MCP HubMCP Hub
Volver a habilidades

polish-claw-project

pjt222
Actualizado 2 days ago
4 vistas
17
2
17
Ver en GitHub
Metaautomation

Acerca de

Esta habilidad proporciona un flujo de trabajo estructurado de 9 pasos para contribuir a proyectos del ecosistema OpenClaw. Se enfoca en la auditoría de código, la prevención de falsos positivos y la verificación cruzada de hallazgos antes de crear solicitudes de extracción. Úsela cuando necesite revisar y contribuir sistemáticamente a los repositorios de OpenClaw, NemoClaw o NanoClaw.

Instalación rápida

Claude Code

Recomendado
Principal
npx skills add pjt222/agent-almanac -a claude-code
Comando PluginAlternativo
/plugin add https://github.com/pjt222/agent-almanac
Git CloneAlternativo
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/polish-claw-project

Copia y pega este comando en Claude Code para instalar esta habilidad

Documentación

Claw-Projekt polieren

Strukturierter Workflow zum Beitragen zu OpenClaw-Oekosystem-Projekten. Der neuartige Wert liegt in den Schritten 5-7: parallele Pruefung, Vermeidung von False Positives und Querverweisen von Befunden gegen offene Issues um hoch-impactvolle Beitraege auszuwaehlen. Mechanische Schritte (Fork, PR-Erstellung) delegieren an existierende Skills.

Wann verwenden

  • Beitragen zu NVIDIA/OpenClaw, NVIDIA/NemoClaw, NVIDIA/NanoClaw oder aehnlichen Claw-Oekosystem-Repos
  • Erstmalige Beitraege zu einem unvertrauten Open-Source-Projekt mit sicherheits-sensibler Architektur
  • Wenn ein wiederholbarer, auditierbarer Beitrags-Workflow statt Ad-hoc-Fixes gewuenscht ist
  • Nach Identifikation eines Claw-Projekts das externe Beitraege akzeptiert (CONTRIBUTING.md pruefen)

Eingaben

  • Erforderlich: repo_url — GitHub-URL des Ziel-Claw-Projekts (z.B. https://github.com/NVIDIA/NemoClaw)
  • Optional:
    • contribution_count — Anzahl Beitraege zu anvisieren (Standard: 1-3)
    • focus — Bevorzugter Beitrags-Typ: security, tests, docs, bugs, any (Standard: any)
    • fork_org — GitHub-Org/-Benutzer in den geforkt werden soll (Standard: authentifizierter Benutzer)

Vorgehensweise

Schritt 1: Ziel identifizieren und verifizieren

Bestaetigen dass das Projekt externe Beitraege akzeptiert und aktiv gepflegt wird.

  1. Die Repository-URL oeffnen und CONTRIBUTING.md, CODE_OF_CONDUCT.md und LICENSE lesen
  2. Aktuelle Commit-Aktivitaet pruefen (letzte 30 Tage) und offene PR-Merge-Rate
  3. Verifizieren dass das Projekt eine permissive oder beitragsfreundliche Lizenz nutzt
  4. SECURITY.md oder Sicherheits-Politik falls vorhanden lesen — Responsible-Disclosure-Regeln vermerken
  5. Die primaere Sprache, Test-Framework und CI-System identifizieren

Erwartet: CONTRIBUTING.md existiert, Commits innerhalb der letzten 30 Tage, klare Beitrags-Guidelines.

Bei Fehler: Wenn keine CONTRIBUTING.md oder keine aktuelle Aktivitaet, dokumentieren warum und stoppen — veraltete Projekte mergen externe PRs selten.

Schritt 2: Forken und klonen

Eine Arbeitskopie des Repositories erstellen.

  1. Forken: gh repo fork <repo_url> --clone
  2. Upstream-Remote setzen: git remote add upstream <repo_url>
  3. Verifizieren: git remote -v zeigt sowohl origin (Fork) als auch upstream
  4. Synchronisieren: git fetch upstream && git checkout main && git merge upstream/main

Erwartet: Lokaler Klon mit beiden Remotes konfiguriert und aktuell.

Bei Fehler: Wenn Forken scheitert, GitHub-Authentifizierung pruefen (gh auth status). Wenn Klonen langsam ist, --depth=1 fuer initiale Erkundung versuchen.

Schritt 3: Codebasis erkunden

Ein mentales Modell der Projekt-Architektur aufbauen.

  1. README.md fuer Architektur-Ueberblick und Projektziele lesen
  2. Eintrittspunkte, Kernmodule und oeffentliche API-Oberflaeche identifizieren
  3. Die Test-Struktur kartieren: wo Tests leben, welches Framework, Coverage-Level
  4. Code-Stil-Konventionen vermerken: Linter-Konfig, Namens-Muster, Import-Stil
  5. Auf Docker/Container-Setup, CI-Konfiguration und Deployment-Muster pruefen

Erwartet: Klares Verstaendnis der Projektstruktur, Konventionen und wo Beitraege passen wuerden.

