MCP HubMCP Hub
Retour aux compétences

audit-icon-pipeline

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

À propos

Cette compétence audite les pipelines d'icônes en comparant les registres, les mappages de glyphes, les répertoires d'icônes et les manifestes pour détecter les glyphes, icônes et variantes HD manquants. Elle génère des rapports de lacunes structurés pour toutes les palettes, destinés aux compétences, agents et équipes. Utilisez-la pour des vérifications d'intégrité avant un rendu complet du pipeline ou après l'ajout de nouvelles entités afin d'identifier les ressources manquantes.

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/audit-icon-pipeline

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

Documentation

アイコンパイプライン監査

レジストリとグリフマッピングファイル、アイコンディレクトリ、マニフェストを比較することで、欠落しているグリフ、欠落しているアイコン、古いマニフェストを検出する。スキル、エージェント、チームをカバーする構造化されたギャップレポートを生成する。

使用する場面

  • 新しいスキル、エージェント、またはチームを追加した後、アイコンが必要かどうかを確認する場合
  • フルパイプラインレンダリングの前に、何が欠落しているかを特定する場合
  • レジストリ更新後にマニフェストが同期されていることを確認する場合
  • アイコンパイプラインの定期的なヘルスチェック

入力

  • 任意: エンティティタイプフィルタ — skillagentteam、または all(デフォルト: all
  • 任意: チェックするパレット(デフォルト: cyberpunk — リファレンスパレット)

手順

ステップ 1: レジストリの読み取り

信頼できるソースであるレジストリからすべてのエンティティIDを収集する。

  1. skills/_registry.yml を読み取り — すべてのドメインにわたるスキルIDを抽出する
  2. agents/_registry.yml を読み取り — すべてのエージェントIDを抽出する
  3. teams/_registry.yml を読み取り — すべてのチームIDを抽出する
  4. カウントを記録する: スキル総数、エージェント総数、チーム総数

期待される結果: total_skillstotal_agentstotal_teams と一致するカウントを持つ3つのエンティティIDリスト。

失敗時の対応: レジストリファイルが見つからない場合は、パスを報告してそのエンティティタイプをスキップする。

ステップ 2: グリフマッピングの読み取り

グリフマッピングファイルからマッピング済みのエンティティIDをすべて収集する。

  1. viz/R/glyphs.R を読み取り — SKILL_GLYPHS リストからすべてのキーを抽出する
  2. viz/R/agent_glyphs.R を読み取り — AGENT_GLYPHS リストからすべてのキーを抽出する
  3. viz/R/team_glyphs.R を読み取り — TEAM_GLYPHS リストからすべてのキーを抽出する

期待される結果: マッピング済みIDの3つのリスト。

失敗時の対応: グリフファイルが見つからない場合は報告し、そのタイプのすべてのエンティティをマッピングなしとしてマークする。

ステップ 3: 欠落グリフの計算

レジストリIDとマッピング済みIDの差分を計算する。

  1. 欠落スキルグリフ: registry_skill_ids - mapped_skill_ids
  2. 欠落エージェントグリフ: registry_agent_ids - mapped_agent_ids
  3. 欠落チームグリフ: registry_team_ids - mapped_team_ids

期待される結果: レジストリには存在するがグリフ関数がマッピングされていないエンティティIDのリスト。

失敗時の対応: 差分計算が失敗する場合は、レジストリとグリフファイル間のIDフォーマットが一致しているか確認する(例: アンダースコア対ハイフン)。

ステップ 4: レンダリング済みアイコンの確認

マッピング済みグリフに対応するレンダリング済みアイコンファイルがあるか確認する。

  1. マッピング済みの各スキルIDについて、viz/public/icons/<palette>/<domain>/<skillId>.webp を確認する
  2. マッピング済みの各エージェントIDについて、viz/public/icons/<palette>/agents/<agentId>.webp を確認する
  3. マッピング済みの各チームIDについて、viz/public/icons/<palette>/teams/<teamId>.webp を確認する
  4. viz/public/icons-hd/ 内のHDバリアントも同じ構造で確認する

期待される結果: グリフはあるがレンダリング済みアイコンが欠落しているエンティティのリスト(標準およびHD)。

失敗時の対応: アイコンディレクトリが存在しない場合、パイプラインがまだ実行されていない — すべてを欠落として報告する。

ステップ 5: マニフェストの鮮度確認

マニフェストのカウントをレジストリのカウントと比較する。

  1. viz/public/data/icon-manifest.json を読み取り — エントリ数をカウントする
  2. viz/public/data/agent-icon-manifest.json を読み取り — エントリ数をカウントする
  3. viz/public/data/team-icon-manifest.json を読み取り — エントリ数をカウントする
  4. レジストリの合計と比較する

期待される結果: マニフェストのカウントがレジストリのカウントと一致する。不一致は古いマニフェストを示す。

失敗時の対応: マニフェストファイルが存在しない場合、データパイプラインをまず実行する必要がある(node build-data.js && node build-icon-manifest.js)。

ステップ 6: ギャップレポートの生成

構造化されたサマリーを生成する。

  1. 出力を明確なテーブルまたはリスト形式でフォーマットする:
    === Icon Pipeline Audit ===
    
    MISSING GLYPHS (no glyph function):
      Skills: 5 missing — [list]
      Agents: 2 missing — [list]
      Teams: 0 missing
    
    MISSING ICONS (glyph exists, no rendered WebP):
      Standard (512px): 3 skills, 1 agent
      HD (1024px): 8 skills, 3 agents, 1 team
    
    STALE MANIFESTS:
      icon-manifest.json: 320 entries vs 326 registry (stale)
      agent-icon-manifest.json: 66 entries vs 66 registry (OK)
      team-icon-manifest.json: 15 entries vs 15 registry (OK)
    
  2. 発見事項に基づいて次のアクションを提案する

期待される結果: 実行可能な次のステップを含む完全なギャップレポート。

失敗時の対応: すべてのチェックがギャップゼロで合格した場合、ポジティブな結果として「パイプライン完全同期」と報告する。

検証チェックリスト

  • 3つのレジストリすべてが正常に読み取られている
  • 3つのグリフマッピングファイルすべてが確認されている
  • 標準とHDの両方のアイコンディレクトリがスキャンされている
  • マニフェストの鮮度が確認されている
  • カウントとエンティティリストを含むギャップレポートが生成されている
  • 実行可能な次のステップが提供されている

よくある落とし穴

  • IDフォーマットの不一致: レジストリはケバブケース(create-skill)を使用するが、グリフマップではスネークケースのキーを使用する場合がある — 比較時に正規化を行うこと
  • パレットの前提: cyberpunkパレットのみのチェックではパレット固有のレンダリングギャップを見逃す
  • 空のディレクトリ: ドメインディレクトリが存在するが空である場合、glob時に「アイコンが存在する」とカウントされる — ディレクトリの存在ではなく、ファイルの存在を確認すること
  • HDが未レンダリング: HDアイコンは別のディレクトリツリー(icons-hd/)にある — 標準アイコンと混同しないこと

関連スキル

  • create-glyph — この監査で特定された欠落グリフを作成する
  • enhance-glyph — 既存グリフの品質を改善する
  • render-icon-pipeline — 欠落アイコンを生成するためにフルパイプラインを実行する
  • Orphan icons checked (disk paths vs manifest)
  • Orphans after re-homing: When a skill's domain changes, build.sh creates icons at the new path but does NOT delete the old path — always run Step 6 orphan check after any domain migration

Dépôt GitHub

pjt222/agent-almanac
Chemin: i18n/ja/skills/audit-icon-pipeline
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