Zurück zu Fähigkeiten

polish-claw-project

pjt222
Aktualisiert Yesterday
6 Ansichten
17
2
17
Auf GitHub ansehen
Metaautomation

Über

Diese Fähigkeit bietet einen strukturierten 9‑Schritte‑Workflow für Beiträge zu OpenClaw‑Ökosystem‑Projekten, mit Fokus auf sicherheitsbewusster Code‑Überprüfung und Pull‑Request‑Erstellung. Sie betont paralleles Auditing, die Vermeidung von False Positives sowie das Abgleichen von Fundstellen mit bestehenden Issues, um hochwirksame Beiträge zu priorisieren. Nutzen Sie sie für wiederholbare, nachvollziehbare Beiträge zu sicherheitskritischen Open‑Source‑Projekten wie OpenClaw, NemoClaw oder NanoClaw.

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

打磨 Claw 專案

為 OpenClaw 生態之專案貢獻而設之結構化工作流程。其新穎價值集中於步驟 5-7:平行稽核、防誤報、將發現對照公開議題以擇高影響力之貢獻。機械性步驟(fork、PR 建立)委由既有技能。

適用時機

  • 為 NVIDIA/OpenClaw、NVIDIA/NemoClaw、NVIDIA/NanoClaw 或類似 Claw 生態之倉庫貢獻
  • 對含安全敏感架構之開源專案首次貢獻
  • 欲行可重複、可稽核之貢獻流程,而非臨時修補
  • 確認某 Claw 專案接受外部貢獻後(檢 CONTRIBUTING.md)

輸入

  • 必要repo_url —— 目標 Claw 專案之 GitHub URL(如 https://github.com/NVIDIA/NemoClaw
  • 選擇性
    • contribution_count —— 目標貢獻數(預設:1-3)
    • focus —— 偏好之貢獻類型:securitytestsdocsbugsany(預設:any
    • fork_org —— fork 至之 GitHub org/user(預設:認證使用者)

步驟

步驟一:辨識並驗證目標

確認專案接受外部貢獻且積極維護中。

  1. 開啟倉庫 URL 並讀 CONTRIBUTING.mdCODE_OF_CONDUCT.mdLICENSE
  2. 檢視近期提交活動(過去 30 日)與公開 PR 之合併率
  3. 驗證專案採用寬鬆或對貢獻友善之授權
  4. 若有 SECURITY.md 或安全政策,閱之——留意負責揭露規則
  5. 辨識主要語言、測試框架與 CI 系統

預期: CONTRIBUTING.md 存在,30 日內有提交,貢獻指引清晰。

失敗時: 若無 CONTRIBUTING.md 或近期無活動,記錄理由並止步——停滯之專案少接受外部 PR。

步驟二:Fork 並 Clone

建立倉庫之工作副本。

  1. Fork:gh repo fork <repo_url> --clone
  2. 設上游遠端:git remote add upstream <repo_url>
  3. 驗證:git remote -v 顯示 origin(fork)與 upstream
  4. 同步:git fetch upstream && git checkout main && git merge upstream/main

預期: 本地副本已配置雙遠端且為最新。

失敗時: 若 fork 失敗,檢視 GitHub 認證(gh auth status)。若 clone 過慢,初探可用 --depth=1

步驟三:探索程式碼

對專案架構建立心智模型。

  1. README.md 以了解架構概觀與專案目標
  2. 辨識入口點、核心模組與公開 API 表面
  3. 繪測試結構:測試所在、所用框架、覆蓋率
  4. 留意程式風格慣例:linter 設定、命名模式、import 風格
  5. 檢查 Docker/容器設置、CI 設定與部署模式

預期: 對專案結構、慣例與貢獻適配處有清晰理解。

失敗時: 若架構不明,聚焦於某子系統而非整個專案。

步驟四:閱讀公開議題

掃視既有議題以了解專案需求並避免重工。

  1. 列出公開議題:gh issue list --state open --limit 50
  2. 依類分類:bug、功能、文件、安全、good-first-issue
  3. 留意標籤為 help wantedgood first issuehacktoberfest 之議題
  4. 檢查停滯議題(>90 日無動作)——可能已被棄置
  5. 讀任何相關 PR,了解曾嘗試之解法

