スキル一覧に戻る

polish-claw-project

pjt222
更新日 Yesterday
7 閲覧
17
2
17
GitHubで表示
その他general

について

このスキルは、OpenClawエコシステムプロジェクト(OpenClaw、NemoClaw、NanoClaw)への貢献を支援する、構造化された9ステップのワークフローを提供します。主眼は、並列的なコード監査、誤検知の防止、プロジェクトの規約に沿った高インパクトな貢献の選定に置かれています。不慣れなコードベースに対してセキュリティに配慮した貢献を行う際に活用してください。このスキルは、フォークやPR作成といった機械的な手順を自動化しつつ、体系的なレビューを重視します。

クイックインストール

Claude Code

推奨
メイン
npx skills add pjt222/agent-almanac -a claude-code
プラグインコマンド代替
/plugin add https://github.com/pjt222/agent-almanac
Git クローン代替
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/polish-claw-project

このコマンドをClaude Codeにコピー&ペーストしてスキルをインストールします

ドキュメント

磨爪項目

貢獻於 OpenClaw 生態項目之結構流程。新值在第 5-7 步:並行審計、防偽陽性、與開放議題對照以擇高影響之貢獻。機械步(fork、PR 立)委於既有技能。

用時

  • 貢獻於 NVIDIA/OpenClaw、NVIDIA/NemoClaw、NVIDIA/NanoClaw 或類似 Claw 生態庫
  • 首次貢獻於不熟之安全敏感架構之開源項
  • 欲可重複可審之貢獻流程而非隨手修
  • 已識受外貢之 Claw 項(察 CONTRIBUTING.md)後

  • 必要repo_url — 目標 Claw 項之 GitHub URL(如 https://github.com/NVIDIA/NemoClaw
  • 可選
    • contribution_count — 欲行貢獻之數(默 1-3)
    • focus — 偏型:securitytestsdocsbugsany(默 any
    • fork_org — 分叉之 GitHub 組/用戶(默 認證之用戶)

第一步:識並驗目標

確項受外貢且活維。

  1. 開庫 URL 並讀 CONTRIBUTING.mdCODE_OF_CONDUCT.mdLICENSE
  2. 察近提交活(末 30 日)與開放 PR 合併率
  3. 驗項用寬鬆或貢友善之許可
  4. SECURITY.md 或安全策若有——記負責披露之規
  5. 識主語、試框、CI 系

得:CONTRIBUTING.md 在、末 30 日內有提交、貢指清晰。

敗則:若無 CONTRIBUTING.md 或近無活,記因而止——陳項罕合外 PR。

第二步:分叉並克隆

立庫之工作副本。

  1. 分叉:gh repo fork <repo_url> --clone
  2. 設上游:git remote add upstream <repo_url>
  3. 驗:git remote -vorigin(叉)與 upstream 二者
  4. 同步:git fetch upstream && git checkout main && git merge upstream/main

得:本地克隆,二遠程已配且最新。

敗則:若分叉敗,察 GitHub 認證(gh auth status)。若克隆緩,初探試 --depth=1

第三步:探代碼庫

立項架構之心模。

  1. README.md 觀架構與項目標
  2. 識入點、核模、公 API 面
  3. 圖試結構:試何處、何框、覆度
  4. 注代碼風格慣:linter 配、命名、入式
  5. 察 Docker/容器設、CI 配、部署模

得:清明項結構、慣、貢宜處。

敗則:若架構不明,焦於某子系而非全項。

第四步:讀開放議題

察既議以明項所需並避重作。

  1. 列開放議:gh issue list --state open --limit 50
  2. 依型分類:bug、功能、文、安全、good-first-issue
  3. 注標 help wantedgood first issuehacktoberfest 之議
  4. 察陳議(>90 日開、近無評)——或已棄
  5. 讀任連 PR 知所試之解

得:未認領議分類列附型標。

敗則:若無開放議,赴第五步——審計或揭未列之改善。

第五步:並行審計

並行行安全與代碼質審計。新發現於此現。

  1. 對項根行 security-audit-codebase 技能
  2. 同行 review-codebase 技能附範圍 quality
  3. 要:對項威脅模與架構驗各發現
    • 沙盒引導腳本中之「硬編祕」非漏
    • 內用函數無入驗低嚴重
    • 標漏之依或已被項架構緩解
  4. 評驗之發現:CRITICAL、HIGH、MEDIUM、LOW
  5. 記偽陽性附理——其告未來行之 Common Pitfalls

