build-shiny-module
À propos
Cette compétence aide les développeurs à créer des modules Shiny réutilisables avec une isolation appropriée des espaces de noms en utilisant NS(). Elle couvre la création de paires interface utilisateur/serveur, la gestion des retours réactifs, et permet la communication et l'imbrication entre modules. Utilisez-la pour extraire des composants réutilisables, encapsuler une logique complexe, ou composer des applications plus grandes à partir d'unités testables.
Installation rapide
Claude Code
Recommandénpx skills add pjt222/agent-almanac -a claude-code/plugin add https://github.com/pjt222/agent-almanacgit clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/build-shiny-moduleCopiez et collez cette commande dans Claude Code pour installer cette compétence
Documentation
Build Shiny Module
Create reusable Shiny UI/server module pairs with proper namespace isolation, reactive communication, and composability.
When to Use
- Extracting a reusable component from a growing Shiny app
- Building a UI widget that will be used in multiple places
- Encapsulating complex reactive logic behind a clean interface
- Composing larger applications from smaller, testable units
Inputs
- Required: Module purpose and functionality description
- Required: Input/output contract (what the module receives and returns)
- Optional: Whether the module nests other modules (default: no)
- Optional: Framework context (golem, rhino, or vanilla)
Procedure
Step 1: Define the Module Interface
Before writing code, define what the module accepts and returns:
Module: data_filter
Inputs: reactive dataset, column names to filter on
Outputs: reactive filtered dataset
UI: filter controls (selectInput, sliderInput, dateRangeInput)
Got: Clear contract specifying reactive inputs, reactive outputs, and UI elements.
If fail: If the interface is unclear, the module is probably too broad. Split it into smaller modules with single responsibilities.
Step 2: Create the Module UI Function
#' Data Filter Module UI
#'
#' @param id Module namespace ID
#' @return A tagList of filter controls
#' @export
dataFilterUI <- function(id) {
ns <- NS(id)
tagList(
selectInput(
ns("column"),
"Filter column",
choices = NULL
),
uiOutput(ns("filter_control")),
actionButton(ns("apply"), "Apply Filter", class = "btn-primary")
)
}
Key rules:
- Function name follows
<name>UIconvention - First argument is always
id - Create
ns <- NS(id)at the top - Wrap every
inputIdandoutputIdwithns() - Return a
tagList()to allow flexible placement
Got: UI function that creates namespaced input/output elements.
If fail: If IDs collide when using the module twice, check that every ID is wrapped with ns(). Common miss: IDs inside renderUI() or uiOutput() — these need ns() too.
Step 3: Create the Module Server Function
#' Data Filter Module Server
#'
#' @param id Module namespace ID
#' @param data Reactive expression returning a data frame
#' @param columns Character vector of filterable column names
#' @return Reactive expression returning the filtered data frame
#' @export
dataFilterServer <- function(id, data, columns) {
moduleServer(id, function(input, output, session) {
ns <- session$ns
# Update column choices when data changes
observeEvent(data(), {
available <- intersect(columns, names(data()))
updateSelectInput(session, "column", choices = available)
})
# Dynamic filter control based on selected column
output$filter_control <- renderUI({
req(input$column)
col_data <- data()[[input$column]]
if (is.numeric(col_data)) {
sliderInput(
ns("value_range"),
"Range",
min = min(col_data, na.rm = TRUE),
max = max(col_data, na.rm = TRUE),
value = range(col_data, na.rm = TRUE)
)
} else {
selectInput(
ns("value_select"),
"Values",
choices = unique(col_data),
multiple = TRUE,
selected = unique(col_data)
)
}
})
# Return filtered data as a reactive
filtered <- eventReactive(input$apply, {
req(input$column)
col <- input$column
df <- data()
if (is.numeric(df[[col]])) {
req(input$value_range)
df[df[[col]] >= input$value_range[1] &
df[[col]] <= input$value_range[2], ]
} else {
req(input$value_select)
df[df[[col]] %in% input$value_select, ]
}
}, ignoreNULL = FALSE)
return(filtered)
})
}
Key rules:
- Function name follows
<name>Serverconvention - First argument is always
id - Additional arguments are reactive expressions or static values
- Use
moduleServer(id, function(input, output, session) { ... }) - Use
session$nsfor dynamic UI created inside the server - Return reactive values explicitly
Got: Server function that processes inputs and returns reactive output.