Bei Fehler: Wenn Architektur unklar ist, auf ein spezifisches Subsystem statt das ganze Projekt fokussieren.

Schritt 4: Offene Issues lesen

Existierende Issues durchgehen um Projektbeduerfnisse zu verstehen und doppelte Arbeit zu vermeiden.

  1. Offene Issues auflisten: gh issue list --state open --limit 50
  2. Nach Typ kategorisieren: Bugs, Features, Docs, Security, good-first-issue
  3. Issues mit Labels help wanted, good first issue oder hacktoberfest vermerken
  4. Auf veraltete Issues (>90 Tage offen, keine aktuellen Kommentare) pruefen — diese koennen verlassen sein
  5. Verlinkte PRs lesen um versuchte Loesungen zu verstehen

Erwartet: Kategorisierte Liste nicht beanspruchter Issues mit Typ-Labels.

Bei Fehler: Wenn keine offenen Issues existieren, zu Schritt 5 fortfahren — die Pruefung kann nicht gelistete Verbesserungen aufdecken.

Schritt 5: Parallele Pruefung

Sicherheits- und Code-Qualitaets-Pruefungen parallel ausfuehren. Hier tauchen neuartige Befunde auf.

  1. security-audit-codebase-Skill gegen das Projekt-Root ausfuehren
  2. Gleichzeitig review-codebase-Skill mit Scope quality ausfuehren
  3. Kritisch: jeden Befund gegen das Bedrohungsmodell und die Architektur des Projekts verifizieren
    • Ein "hartcodiertes Geheimnis" in einem Sandbox-Bootstrap-Skript ist keine Schwachstelle
    • Eine fehlende Eingabe-Validierung an einer nur-internen Funktion ist niedrige Schwere
    • Eine als verwundbar markierte Abhaengigkeit kann bereits durch die Architektur des Projekts gemildert sein
  4. Verifizierte Befunde bewerten: CRITICAL, HIGH, MEDIUM, LOW
  5. False Positives mit Begruendung dokumentieren — sie informieren Common Pitfalls fuer zukuenftige Laeufe

Erwartet: Liste verifizierter Befunde mit Schwere-Bewertungen und False-Positive-Annotationen.

Bei Fehler: Wenn keine Befunde auftauchen, Fokus auf Test-Coverage-Luecken, Dokumentations-Verbesserungen oder Developer-Experience-Verbesserungen verschieben.

Schritt 6: Befunde querverweisen

Verifizierte Audit-Befunde auf offene Issues abbilden — der Kern-Urteilsschritt.

  1. Fuer jeden verifizierten Befund offene Issues nach verwandten Diskussionen durchsuchen
  2. Jeden Befund kategorisieren als:
    • Passt zu offenem Issue — den Befund mit dem Issue verlinken
    • Neuer Befund — kein existierendes Issue deckt dies ab
    • Bereits in PR gefixt — offene PRs auf laufende Fixes pruefen
  3. Befunde priorisieren die existierenden Issues entsprechen (hoechste Merge-Wahrscheinlichkeit)
  4. Fuer neue Befunde einschaetzen ob die Maintainer den Fix basierend auf Projekt-Prioritaeten begruessen wuerden

Erwartet: Priorisierte Liste mit Befund-zu-Issue-Mapping und Merge-Wahrscheinlichkeits-Bewertung.

Bei Fehler: Wenn alle Befunde bereits adressiert sind, zu Schritt 4 zurueckkehren und nach Dokumentations-, Test- oder Developer-Experience-Beitraegen suchen.

Schritt 7: Beitraege auswaehlen

1-3 Beitraege basierend auf Impact, Aufwand und Expertise auswaehlen.

  1. Jeden Kandidaten bewerten auf:
    • Impact: Wie sehr verbessert dies das Projekt? (Sicherheit > Bugs > Tests > Docs)
    • Aufwand: Kann dies in einer fokussierten Sitzung gut erledigt werden? (kleine, vollstaendige PRs bevorzugen)
    • Expertise: Hat der Contributor Domaenen-Wissen fuer diesen Fix?
    • Merge-Wahrscheinlichkeit: Passt dies zu erklaerten Projekt-Prioritaeten?
  2. Die Top-Kandidaten auswaehlen (Standard: 1-3)
  3. Fuer jeden definieren: Branch-Name, Scope-Grenze, Akzeptanzkriterien, Test-Plan

Erwartet: 1-3 ausgewaehlte Beitraege mit klarem Scope und Akzeptanzkriterien.

Bei Fehler: Wenn keine Beitraege gut bewertet werden, in Erwaegung ziehen gut geschriebene Issues statt PRs einzureichen.

Schritt 8: Implementieren

Einen Branch pro Beitrag erstellen und den Fix implementieren.

