MCP HubMCP Hub
← Back to Skills

audit-icon-pipeline

pjt222
Updated 2 days ago
4 views
17
2
17
View on GitHub
Othergeneral

About

This skill audits icon pipelines by comparing registries against symbol maps, icon directories, and manifests to detect missing symbols, icons, and high-resolution variants. It generates structured discrepancy reports across skills, agents, and teams for all color palettes. Use it for health checks before pipeline renders or after adding new entities to ensure icon completeness.

Quick Install

Claude Code

Recommended
Primary
npx skills add pjt222/agent-almanac -a claude-code
Plugin CommandAlternative
/plugin add https://github.com/pjt222/agent-almanac
Git CloneAlternative
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/audit-icon-pipeline

Copy and paste this command in Claude Code to install this skill

Documentation

审计图标流水线

通过将注册表与符号映射文件、图标目录和清单进行比较，检测缺失的符号、缺失的图标和过时的清单。生成涵盖技能、代理和团队的结构化差异报告。

适用场景

  • 添加新的技能、代理或团队后，检查是否需要创建图标
  • 在完整的流水线渲染之前，识别缺失的内容
  • 注册表更新后，确保清单保持同步
  • 图标流水线的定期健康检查

输入

  • 可选：实体类型过滤 — skill、agent、team 或 all（默认：all）
  • 可选：要检查的调色板（默认：cyberpunk — 参考调色板）

流程

步骤 1：读取注册表

从权威数据源注册表中收集所有实体 ID。

  1. 读取 skills/_registry.yml — 提取所有领域中的全部技能 ID
  2. 读取 agents/_registry.yml — 提取所有代理 ID
  3. 读取 teams/_registry.yml — 提取所有团队 ID
  4. 记录计数：技能总数、代理总数、团队总数

预期结果： 三个实体 ID 列表，计数与 total_skills、total_agents、total_teams 匹配。

失败时： 如果注册表文件缺失，报告路径并跳过该实体类型。

步骤 2：读取符号映射

从符号映射文件中收集所有已映射的实体 ID。

  1. 读取 viz/R/glyphs.R — 提取 SKILL_GLYPHS 列表中的所有键
  2. 读取 viz/R/agent_glyphs.R — 提取 AGENT_GLYPHS 列表中的所有键
  3. 读取 viz/R/team_glyphs.R — 提取 TEAM_GLYPHS 列表中的所有键

预期结果： 三个已映射 ID 列表。

失败时： 如果符号文件缺失，报告并将该类型的所有实体标记为未映射。

步骤 3：计算缺失的符号

将注册表 ID 与已映射 ID 进行差异比较。

  1. 缺失的技能符号：registry_skill_ids - mapped_skill_ids
  2. 缺失的代理符号：registry_agent_ids - mapped_agent_ids
  3. 缺失的团队符号：registry_team_ids - mapped_team_ids

预期结果： 存在于注册表中但没有映射符号函数的实体 ID 列表。

失败时： 如果差异计算失败，验证注册表和符号文件之间的 ID 格式是否匹配（例如下划线与连字符）。

步骤 4：检查已渲染的图标

验证已映射的符号是否有对应的已渲染图标文件。

  1. 对于每个已映射的技能 ID，检查 viz/public/icons/<palette>/<domain>/<skillId>.webp
  2. 对于每个已映射的代理 ID，检查 viz/public/icons/<palette>/agents/<agentId>.webp
  3. 对于每个已映射的团队 ID，检查 viz/public/icons/<palette>/teams/<teamId>.webp
  4. 检查 viz/public/icons-hd/ 中相同结构的高清变体

预期结果： 有符号但缺失已渲染图标（标准和/或高清）的实体列表。

失败时： 如果图标目录不存在，说明流水线尚未运行 — 将所有标记为缺失。

步骤 5：检查清单时效性

将清单计数与注册表计数进行比较。

  1. 读取 viz/public/data/icon-manifest.json — 统计条目数
  2. 读取 viz/public/data/agent-icon-manifest.json — 统计条目数
  3. 读取 viz/public/data/team-icon-manifest.json — 统计条目数
  4. 与注册表总数进行比较

