  • 參於處前已驗
  • 輸出檔以述名名之
  • 條件段依參正渲
  • 批生於諸合皆畢

  • 參名不合:YAML 名必全合碼中 params$name 之引
  • 型強轉:YAML 或解 year: 2025 為整而碼望字。宜明
  • 條件估:Quarto 用 #| eval: !expr params$flag,非 eval = params$flag
  • 檔覆寫:無獨輸名,每渲覆前
  • 批模之記:久批或累記。考用 callr::r() 以隔

  • create-quarto-report - 基 Quarto 檔立
  • generate-statistical-tables - 適參之表
  • format-apa-report - 參之學報

GitHub Repository

pjt222/agent-almanac
Pfad: i18n/wenyan/skills/build-parameterized-report
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