預期: 一份分類之未認領議題清單。

失敗時: 若無公開議題,進入步驟五——稽核可能揭出未列之改進。

步驟五:平行稽核

平行執行安全與程式品質之稽核。新穎發現於此浮現。

  1. 對專案根目錄執行 security-audit-codebase 技能
  2. 同時執行 review-codebase 技能,範圍為 quality
  3. 關鍵:將每項發現對照專案之威脅模型與架構加以驗證
    • 沙箱啟動腳本中之「硬編碼密鑰」並非漏洞
    • 僅供內部使用之函式之輸入驗證缺失,嚴重度低
    • 標為易受攻擊之相依,恐已被專案架構所緩解
  4. 將已驗發現分等:CRITICAL、HIGH、MEDIUM、LOW
  5. 將誤報及其理由記錄之——可入未來之常見陷阱

預期: 一份附嚴重度之已驗發現清單,並標註誤報。

失敗時: 若無發現浮現,轉聚焦於測試覆蓋缺口、文件改進或開發者體驗加強。

步驟六:交叉參照發現

將已驗稽核發現對照公開議題——核心之判斷步驟。

  1. 對每項已驗發現,於公開議題中搜相關討論
  2. 將每項發現歸類為:
    • 與公開議題吻合 —— 將發現連結至該議題
    • 新發現 —— 既有議題未涵蓋
    • 公開 PR 中已修 —— 檢視進行中之 PR
  3. 優先處理與既有議題吻合者(合併機率最高)
  4. 對新發現,依專案優先順序評估維護者是否歡迎此修

預期: 一份排序清單,含發現對議題之對應與合併機率評估。

失敗時: 若所有發現皆已被處理,回到步驟四,找文件、測試或開發者體驗之貢獻。

步驟七:擇定貢獻

依影響力、付出與專長擇 1-3 件貢獻。

  1. 為每候選打分:
    • 影響力:對專案之改善程度(安全 > bug > 測試 > 文件)
    • 付出:能否於聚焦之單次工作完成?(小而完整之 PR 為佳)
    • 專長:貢獻者是否具修補所需之領域知識?
    • 合併機率:是否與專案宣告之優先順序相符?
  2. 擇得分最高者(預設:1-3 件)
  3. 為每件界定:分支名、範圍邊界、驗收準則、測試計畫

預期: 1-3 件已擇貢獻,附明確範圍與驗收準則。

失敗時: 若無候選得分良好,考慮以撰寫良好之議題提交,而非 PR。

步驟八:實作

每件貢獻建一分支並實作之。

  1. 對每件:git checkout -b fix/<description>
  2. 嚴格遵循專案慣例(linter、命名、import 風格)
  3. 為變更新增或更新測試
  4. 執行專案測試套件:驗證全部通過
  5. 執行專案 linter:驗證無新警告
  6. 每 PR 聚焦——每分支一個邏輯變更

預期: 乾淨之實作,測試通過、linter 無警告。

失敗時: 若測試因既有問題失敗,記錄之並確保 PR 未引入新失敗。

步驟九:建立 Pull Request

依專案 CONTRIBUTING.md 提交貢獻。

  1. 推送分支:git push origin fix/<description>
  2. create-pull-request 技能建立 PR
  3. PR 內容中參照相關議題(如「Fixes #123」)
  4. 若有 PR 模板,依之
  5. 對審查者回饋積極回應——快速迭代

預期: PR 已建立、已連結議題、合於專案慣例。

失敗時: 若 PR 建立失敗,檢視分支保護規則與貢獻者授權協議。

驗證

  1. 所有所擇貢獻皆已實作並提交為 PR
  2. 各 PR 皆參照相關議題(若存在)
  3. 各 PR 分支之全部專案測試通過
  4. 無誤報之發現被以實際議題提交
  5. PR 描述合於專案 CONTRIBUTING.md 之模板

常見陷阱

  • 誤報過稱:Claw 專案採沙箱架構——沙箱內之「漏洞」可能為設計使然。回報前務必對照專案威脅模型驗證。
  • 摘要/簽章鏈中斷:Claw 專案常用驗證鏈以保模型完整。變更須保此鏈,否則 PR 將被拒。
  • 慣例不合:Claw 專案執行嚴格之風格。執行專案自身之 linter,而非通用者。import 順序、docstring 格式與測試模式皆應一致。
  • 範圍蔓延:3 個聚焦之 PR 比 1 個拖長之 PR 合併更快。每件貢獻保持原子化。
  • 過時 fork:開工前務必與上游同步(git fetch upstream && git merge upstream/main)。

相關技能

GitHub Repository

pjt222/agent-almanac
Pfad: i18n/wenyan-lite/skills/polish-claw-project
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