预期结果： 清单计数与注册表计数匹配。差异表明清单已过时。

失败时： 如果清单文件不存在，需要先运行数据流水线（node build-data.js && node build-icon-manifest.js）。

步骤 6：生成差异报告

生成结构化的汇总报告。

  1. 将输出格式化为清晰的表格或列表： 
    === Icon Pipeline Audit ===

MISSING GLYPHS (no glyph function):
  Skills: 5 missing — [list]
  Agents: 2 missing — [list]
  Teams: 0 missing

MISSING ICONS (glyph exists, no rendered WebP):
  Standard (512px): 3 skills, 1 agent
  HD (1024px): 8 skills, 3 agents, 1 team

STALE MANIFESTS:
  icon-manifest.json: 320 entries vs 326 registry (stale)
  agent-icon-manifest.json: 66 entries vs 66 registry (OK)
  team-icon-manifest.json: 15 entries vs 15 registry (OK)
  2. 根据发现提出后续操作建议

预期结果： 包含可操作后续步骤的完整差异报告。

失败时： 如果所有检查通过且无差异，报告"流水线完全同步"作为正面结果。

验证清单

  • 成功读取了所有三个注册表
  • 检查了所有三个符号映射文件
  • 扫描了标准和高清图标目录
  • 验证了清单时效性
  • 生成了包含计数和实体列表的差异报告
  • 提供了可操作的后续步骤

常见陷阱

  • ID 格式不匹配：注册表使用 kebab-case（create-skill），符号映射可能使用 snake_case 键 — 确保比较时进行格式规范化
  • 调色板假设：仅检查 cyberpunk 调色板会遗漏特定调色板的渲染差异
  • 空目录：领域目录存在但为空时，通配符搜索会认为"图标已存在" — 应检查文件是否存在，而非目录是否存在
  • 高清未渲染：高清图标位于单独的目录树（icons-hd/）中 — 不要与标准图标混淆

相关技能

  • create-glyph — 创建本审计中识别出的缺失符号
  • enhance-glyph — 改善现有符号的质量
  • render-icon-pipeline — 运行完整的流水线以生成缺失的图标
  • Orphan icons checked (disk paths vs manifest)
  • Orphans after re-homing: When a skill's domain changes, build.sh creates icons at the new path but does NOT delete the old path — always run Step 6 orphan check after any domain migration

GitHub Repository

pjt222/agent-almanac
Path: i18n/zh-CN/skills/audit-icon-pipeline
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Related Skills

llamaguard

Other

LlamaGuard is Meta's 7-8B parameter model for moderating LLM inputs and outputs across six safety categories like violence and hate speech. It offers 94-95% accuracy and can be deployed using vLLM, Hugging Face, or Amazon SageMaker. Use this skill to easily integrate content filtering and safety guardrails into your AI applications.

View skill

cost-optimization

Other

This Claude Skill helps developers optimize cloud costs through resource rightsizing, tagging strategies, and spending analysis. It provides a framework for reducing cloud expenses and implementing cost governance across AWS, Azure, and GCP. Use it when you need to analyze infrastructure costs, right-size resources, or meet budget constraints.

View skill

quantizing-models-bitsandbytes

Other

This skill quantizes LLMs to 8-bit or 4-bit precision using bitsandbytes, achieving 50-75% memory reduction with minimal accuracy loss. It's ideal for running larger models on limited GPU memory or accelerating inference, supporting formats like INT8, NF4, and FP4. The skill integrates with HuggingFace Transformers and enables QLoRA training and 8-bit optimizers.

View skill

dispatching-parallel-agents

Other

This Claude Skill dispatches multiple agents to investigate and fix 3+ independent problems concurrently. It is designed for scenarios involving unrelated failures that can be resolved without shared state or dependencies. The core capability is parallel problem-solving, assigning one agent per independent problem domain to maximize efficiency.

View skill