MCP HubMCP Hub
Retour aux compétences

conduct-retrospective

pjt222
Mis à jour 6 days ago
17 vues
17
2
17
Voir sur GitHub
Métadata

À propos

Cette compétence automatise les rétrospectives de projet ou de sprint en analysant les rapports d'état et les métriques pour identifier les succès et les axes d'amélioration. Elle génère des éléments structurés et actionnables avec des responsables désignés et des échéances. Utilisez-la après les sprints, les jalons, les incidents ou les revues trimestrielles pour capturer systématiquement les enseignements tirés.

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/conduct-retrospective

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

Documentation

行回顧

導結構之回顧,察近項行,識成敗,生可為之改項含主與期。此技化原項數據為有證學附具動作、主、期。

  • sprint 末(sprint 回顧)
  • 項階或里程末
  • 要事、敗、成後
  • 行中項程之季察
  • 類項啟前(學回)

  • :察期(sprint 號、日範、或里程)
  • :期中狀報
  • :sprint 速與畢數
  • :前回動作(察閉)
  • :組反或調果

一:集回顧數據

讀期中可得構件:

  • 期之 STATUS-REPORT-*.md 檔
  • SPRINT-PLAN.md 計 vs 實
  • BACKLOG.md 流與週期
  • 前 RETRO-*.md 未閉動作

取要事:

  • 計 vs 畢
  • 速趨
  • 所遇阻與解時
  • 入 sprint 之計外工
  • 前回未閉動作

得: 含定量度(速、畢率、阻數)之數據結。

敗: 無構件→以質觀為基。

二:結「何行良」

列 3-5 事附證:

## What Went Well
| # | Observation | Evidence |
|---|------------|---------|
| 1 | [Specific positive observation] | [Metric, example, or artifact reference] |
| 2 | [Specific positive observation] | [Metric, example, or artifact reference] |
| 3 | [Specific positive observation] | [Metric, example, or artifact reference] |

焦可續之踐,非只果。「日 standup 顯阻」勝於「準時交」。

得: 3-5 有證之正觀。

敗: 皆無良→細察。至少組畢此期。

三:結「何須改」

列 3-5 須改事附證:

## What Needs Improvement
| # | Observation | Evidence | Impact |
|---|------------|---------|--------|
| 1 | [Specific issue] | [Metric, example, or incident] | [Effect on delivery] |
| 2 | [Specific issue] | [Metric, example, or incident] | [Effect on delivery] |
| 3 | [Specific issue] | [Metric, example, or incident] | [Effect on delivery] |

具體有據。「估誤」泛。「5 項 3 超估 >50%、添 8 日外工」具體。

得: 3-5 有證之改域附影響。

敗: 組稱皆佳→比計 vs 實度——差現問。

四:生改動作

每改域生可為項:

## Improvement Actions
| ID | Action | Owner | Due Date | Success Criteria | Source |
|----|--------|-------|----------|-----------------|--------|
| A-001 | [Specific action] | [Name] | [Date] | [How to verify success] | Improvement #1 |
| A-002 | [Specific action] | [Name] | [Date] | [How to verify success] | Improvement #2 |
| A-003 | [Specific action] | [Name] | [Date] | [How to verify success] | Improvement #3 |

每動作須:

  • 具體(非「改估」→「加估察步於 grooming」)
  • 有主(一人責)
  • 有期(次 1-2 sprint 內)
  • 可驗(成判已定)

得: 2-4 改動作附主與期。

敗: 泛→施「如何驗其行」測。

五:察前動作且寫報

察前回動作之閉:

## Previous Action Review
| ID | Action | Owner | Status | Notes |
|----|--------|-------|--------|-------|
| A-prev-001 | [Action from last retro] | [Name] | Closed / Open / Recurring | [Outcome] |
| A-prev-002 | [Action from last retro] | [Name] | Closed / Open / Recurring | [Outcome] |

標復現項(同問現於 3+ 回顧)——須升或換法。

寫全回顧:

