MCP HubMCP Hub
Volver a habilidades

refactor-skill-structure

pjt222
Actualizado Yesterday
4 vistas
17
2
17
Ver en GitHub
Metaai

Acerca de

Esta Habilidad de Claude refactoriza archivos SKILL.md excesivamente largos o mal estructurados para cumplir con el límite de 500 líneas en CI y mejorar la legibilidad. Extrae ejemplos de código extensos a un archivo separado EXAMPLES.md, divide procedimientos compuestos en pasos enfocados y reorganiza el contenido para una revelación progresiva. Úsela cuando una habilidad exceda el límite de líneas, esté dominada por bloques de código o contenga pasos procedimentales con múltiples operaciones no relacionadas.

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/refactor-skill-structure

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

Documentación

重構技能結構

重構已逾 500 行限或結構有疾之 SKILL.md。本技能將延伸之代碼例抽出至 references/EXAMPLES.md,將複合程序拆分為聚焦之子程序,加交互引用以漸進揭示,並驗證重組後技能仍完整有效。

適用時機

  • 技能逾 CI 所執之 500 行限
  • 一程序步驟含多個不相關操作,宜分為各步
  • 逾 15 行之代碼塊主導 SKILL.md 而可抽出
  • 技能累積臨時段落,破壞標準六段結構
  • 內容更新後技能逾行限
  • 技能評審標出超越內容品質之結構問題

輸入

  • 必要:擬重構之 SKILL.md 文件路徑
  • 選擇性:目標行數(預設:瞄準 500 行限之 80%,即約 400 行)
  • 選擇性:是否建立 references/EXAMPLES.md(預設:有可抽內容則是)
  • 選擇性:是否拆為多技能(預設:否,宜先抽出)

步驟

步驟一:度量當前行數並識別膨脹之源

讀取技能並按段建立行預算,以識別膨脹所在。

# Total line count
wc -l < skills/<skill-name>/SKILL.md

# Line count per section (approximate)
grep -n "^## \|^### " skills/<skill-name>/SKILL.md

膨脹之源分類:

  • 可抽:逾 15 行之代碼塊、完整配置例、多變體例
  • 可拆:作 2 種以上不相關操作之複合程序步
  • 可削:冗解、過長之上下文句
  • 結構性:不合標準六段結構之臨時段

預期: 行預算顯示哪些段過大及何種膨脹類別適用。最大段乃首要重構標的。

失敗時: 若技能未逾 500 行且無顯結構問題,本技能恐不需。先驗重構之請求是否合理。

步驟二:抽代碼塊至 references/EXAMPLES.md

將逾 15 行之代碼塊移至 references/EXAMPLES.md,於主 SKILL.md 留簡短行內片段(3-10 行)。

  1. 建 references 目錄:

    mkdir -p skills/<skill-name>/references/
    
  2. 對每可抽之代碼塊:

    • 將完整代碼塊複製至 references/EXAMPLES.md,置於描述性標題之下
    • 於 SKILL.md 中以 3-5 行簡短片段取代之
    • 加交互引用:See [EXAMPLES.md](references/EXAMPLES.md#heading) for the complete configuration.
  3. 以清晰標題組織 references/EXAMPLES.md

    # Examples
    
    ## Example 1: Full Configuration
    
    Complete configuration file for [context]:
    
    \```yaml
    # ... full config here ...
    \```
    
    ## Example 2: Multi-Variant Setup
    
    ### Variant A: Development
    \```yaml
    # ... dev config ...
    \```
    
    ### Variant B: Production
    \```yaml
    # ... prod config ...
    \```
    

預期: 所有逾 15 行之代碼塊已抽出。主 SKILL.md 留簡短行內片段以資易讀。交互引用連至所抽之內容。references/EXAMPLES.md 組織良好,標題具描述性。

失敗時: 若抽代碼塊不足以充分減行(仍逾 500),續至步驟三作程序拆分。若技能代碼塊極少(如自然語言類技能),則改聚焦於步驟三、四。

步驟三:拆複合程序為聚焦之步驟

識別作多種不相關操作之程序步並拆之。

複合步之徵兆:

  • 步題含「與」字(如「配置資料庫並設置快取」)
  • 步有多個 Expected/On failure 塊(或應有)
  • 步逾 30 行
  • 步可被略過或其子部分可以不同順序進行

對每複合步:

  1. 識其中之分離操作
  2. 為每操作建一新 ### Step N:
  3. 為後續步驟重新編號
  4. 確保每新步有自己之 Expected 與 On failure 塊
  5. 於新步間加過渡上下文

預期: 每程序步只作一事。無步逾 30 行。步數可增但每步可獨立驗證。

失敗時: 若拆步過細(如總計逾 20 步),考慮將相關微步歸於單一步下之編號子步。佳之區間為 5-12 程序步。

步驟四:自 SKILL.md 加交互引用至所抽內容

確保抽出後主 SKILL.md 仍易讀且可發現。

對每抽出:

  1. SKILL.md 中之行內片段對常見情形應自足
  2. 交互引用應說明附加內容為何
  3. 使用相對路徑:[EXAMPLES.md](references/EXAMPLES.md#section-anchor)

交互引用模式:

  • 簡短代碼片段之後:See [EXAMPLES.md](references/EXAMPLES.md#full-configuration) for the complete configuration with all options.
  • 多變體例:See [EXAMPLES.md](references/EXAMPLES.md#variants) for development, staging, and production variants.
  • 延伸排錯:See [EXAMPLES.md](references/EXAMPLES.md#troubleshooting) for additional error scenarios.

