MCP HubMCP Hub
Retour aux compétences

install-putior

pjt222
Mis à jour 2 days ago
4 vues
17
2
17
Voir sur GitHub
Métaaiapimcpautomationdesign

À propos

Cette compétence installe et configure le package R `putior` pour la visualisation de workflows, en gérant à la fois les installations via CRAN et GitHub ainsi que les dépendances optionnelles. Elle vérifie l'intégralité du pipeline d'annotation à diagramme pour garantir une configuration correcte. Utilisez-la pour l'installation initiale, la préparation de l'environnement, ou lors de la restauration d'un environnement après des mises à niveau.

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/install-putior

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

Documentation

Install putior

Install the putior R package and its optional dependencies so the annotation-to-diagram pipeline is ready to use.

When to Use

  • Setting up putior for the first time in a project or environment
  • Preparing a machine for workflow visualization tasks
  • A downstream skill (analyze-codebase-workflow, generate-workflow-diagram) requires putior to be installed
  • Restoring an environment after an R version upgrade or renv wipe

Inputs

  • Required: Access to an R installation (>= 4.1.0)
  • Optional: Whether to install from CRAN (default) or GitHub dev version
  • Optional: Which optional dependency groups to install: MCP (mcptools, ellmer), interactive (shiny, shinyAce), logging (logger), ACP (plumber2)

Procedure

Step 1: Verify R Installation

Confirm R is available and meets the minimum version requirement.

R.Version()$version.string
# Must be >= 4.1.0
# From WSL with Windows R
"/mnt/c/Program Files/R/R-4.5.2/bin/Rscript.exe" -e "cat(R.version.string)"

Got: R version string printed, >= 4.1.0.

If fail: Install or upgrade R. On Windows, download from https://cran.r-project.org/bin/windows/base/. On Linux, use sudo apt install r-base.

Step 2: Install putior

Install from CRAN (stable) or GitHub (dev).

# CRAN (recommended)
install.packages("putior")

# GitHub dev version (if latest features needed)
remotes::install_github("pjt222/putior")

Got: Package installs without errors. library(putior) loads silently.

If fail: If CRAN installation fails with "not available for this version of R", use the GitHub version. If GitHub fails, check that remotes is installed: install.packages("remotes").

Step 3: Install Optional Dependencies

Install optional packages based on required functionality.

# MCP server integration (for AI assistant access)
remotes::install_github("posit-dev/mcptools")
install.packages("ellmer")

# Interactive sandbox
install.packages("shiny")
install.packages("shinyAce")

# Structured logging
install.packages("logger")

# ACP server (agent-to-agent communication)
install.packages("plumber2")

Got: Each package installs without errors.

If fail: For mcptools, ensure remotes is installed first. For system dependency errors on Linux, install the required libraries (e.g., sudo apt install libcurl4-openssl-dev for httr2 dependency).

Step 4: Verify Installation

Run the basic pipeline to confirm everything works.

library(putior)

# Check package version
packageVersion("putior")

# Verify core functions are available
stopifnot(
  is.function(put),
  is.function(put_auto),
  is.function(put_diagram),
  is.function(put_generate),
  is.function(put_merge),
  is.function(put_theme)
)

# Test basic pipeline with a temp file
tmp <- tempfile(fileext = ".R")
writeLines("# put id:'test', label:'Hello putior'", tmp)
cat(put_diagram(put(tmp)))

Got: Mermaid flowchart code printed to console containing test and Hello putior.

Key defaults: All scan functions (put(), put_auto(), put_generate(), put_merge()) default to recursive = TRUE, scanning subdirectories automatically. This is a breaking change from pre-0.2.0 versions where the default was FALSE. All scan functions also accept an exclude parameter for regex-based file filtering (e.g., put("./src/", exclude = "test_")).

If the optional shiny package is installed, try the interactive sandbox:

putior::run_sandbox()

This launches a browser-based editor where you can experiment with PUT annotation syntax and see diagrams rendered in real time.

If fail: If put is not found, the package did not install correctly. Reinstall with install.packages("putior", dependencies = TRUE). If the diagram is empty, verify the temp file was created and the annotation syntax uses single quotes inside double quotes.

Validation

  • library(putior) loads without errors
  • packageVersion("putior") returns a valid version
  • put() with a file containing a valid PUT annotation returns a data frame with one row
  • put_diagram() produces Mermaid code starting with flowchart
  • All requested optional dependencies load without errors

Pitfalls

  • Wrong quote nesting: PUT annotations use single quotes inside the annotation: id:'name', not id:"name" (which conflicts with the comment string delimiter in some contexts).
  • Missing Pandoc for vignettes: If you plan to build putior's vignettes locally, ensure RSTUDIO_PANDOC is set in .Renviron.
  • renv isolation: If the project uses renv, you must install putior inside the renv library. Run renv::install("putior") instead of install.packages("putior").
  • GitHub rate limits: Installing mcptools from GitHub may fail without a GITHUB_PAT. Set one via usethis::create_github_token().

Related Skills

  • analyze-codebase-workflow — next step after installation to survey a codebase
  • configure-putior-mcp — set up the MCP server after installing optional deps
  • manage-renv-dependencies — manage putior within an renv environment
  • configure-mcp-server — general MCP server configuration

Dépôt GitHub

pjt222/agent-almanac
Chemin: i18n/caveman-lite/skills/install-putior
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