# Retrospective: [Sprint N / Phase Name / Date Range]
## Date: [YYYY-MM-DD]
## Document ID: RETRO-[PROJECT]-[YYYY-MM-DD]

### Period Summary
- **Period**: [Sprint N / dates]
- **Planned**: [N items / N points]
- **Completed**: [N items / N points]
- **Velocity**: [N] (previous: [N])
- **Unplanned Work**: [N items]

### What Went Well
[From Step 2]

### What Needs Improvement
[From Step 3]

### Improvement Actions
[From Step 4]

### Previous Action Review
[From Step 5]

---
*Retrospective facilitated by: [Name/Agent]*

存為 RETRO-[YYYY-MM-DD].md

得: 全回顧文存含動作、證、前動作察。

敗: 無改動作→未致變——重訪步三。

  • 回顧檔已立含日戳名
  • 期結含定量度
  • 「何行良」有 3-5 有證項
  • 「何須改」有 3-5 有證項
  • 改動作有主、期、成判
  • 前回動作已察閉
  • 復現問已標

  • 責戲:回顧察程與踐,非人。問為系,非個。
  • 動作無隨進:回顧最大敗。生新前必察前動作。
  • 動作過多:2-4 聚焦勝於 10 泛。組一時變能有限。
  • 無證:「感覺估差」為見。「5 項 3 超估 50%」為數。必附證。
  • 略正:只議問→挫志。慶成強良踐。

  • generate-status-report — 狀報供回顧數據
  • manage-backlog — 改動作回饋入待辦
  • plan-sprint — 回顧學改 sprint 計之準
  • draft-project-charter — 察章假設與險準
  • create-work-breakdown-structure — 察估準對 WBS

Dépôt GitHub

pjt222/agent-almanac
Chemin: i18n/wenyan-ultra/skills/conduct-retrospective
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Compétences associées

content-collections

Méta

Cette compétence propose une configuration éprouvée en production pour Content Collections, un outil axé sur TypeScript qui transforme des fichiers Markdown/MDX en collections de données typées de manière sûre avec une validation Zod. Utilisez-la lors de la création de blogs, de sites de documentation ou d'applications Vite + React riches en contenu pour garantir la sécurité de typage et la validation automatique du contenu. Elle couvre tout, de la configuration du plugin Vite et de la compilation MDX à l'optimisation des déploiements et la validation des schémas.

Voir la compétence

polymarket

Méta

Cette compétence permet aux développeurs de créer des applications avec la plateforme de marchés prédictifs Polymarket, incluant l'intégration d'API pour le trading et les données de marché. Elle fournit également une diffusion de données en temps réel via WebSocket pour surveiller les transactions en direct et l'activité du marché. Utilisez-la pour mettre en œuvre des stratégies de trading ou pour créer des outils traitant les mises à jour de marché en direct.

Voir la compétence

creating-opencode-plugins

Méta

Cette compétence aide les développeurs à créer des plugins OpenCode qui s'interconnectent avec plus de 25 types d'événements tels que les commandes, les fichiers et les opérations LSP. Elle fournit la structure du plugin, les spécifications de l'API événementielle et les modèles d'implémentation pour les modules JavaScript/TypeScript. Utilisez-la lorsque vous avez besoin d'intercepter, de surveiller ou d'étendre le cycle de vie de l'assistant IA OpenCode avec une logique personnalisée pilotée par les événements.

Voir la compétence

sglang

Méta

SGLang est un framework de service LLM haute performance spécialisé dans la génération rapide et structurée pour les workflows JSON, regex et agentiques grâce à son cache de préfixe RadixAttention. Il offre une inférence nettement plus rapide, particulièrement pour les tâches avec des préfixes répétés, ce qui le rend idéal pour les sorties complexes et structurées ainsi que les conversations multi-tours. Choisissez SGLang plutôt que des alternatives comme vLLM lorsque vous avez besoin d'un décodage contraint ou que vous construisez des applications avec un partage étendu de préfixes.

Voir la compétence