Acerca de
Esta habilidad automatiza el despliegue de una aplicación Next.js en Vercel, manejando la vinculación del proyecto, la configuración de variables de entorno y la preparación de despliegues. Está diseñada para despliegues iniciales, configura despliegues de vista previa para solicitudes de extracción (pull requests) y configura dominios personalizados. Úsala para agilizar el proceso de gestión de entornos de producción y vista previa en Vercel.
Instalación rápida
Claude Code
Recomendadonpx skills add pjt222/agent-almanac -a claude-code/plugin add https://github.com/pjt222/agent-almanacgit clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/deploy-to-vercelCopia y pega este comando en Claude Code para instalar esta habilidad
Documentación
Deploy to Vercel
Next.js → Vercel w/ prod config.
Use When
- First-time Next.js deploy
- Preview deploys → PRs
- Custom domains
- Prod env vars
In
- Required: Next.js app builds locally
- Required: GitHub repo (rec) or local
- Optional: Custom domain
- Optional: Prod env vars
Do
Step 1: Verify local build
npm run build
→ Build OK, no errs.
If err: Fix build before deploy. Common: TS errs, missing deps, bad imports.
Step 2: Install Vercel CLI
npm install -g vercel
→ vercel cmd available, vercel --version works.
If err: Perm errs → sudo or user-local prefix. node --version.
Step 3: Link + deploy
# Login to Vercel
vercel login
# Deploy (first time: creates project)
vercel
# Follow prompts:
# - Set up and deploy? Y
# - Which scope? (select your account)
# - Link to existing project? N (for new projects)
# - Project name: my-app
# - Directory: ./
# - Override settings? N
→ Preview URL (e.g., https://my-app-xxx.vercel.app).
If err: vercel login fail → check net, try browser auth. Deploy fail → review build out. Clean env → all deps in package.json.
Step 4: Env vars
# Add environment variables
vercel env add DATABASE_URL production
vercel env add API_KEY production preview
# List environment variables
vercel env ls
Or dashboard: Project Settings > Environment Variables.
→ vercel env ls shows all vars in correct envs.
If err: Not at runtime → target env matches. Redeploy → existing deploys don't pick up new vars.
Step 5: Prod deploy
vercel --prod
→ Prod URL (e.g., https://my-app.vercel.app).
If err: vercel logs or dashboard. Common: missing prod env vars, build cmd diff from local.
Step 6: GitHub auto-deploy (rec)
https://vercel.com/new- Import GH repo
- Auto-deploy on:
- Push main → prod
- PR → preview
→ Dashboard shows repo connected, pushes trigger prod auto.
If err: Repo not in list → Vercel GH app access. GitHub Settings > Applications > Vercel.
Step 7: Custom domain
vercel domains add my-domain.com
Or dashboard: Project Settings > Domains. Update DNS per Vercel.
→ vercel domains ls shows configured, after propagation (≤48h) resolves.
If err: "Invalid Configuration" → DNS matches exactly. dig my-domain.com or DNS checker.
Step 8: Optimize config
vercel.json:
{
"framework": "nextjs",
"regions": ["iad1"],
"headers": [
{
"source": "/api/(.*)",
"headers": [
{ "key": "Cache-Control", "value": "no-store" }
]
}
]
}
→ vercel.json in root, next deploy picks up.
If err: Ignored → jq . vercel.json valid. Framework ver → some moved to next.config.ts.
Check
-
npm run buildOK locally - Preview deploy works
- Prod deploy serves app
- Env vars in prod
- Custom domain resolves (if config'd)
- GH integration triggers deploys
Traps
- Build fail Vercel not local: Clean env → all deps in
package.json, not just global - Env vars missing: Add to Vercel not
.env.local. Envs separate. - Node ver mismatch: Set in Project Settings or
package.jsonengines - Large deploys: Size limits.
.vercelignoreexcludes. - API timeout: Hobby plan 10s. Optimize or upgrade.
→
scaffold-nextjs-app— create app to deploysetup-tailwind-typescript— config styling pre-deployconfigure-git-repository— Git setup for auto-deploy
Repositorio GitHub
Frequently asked questions
What is the deploy-to-vercel skill?
deploy-to-vercel is a Claude Skill by pjt222. Skills package instructions and resources that Claude loads on demand, so Claude can perform deploy-to-vercel-related tasks without extra prompting.
How do I install deploy-to-vercel?
Use the install commands on this page: add deploy-to-vercel to Claude Code as a plugin, or clone its repository into your skills directory, then restart Claude so it picks up the skill.
What category does deploy-to-vercel belong to?
deploy-to-vercel is in the Other category, tagged ai.
Is deploy-to-vercel free to use?
Yes. deploy-to-vercel is listed on AIMCP and free to install. It runs inside Claude, so no separate service account is required to use the skill itself.
Habilidades relacionadas
LlamaGuard es el modelo de Meta de 7-8B parámetros para moderar las entradas y salidas de LLM en seis categorías de seguridad como violencia y discurso de odio. Ofrece una precisión del 94-95% y puede implementarse usando vLLM, Hugging Face o Amazon SageMaker. Utiliza esta skill para integrar fácilmente filtrado de contenido y barreras de seguridad en tus aplicaciones de IA.
Esta Skill de Claude ayuda a los desarrolladores a optimizar los costes en la nube mediante el ajuste de tamaño de recursos, estrategias de etiquetado y análisis de gastos. Proporciona un marco para reducir los gastos en la nube e implementar una gobernanza de costes en AWS, Azure y GCP. Úsala cuando necesites analizar los costes de infraestructura, ajustar el tamaño de los recursos o cumplir con restricciones presupuestarias.
Esta habilidad de Claude analiza los mercados de apuestas deportivas, incluyendo spreads, over/unders y apuestas de propuestas, mediante el examen de tendencias históricas y estadísticas situacionales para identificar apuestas de valor. Proporciona una salida en markdown estructurado con recomendaciones accionables con fines educativos. Los desarrolladores deben utilizar esto para herramientas de análisis de apuestas deportivas, teniendo en cuenta que está diseñado únicamente para entretenimiento/educación.
Esta habilidad cuantiza LLMs a precisión de 8 o 4 bits utilizando bitsandbytes, logrando una reducción de memoria del 50-75% con pérdida mínima de precisión. Es ideal para ejecutar modelos más grandes en memoria GPU limitada o para acelerar la inferencia, admitiendo formatos como INT8, NF4 y FP4. La habilidad se integra con HuggingFace Transformers y permite entrenamiento QLoRA y optimizadores de 8 bits.
