MCP HubMCP Hub
← Retour aux compétences

polish-claw-project

pjt222
Mis à jour Yesterday
4 vues
17
2
17
Voir sur GitHub
Autregeneral

À propos

Cette compétence propose un processus structuré en neuf étapes pour contribuer aux projets de l'écosystème OpenClaw (OpenClaw, NemoClaw, NanoClaw). Elle se concentre sur l'audit parallèle du code, la prévention des faux positifs et l'alignement avec les conventions des projets pour sélectionner des contributions à fort impact. Utilisez-la lorsque vous effectuez des contributions sensibles à la sécurité sur des bases de code non familières, car elle automatise les étapes mécaniques (création de fork, de PR) tout en mettant l'accent sur une revue systématique.

Installation rapide

Claude Code

Recommandé
Principal
npx skills add pjt222/agent-almanac -a claude-code
Commande PluginAlternatif
/plugin add https://github.com/pjt222/agent-almanac
Git CloneAlternatif
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/polish-claw-project

Copiez et collez cette commande dans Claude Code pour installer cette compétence

Documentation

磨爪項目

貢獻於 OpenClaw 生態項目之結構流程。新值在第 5-7 步：並行審計、防偽陽性、與開放議題對照以擇高影響之貢獻。機械步（fork、PR 立）委於既有技能。

用時

  • 貢獻於 NVIDIA/OpenClaw、NVIDIA/NemoClaw、NVIDIA/NanoClaw 或類似 Claw 生態庫
  • 首次貢獻於不熟之安全敏感架構之開源項
  • 欲可重複可審之貢獻流程而非隨手修
  • 已識受外貢之 Claw 項（察 CONTRIBUTING.md）後

入

  • 必要：repo_url — 目標 Claw 項之 GitHub URL（如 https://github.com/NVIDIA/NemoClaw）
  • 可選：
    • contribution_count — 欲行貢獻之數（默 1-3）
    • focus — 偏型：security、tests、docs、bugs、any（默 any）
    • fork_org — 分叉之 GitHub 組/用戶（默 認證之用戶）

法

第一步：識並驗目標

確項受外貢且活維。

  1. 開庫 URL 並讀 CONTRIBUTING.md、CODE_OF_CONDUCT.md、LICENSE
  2. 察近提交活（末 30 日）與開放 PR 合併率
  3. 驗項用寬鬆或貢友善之許可
  4. 讀 SECURITY.md 或安全策若有——記負責披露之規
  5. 識主語、試框、CI 系

得：CONTRIBUTING.md 在、末 30 日內有提交、貢指清晰。

敗則：若無 CONTRIBUTING.md 或近無活，記因而止——陳項罕合外 PR。

第二步：分叉並克隆

立庫之工作副本。

  1. 分叉：gh repo fork <repo_url> --clone
  2. 設上游：git remote add upstream <repo_url>
  3. 驗：git remote -v 示 origin（叉）與 upstream 二者
  4. 同步：git fetch upstream && git checkout main && git merge upstream/main

得：本地克隆，二遠程已配且最新。

敗則：若分叉敗，察 GitHub 認證（gh auth status）。若克隆緩，初探試 --depth=1。

第三步：探代碼庫

立項架構之心模。

  1. 讀 README.md 觀架構與項目標
  2. 識入點、核模、公 API 面
  3. 圖試結構：試何處、何框、覆度
  4. 注代碼風格慣：linter 配、命名、入式
  5. 察 Docker/容器設、CI 配、部署模

得：清明項結構、慣、貢宜處。

敗則：若架構不明，焦於某子系而非全項。

第四步：讀開放議題

察既議以明項所需並避重作。

  1. 列開放議：gh issue list --state open --limit 50
  2. 依型分類：bug、功能、文、安全、good-first-issue
  3. 注標 help wanted、good first issue、hacktoberfest 之議
  4. 察陳議（>90 日開、近無評）——或已棄
  5. 讀任連 PR 知所試之解

得：未認領議分類列附型標。

敗則：若無開放議，赴第五步——審計或揭未列之改善。

第五步：並行審計

並行行安全與代碼質審計。新發現於此現。

  1. 對項根行 security-audit-codebase 技能
  2. 同行 review-codebase 技能附範圍 quality
  3. 要：對項威脅模與架構驗各發現
    • 沙盒引導腳本中之「硬編祕」非漏
    • 內用函數無入驗低嚴重
    • 標漏之依或已被項架構緩解
  4. 評驗之發現：CRITICAL、HIGH、MEDIUM、LOW
  5. 記偽陽性附理——其告未來行之 Common Pitfalls