  1. Fuer jeden Beitrag: git checkout -b fix/<description>
  2. Projekt-Konventionen exakt folgen (Linter, Naming, Import-Stil)
  3. Tests die die Aenderung abdecken hinzufuegen oder aktualisieren
  4. Die Test-Suite des Projekts ausfuehren: verifizieren dass alle Tests bestehen
  5. Den Linter des Projekts ausfuehren: verifizieren dass keine neuen Warnings
  6. Jeden PR fokussiert halten — eine logische Aenderung pro Branch

Erwartet: Saubere Implementation mit bestehenden Tests und keinen Linter-Warnings.

Bei Fehler: Wenn Tests an vorbestehenden Problemen scheitern, sie dokumentieren und sicherstellen dass der PR keine neuen Versagen einfuehrt.

Schritt 9: Pull Requests erstellen

Beitraege gemaess CONTRIBUTING.md des Projekts einreichen.

  1. Branch pushen: git push origin fix/<description>
  2. PR mit create-pull-request-Skill erstellen
  3. Das verwandte Issue im PR-Body referenzieren (z.B. "Fixes #123")
  4. Dem PR-Template des Projekts folgen falls eines existiert
  5. Auf Reviewer-Feedback reagieren — schnell iterieren

Erwartet: PRs erstellt, mit Issues verlinkt, Projekt-Konventionen folgend.

Bei Fehler: Wenn PR-Erstellung scheitert, Branch-Schutz-Regeln und Contributor-License-Agreements pruefen.

Validierung

  1. Alle ausgewaehlten Beitraege wurden implementiert und als PRs eingereicht
  2. Jeder PR referenziert das verwandte Issue (falls eines existiert)
  3. Alle Projekt-Tests bestehen auf jedem PR-Branch
  4. Keine False-Positive-Befunde wurden als echte Issues eingereicht
  5. PR-Beschreibungen folgen dem CONTRIBUTING.md-Template des Projekts

Haeufige Stolperfallen

  • False-Positive-Ueberanspruch: Claw-Projekte nutzen Sandbox-Architekturen — eine "Schwachstelle" innerhalb einer gesandboxten Umgebung kann beabsichtigt sein. Immer gegen das Bedrohungsmodell des Projekts verifizieren bevor berichtet wird.
  • Digest-/Signatur-Ketten-Stoerung: Claw-Projekte nutzen oft Verifikations-Ketten fuer Modell-Integritaet. Aenderungen muessen diese Ketten erhalten oder der PR wird abgelehnt.
  • Konventions-Mismatch: Claw-Projekte erzwingen strikten Stil. Den eigenen Linter des Projekts ausfuehren, keinen generischen. Import-Reihenfolge, Docstring-Format und Test-Muster exakt entsprechen.
  • Scope-Creep: 3 fokussierte PRs mergen schneller als 1 ausufernder PR. Jeden Beitrag atomar halten.
  • Veralteter Fork: Vor Arbeitsbeginn immer mit Upstream synchronisieren (git fetch upstream && git merge upstream/main).

Verwandte Skills

Repositorio GitHub

pjt222/agent-almanac
Ruta: i18n/de/skills/polish-claw-project
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Habilidades relacionadas

content-collections

Meta

Esta habilidad proporciona una configuración probada en producción para Content Collections, una herramienta centrada en TypeScript que transforma archivos Markdown/MDX en colecciones de datos con tipado seguro mediante validación Zod. Úsala al construir blogs, sitios de documentación o aplicaciones Vite + React con mucho contenido para garantizar seguridad de tipos y validación automática de contenido. Abarca todo, desde la configuración del plugin de Vite y compilación MDX hasta la optimización de despliegue y validación de esquemas.

Ver habilidad

polymarket

Meta

Esta habilidad permite a los desarrolladores crear aplicaciones con la plataforma de mercados de predicción Polymarket, incluyendo la integración de API para operaciones y datos de mercado. También proporciona transmisión de datos en tiempo real a través de WebSocket para monitorear operaciones en vivo y actividad del mercado. Úsela para implementar estrategias de trading o crear herramientas que procesen actualizaciones de mercado en tiempo real.

Ver habilidad

creating-opencode-plugins

Meta

Esta habilidad ayuda a los desarrolladores a crear complementos de OpenCode que se conectan a más de 25 tipos de eventos, como comandos, archivos y operaciones LSP. Proporciona la estructura del complemento, las especificaciones de la API de eventos y los patrones de implementación para módulos en JavaScript/TypeScript. Úsala cuando necesites interceptar, monitorear o extender el ciclo de vida del asistente de IA de OpenCode con lógica personalizada basada en eventos.

Ver habilidad

sglang

Meta

SGLang es un framework de alto rendimiento para el servicio de LLM que se especializa en generación rápida y estructurada para JSON, expresiones regulares y flujos de trabajo de agentes utilizando su caché de prefijos RadixAttention. Ofrece una inferencia significativamente más rápida, especialmente para tareas con prefijos repetidos, lo que lo hace ideal para salidas complejas y estructuradas, y conversaciones multiturno. Elige SGLang sobre alternativas como vLLM cuando necesites decodificación restringida o estés construyendo aplicaciones con uso extensivo de prefijos compartidos.

Ver habilidad