預期: 每抽出皆有對應之交互引用。讀者可循主 SKILL.md 處理常見情形,而鑽入 references 看細節。

失敗時: 若交互引用使行文不順,將多引用合併為程序步末之單一注:For extended examples including [X], [Y], and [Z], see [EXAMPLES.md](references/EXAMPLES.md).

步驟五:重構後驗行數

對 SKILL.md 重新度量行數。

# Check main SKILL.md
lines=$(wc -l < skills/<skill-name>/SKILL.md)
[ "$lines" -le 500 ] && echo "SKILL.md: OK ($lines lines)" || echo "SKILL.md: STILL OVER ($lines lines)"

# Check references file if created
if [ -f skills/<skill-name>/references/EXAMPLES.md ]; then
  ref_lines=$(wc -l < skills/<skill-name>/references/EXAMPLES.md)
  echo "EXAMPLES.md: $ref_lines lines"
fi

# Total content
echo "Total content: $((lines + ${ref_lines:-0})) lines"

預期: SKILL.md 已逾 500 行下。理想於 400 行下,留將來增長空間。references/EXAMPLES.md 無行限。

失敗時: 若抽出與拆分後仍逾 500 行,考慮是否應將該技能分解為兩個獨立技能。涵蓋過廣乃範圍蠕之徵。用 create-skill 寫第二技能並更新二者之相關技能交互引用。

步驟六:驗所有段落仍存

重構之後,驗該技能仍具所有必需段且 frontmatter 完整。

review-skill-format 清單:

  1. YAML frontmatter 解析正確
  2. 六必需段皆存(When to Use、Inputs、Procedure、Validation、Common Pitfalls、Related Skills)
  3. 每程序步皆有 Expected 與 On failure 塊
  4. 無孤立交互引用(所有連結可達)
# Quick section check
for section in "## When to Use" "## Inputs" "## Procedure" "## Common Pitfalls" "## Related Skills"; do
  grep -q "$section" skills/<skill-name>/SKILL.md && echo "$section: OK" || echo "$section: MISSING"
done
grep -qE "## Validation( Checklist)?" skills/<skill-name>/SKILL.md && echo "Validation: OK" || echo "Validation: MISSING"

預期: 所有段皆存。抽出時無內容意外被刪。SKILL.md 中之交互引用解析至 EXAMPLES.md 中之實際標題。

失敗時: 若有段意外被移除,自 git 歷史復之:git diff skills/<skill-name>/SKILL.md 以見何變。若交互引用斷,驗 EXAMPLES.md 之標題錨點與 SKILL.md 之連結相符(GitHub 風格 markdown 錨點規則:小寫、空格化連字符、剝點符)。

驗證

  • SKILL.md 行數 500 或更少
  • SKILL.md 中所有代碼塊 15 行或更少
  • 抽出之內容於 references/EXAMPLES.md 中,附描述性標題
  • 每抽出皆於主 SKILL.md 有交互引用
  • 無複合程序步留存(每步只作一事)
  • 重構後六必需段皆存
  • 每程序步皆有 Expected:On failure:
  • YAML frontmatter 完整可解析
  • 交互引用連結解析至 EXAMPLES.md 中之實際標題
  • review-skill-format 之驗證於重構後技能上通過

常見陷阱

  • 抽得太狠:將所有代碼移至 references 使主 SKILL.md 不易讀。常見情形宜留 3-10 行片段於行內。僅抽逾 15 行或多變體之塊
  • 錨連結斷:GitHub 風格 markdown 錨點於某些渲染器中區分大小寫。EXAMPLES.md 用小寫標題並於交互引用中精確對應。以 grep -c "heading-text" references/EXAMPLES.md 測之
  • 拆分時失 Expected/On failure:拆複合步時,確保每新步有自己之 Expected 與 On failure 塊。拆後易留某步無此二塊
  • 創過多細步:拆分宜得 5-12 程序步。若得 15 步以上則拆得過狠。將相關微步合回邏輯組
  • 遺忘更新 references/EXAMPLES.md 標題:若改 EXAMPLES.md 中之段名,SKILL.md 中所有交互引用錨皆須更新。grep 舊錨名以捉所有引用

相關技能

  • review-skill-format — 重構之後跑格式驗證,確認技能仍合規
  • update-skill-content — 內容更新每每為結構重構之觸發,當其推技能逾行限時
  • create-skill — 決定如何組織抽出內容時,參照標準結構
  • evolve-skill — 須將一技能拆為二時,用 evolve 建衍生

Repositorio GitHub

pjt222/agent-almanac
Ruta: i18n/wenyan-lite/skills/refactor-skill-structure
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