得：附嚴重評與偽陽性注之驗發現列。

敗則：若無發現浮現，移焦至試覆缺、文改、開發者體驗增。

第六步：對照發現

映驗審計發現至開放議——核判之步。

  1. 對各驗之發現，搜開放議相關之論
  2. 各發現分類為：
    • 合開放議 — 連發現於議
    • 新發現 — 無既議覆
    • 已修於 PR — 察開放 PR 進行中之修
  3. 優符既議者（最高合併率）
  4. 新發現者，依項優先評維護者是否願受修

得：附發現至議映與合併率評之優先列。

敗則：若諸發現皆已處，返第四步覓文、試、開發者體驗之貢。

第七步：擇貢

依影響、力、專長擇 1-3 貢。

  1. 各候之分：
    • 影響：此進項多少？（安全 > bug > 試 > 文）
    • 力：可於焦會中善為之乎？（取小完之 PR）
    • 專長：貢者有此修之域知乎？
    • 合併率：合所示項優先乎？
  2. 擇頂候（默 1-3）
  3. 各定：分支名、範圍界、接受之準、試謀

得：1-3 擇貢附明範圍與接受之準。

敗則：若無貢分高，考立善寫議而非 PR。

第八步：實作

各貢立分支並實修。

  1. 各貢：git checkout -b fix/<description>
  2. 嚴守項慣（linter、命名、入式）
  3. 加或更涵改之試
  4. 行項試套：驗諸試過
  5. 行項 linter：驗無新警
  6. 各 PR 焦——一邏輯變一分支

得：清實作，附過試與無 linter 警。

敗則：若試敗於既有問題，記之並確 PR 不引新敗。

第九步：立拉取請求

依項之 CONTRIBUTING.md 提交貢。

  1. 推分支：git push origin fix/<description>
  2. 用 create-pull-request 技能立 PR
  3. 於 PR 體參相關議（如 "Fixes #123"）
  4. 守項 PR 模板若有
  5. 對審者反饋速應——快迭

得：諸 PR 已立、連於議、守項慣。

敗則：若 PR 立敗，察分支保護規與貢者許可協議。

驗

  1. 諸擇貢已實作並提交為 PR
  2. 各 PR 參相關議（若有）
  3. 諸項試於各 PR 分支過
  4. 無偽陽性發現提交為實議
  5. PR 述守項 CONTRIBUTING.md 模板

陷

  • 偽陽性過聲：Claw 項用沙盒架構——沙盒環境內之「漏」或為設計使然。報前常對項威脅模驗。
  • 摘要/簽名鏈擾：Claw 項常用驗鏈為模型完整。變必保此鏈，否則 PR 拒。
  • 慣不合：Claw 項嚴執風格。行項自之 linter，非通用者。嚴配入序、文檔字符串格、試模。
  • 範圍蔓延：3 焦 PR 合併速於 1 蔓延 PR。各貢原子。
  • 陳分叉：始作前常與上游同步（git fetch upstream && git merge upstream/main）。

參

Dépôt GitHub

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

Compétences associées

llamaguard

Autre

LlamaGuard est le modèle de Meta, doté de 7 à 8 milliards de paramètres, conçu pour modérer les entrées et sorties des LLM selon six catégories de sécurité comme la violence et les discours haineux. Il offre une précision de 94 à 95 % et peut être déployé avec vLLM, Hugging Face ou Amazon SageMaker. Utilisez cette compétence pour intégrer facilement le filtrage de contenu et des garde-fous de sécurité dans vos applications d'IA.

Voir la compétence

cost-optimization

Autre

Cette compétence de Claude aide les développeurs à optimiser les coûts du cloud grâce au redimensionnement des ressources, aux stratégies d'étiquetage et à l'analyse des dépenses. Elle fournit un cadre pour réduire les dépenses cloud et mettre en œuvre une gouvernance des coûts sur AWS, Azure et GCP. Utilisez-la lorsque vous devez analyser les coûts d'infrastructure, redimensionner les ressources ou respecter des contraintes budgétaires.

Voir la compétence

quantizing-models-bitsandbytes

Autre

Cette compétence quantifie les LLMs en précision 8 bits ou 4 bits à l'aide de bitsandbytes, permettant une réduction de 50 à 75 % de la mémoire utilisée avec une perte de précision minime. Elle est idéale pour exécuter des modèles plus volumineux sur une mémoire GPU limitée ou pour accélérer l'inférence, prenant en charge des formats comme INT8, NF4 et FP4. La compétence s'intègre à HuggingFace Transformers et permet l'entraînement QLoRA ainsi que l'utilisation d'optimiseurs en 8 bits.

Voir la compétence

dispatching-parallel-agents

Autre

Cette compétence Claude déploie plusieurs agents pour enquêter et résoudre simultanément 3 problèmes indépendants ou plus. Elle est conçue pour des scénarios impliquant des défaillances non liées qui peuvent être résolues sans état partagé ni dépendances. La capacité fondamentale est la résolution de problèmes en parallèle, en assignant un agent par domaine problématique indépendant afin de maximiser l'efficacité.

Voir la compétence