MCP HubMCP Hub
Retour aux compétences

create-quarto-report

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

À propos

Cette compétence aide les développeurs à créer des documents Quarto reproductibles pour des rapports, des présentations et des sites web. Elle couvre la configuration YAML, les blocs de code, les formats de sortie et le rendu en HTML/PDF/Word. Utilisez-la lors de la construction d'analyses avec du code intégré ou lors de la migration de R Markdown vers Quarto.

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/create-quarto-report

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

Documentation

Create Quarto Report

Set up and write reproducible Quarto document for analysis reports, presentations, websites.

When Use

  • Making reproducible analysis report
  • Building presentation with embedded code
  • Generating HTML, PDF, Word documents from code
  • Migrating from R Markdown to Quarto

Inputs

  • Required: Report topic and target audience
  • Required: Output format (html, pdf, docx, revealjs)
  • Optional: Data sources and analysis code
  • Optional: Citation bibliography (.bib file)

Steps

Step 1: Create Quarto Document

Create report.qmd:

---
title: "Analysis Report"
author: "Author Name"
date: today
format:
  html:
    toc: true
    toc-depth: 3
    code-fold: true
    theme: cosmo
    self-contained: true
execute:
  echo: true
  warning: false
  message: false
bibliography: references.bib
---

Got: File report.qmd exists with valid YAML frontmatter: title, author, date, format config, execution options.

If fail: Validate YAML header. Check matching --- delimiters and right indentation. Confirm format: key matches supported Quarto output formats (html, pdf, docx, revealjs).

Step 2: Write Content with Code Chunks

## Introduction

This report analyzes the relationship between variables X and Y.

## Data

```{r}
#| label: load-data
library(dplyr)
library(ggplot2)

data <- read.csv("data.csv")
glimpse(data)
```

## Analysis

```{r}
#| label: fig-scatter
#| fig-cap: "Scatter plot of X vs Y"
#| fig-width: 8
#| fig-height: 6

ggplot(data, aes(x = x_var, y = y_var)) +
  geom_point(alpha = 0.6) +
  geom_smooth(method = "lm") +
  theme_minimal()
```

As shown in @fig-scatter, there is a positive relationship.

## Results

```{r}
#| label: tbl-summary
#| tbl-cap: "Summary statistics"

data |>
  summarise(
    mean_x = mean(x_var),
    sd_x = sd(x_var),
    mean_y = mean(y_var),
    sd_y = sd(y_var)
  ) |>
  knitr::kable(digits = 2)
```

See @tbl-summary for descriptive statistics.

Got: Content sections have properly formatted code chunks with {r} language identifier and #| chunk options for labels, captions, dimensions.

If fail: Verify code chunks use ```{r} syntax (not inline backticks). Confirm #| options inside chunk (not in YAML header). Label prefixes match cross-reference types (fig- for figures, tbl- for tables).

Step 3: Configure Chunk Options

Common chunk-level options (use #| syntax):

#| label: chunk-name        # Required for cross-references
#| echo: false               # Hide code
#| eval: false               # Show but don't run
#| output: false             # Run but hide output
#| fig-width: 8              # Figure dimensions
#| fig-height: 6
#| fig-cap: "Caption text"   # Enable @fig-name references
#| tbl-cap: "Caption text"   # Enable @tbl-name references
#| cache: true               # Cache expensive computations

Got: Chunk options applied at chunk level using #| syntax. Labels follow naming rules for cross-referencing.

If fail: Ensure chunk options use #| syntax (Quarto-native), not legacy {r, option=value} R Markdown syntax. Verify label names have only alphanumeric characters and hyphens.

Step 4: Add Cross-References and Citations

See @fig-scatter for the visualization and @tbl-summary for statistics.

This approach follows @smith2023 methodology.

::: {#fig-combined layout-ncol=2}
![Plot A](plot_a.png){#fig-plotA}
![Plot B](plot_b.png){#fig-plotB}

Combined figure caption
:::

Got: Cross-references (@fig-name, @tbl-name) resolve to right figures and tables. Citations (@key) match entries in .bib file.

If fail: Verify referenced labels exist in code chunks with right prefix (fig-, tbl-). For citations, check .bib keys match exactly (case-sensitive) and bibliography: is set in YAML header.

Step 5: Render the Document

quarto render report.qmd

# Specific format
quarto render report.qmd --to pdf
quarto render report.qmd --to docx

# Preview with live reload
quarto preview report.qmd

Got: Output file made in right format.

If fail:

Step 6: Multi-Format Output

format:
  html:
    toc: true
    theme: cosmo
  pdf:
    documentclass: article
    geometry: margin=1in
  docx:
    reference-doc: template.docx

Render all formats: quarto render report.qmd

Got: All specified output formats generate fine. Each has right styling and layout for target format.

If fail: One format fails, others succeed? Check format-specific requirements: PDF needs LaTeX engine (install with quarto install tinytex), DOCX needs valid reference template if specified, format-specific YAML options must nest under each format key.

Checks

  • Document renders without errors
  • All code chunks execute fine
  • Cross-references resolve (figures, tables, citations)
  • Table of contents accurate
  • Output format fits audience

Pitfalls

  • Missing label prefix: Cross-referenceable figures need fig- prefix in label, tables need tbl-
  • Cache invalidation: Cached chunks won't re-run when upstream data changes. Delete _cache/ to force.
  • PDF without LaTeX: Install TinyTeX or use format: pdf with pdf-engine: weasyprint for CSS-based PDF
  • R Markdown syntax in Quarto: Use #| chunk options instead of {r, echo=FALSE} style

See Also

  • format-apa-report - APA-formatted academic reports
  • build-parameterized-report - parameterized multi-report generation
  • generate-statistical-tables - publication-ready tables
  • write-vignette - Quarto vignettes in R packages

Dépôt GitHub

pjt222/agent-almanac
Chemin: i18n/caveman/skills/create-quarto-report
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