得:附嚴重評與偽陽性注之驗發現列。

敗則:若無發現浮現,移焦至試覆缺、文改、開發者體驗增。

第六步:對照發現

映驗審計發現至開放議——核判之步。

  1. 對各驗之發現,搜開放議相關之論
  2. 各發現分類為:
    • 合開放議 — 連發現於議
    • 新發現 — 無既議覆
    • 已修於 PR — 察開放 PR 進行中之修
  3. 優符既議者(最高合併率)
  4. 新發現者,依項優先評維護者是否願受修

得:附發現至議映與合併率評之優先列。

敗則:若諸發現皆已處,返第四步覓文、試、開發者體驗之貢。

第七步:擇貢

依影響、力、專長擇 1-3 貢。

  1. 各候之分:
    • 影響:此進項多少?(安全 > bug > 試 > 文)
    • :可於焦會中善為之乎?(取小完之 PR)
    • 專長:貢者有此修之域知乎?
    • 合併率:合所示項優先乎?
  2. 擇頂候(默 1-3)
  3. 各定:分支名、範圍界、接受之準、試謀

得:1-3 擇貢附明範圍與接受之準。

敗則:若無貢分高,考立善寫議而非 PR。

第八步:實作

各貢立分支並實修。

  1. 各貢:git checkout -b fix/<description>
  2. 嚴守項慣(linter、命名、入式)
  3. 加或更涵改之試
  4. 行項試套:驗諸試過
  5. 行項 linter:驗無新警
  6. 各 PR 焦——一邏輯變一分支

得:清實作,附過試與無 linter 警。

敗則:若試敗於既有問題,記之並確 PR 不引新敗。

第九步:立拉取請求

依項之 CONTRIBUTING.md 提交貢。

  1. 推分支:git push origin fix/<description>
  2. create-pull-request 技能立 PR
  3. 於 PR 體參相關議(如 "Fixes #123")
  4. 守項 PR 模板若有
  5. 對審者反饋速應——快迭

得:諸 PR 已立、連於議、守項慣。

敗則:若 PR 立敗,察分支保護規與貢者許可協議。

  1. 諸擇貢已實作並提交為 PR
  2. 各 PR 參相關議(若有)
  3. 諸項試於各 PR 分支過
  4. 無偽陽性發現提交為實議
  5. PR 述守項 CONTRIBUTING.md 模板

  • 偽陽性過聲:Claw 項用沙盒架構——沙盒環境內之「漏」或為設計使然。報前常對項威脅模驗。
  • 摘要/簽名鏈擾:Claw 項常用驗鏈為模型完整。變必保此鏈,否則 PR 拒。
  • 慣不合:Claw 項嚴執風格。行項自之 linter,非通用者。嚴配入序、文檔字符串格、試模。
  • 範圍蔓延:3 焦 PR 合併速於 1 蔓延 PR。各貢原子。
  • 陳分叉:始作前常與上游同步(git fetch upstream && git merge upstream/main)。

GitHub リポジトリ

pjt222/agent-almanac
パス: i18n/wenyan/skills/polish-claw-project
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

関連スキル

llamaguard

その他

LlamaGuardは、暴力やヘイトスピーチなど6つの安全性カテゴリーにおいて、LLMの入力と出力をモデレートするMetaの70-80億パラメータモデルです。94〜95%の精度を提供し、vLLM、Hugging Face、Amazon SageMakerを使用してデプロイ可能です。このスキルを使用して、AIアプリケーションにコンテンツフィルタリングと安全策を簡単に統合できます。

スキルを見る

cost-optimization

その他

このClaudeスキルは、リソースの適正サイジング、タグ付け戦略、支出分析を通じて、開発者がクラウドコストを最適化することを支援します。AWS、Azure、GCPにわたるクラウド支出の削減とコストガバナンスの実施のためのフレームワークを提供します。インフラコストの分析、リソースの適正サイジング、または予算制約への対応が必要な際にご利用ください。

スキルを見る

quantizing-models-bitsandbytes

その他

このスキルは、bitsandbytesを使用してLLMを8ビットまたは4ビット精度に量子化し、精度の低下を最小限に抑えつつ50〜75%のメモリ削減を実現します。限られたGPUメモリでより大規模なモデルを実行したり、推論を高速化するのに理想的で、INT8、NF4、FP4などのフォーマットをサポートしています。HuggingFace Transformersと統合され、QLoRAトレーニングや8ビットオプティマイザーを可能にします。

スキルを見る

dispatching-parallel-agents

その他

このClaudeスキルは、複数のエージェントを配備し、3つ以上の独立した問題を並行して調査・修正します。共有状態や依存関係がなく解決可能な、無関係な障害が発生するシナリオ向けに設計されています。中核となる機能は並列問題解決であり、効率を最大化するために独立した問題領域ごとに1つのエージェントを割り当てます。

スキルを見る