If fail: If reactive values don't update, check that inputs from dynamic UI use session$ns (not the outer ns). If the module returns NULL, ensure return() is the last expression inside moduleServer().
Step 4: Wire the Module into the Parent App
# In app_ui.R or ui
ui <- page_sidebar(
title = "Analysis App",
sidebar = sidebar(
dataFilterUI("filter1")
),
card(
DT::dataTableOutput("table")
)
)
# In app_server.R or server
server <- function(input, output, session) {
# Raw data source
raw_data <- reactive({ mtcars })
# Call module — capture its return value
filtered_data <- dataFilterServer(
"filter1",
data = raw_data,
columns = c("cyl", "mpg", "hp", "wt")
)
# Use the module's returned reactive
output$table <- DT::renderDataTable({
filtered_data()
})
}
Got: Module appears in the UI and its returned reactive flows into downstream outputs.
If fail: If the module UI doesn't render, verify the id string matches between UI and server calls. If the returned reactive is NULL, check that the server function returns a value.
Step 5: Compose Nested Modules (Optional)
For modules that contain other modules:
analysisUI <- function(id) {
ns <- NS(id)
tagList(
dataFilterUI(ns("filter")),
plotOutput(ns("plot"))
)
}
analysisServer <- function(id, data) {
moduleServer(id, function(input, output, session) {
# Call inner module with namespaced ID
filtered <- dataFilterServer("filter", data = data, columns = names(data()))
output$plot <- renderPlot({
req(filtered())
plot(filtered())
})
return(filtered)
})
}
Key rule: In the UI, nest with ns("inner_id"). In the server, call with just "inner_id" — moduleServer handles the namespace chaining.
Got: Inner module renders correctly within the outer module's namespace.
If fail: If the inner module's UI doesn't appear, you likely forgot ns() around the inner module's ID in the outer UI function. If server communication breaks, check that the inner module ID matches (no ns() in the server call).
Step 6: Test the Module in Isolation
# Quick test app for the module
if (interactive()) {
shiny::shinyApp(
ui = fluidPage(
dataFilterUI("test"),
DT::dataTableOutput("result")
),
server = function(input, output, session) {
data <- reactive(iris)
filtered <- dataFilterServer("test", data, names(iris))
output$result <- DT::renderDataTable(filtered())
}
)
}
Got: Module works correctly in the minimal test app.
If fail: If the module fails in isolation but works in the full app (or vice versa), check for implicit dependencies on global variables or parent session state.
Validation
- Module UI function accepts
idas first argument and usesNS(id) - Every input/output ID in the UI is wrapped with
ns() - Module server uses
moduleServer(id, function(input, output, session) { ... }) - Dynamic UI in server uses
session$nsfor IDs - Module can be instantiated multiple times without ID collisions
- Reactive return values are accessible to the parent app
- Module works in a minimal standalone test app
Pitfalls
- Forgetting
ns()inrenderUI(): Dynamic UI created inside the server must usesession$ns— the outernsis not available insidemoduleServer(). - Passing non-reactive data: Module arguments that change over time must be reactive expressions. Pass
reactive(data)notdata. - ID mismatch: The
idstring in the UI call must exactly match theidin the server call. - Not returning reactives: If the module computes something the parent needs, it must
return()a reactive. Forgetting this is a silent bug. - Namespace in nested modules: In UI:
ns("inner_id"). In server: just"inner_id". Mixing these up causes namespace double-wrapping or missing prefixes.
Related Skills
scaffold-shiny-app— set up the app structure before adding modulestest-shiny-app— test modules with testServer() unit testsdesign-shiny-ui— bslib layout and theming for module UIsoptimize-shiny-performance— cache and async patterns within modules
Dépôt GitHub
Compétences associées
content-collections
MétaCette 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.
polymarket
MétaCette 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.
creating-opencode-plugins
MétaCette 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.
sglang
MétaSGLang 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.
