polish-claw-project
정보
이 스킬은 OpenClaw 생태계 프로젝트(OpenClaw, NemoClaw, NanoClaw)에 기여하기 위한 구조화된 9단계 워크플로를 제공합니다. 병렬 코드 감사, 오탐 방지, 프로젝트 규약에 맞춰 고효과 기여를 선별하는 데 중점을 둡니다. 익숙하지 않은 코드베이스에 보안 민감한 기여를 할 때 사용하세요. 이 스킬은 포크 생성, PR 작성과 같은 기계적 단계를 자동화하면서 체계적인 검토를 강조합니다.
빠른 설치
Claude Code
추천npx 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/polish-claw-projectClaude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요
문서
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
入
- 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:security、tests、docs、bugs、any(默any)fork_org— 分叉之 GitHub 組/用戶(默 認證之用戶)
法
第一步:識並驗目標
確項受外貢且活維。
- 開庫 URL 並讀
CONTRIBUTING.md、CODE_OF_CONDUCT.md、LICENSE - 察近提交活(末 30 日)與開放 PR 合併率
- 驗項用寬鬆或貢友善之許可
- 讀
SECURITY.md或安全策若有——記負責披露之規 - 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。
- 分叉:
gh repo fork <repo_url> --clone - 設上游:
git remote add upstream <repo_url> - 驗:
git remote -v示origin(叉)與upstream二者 - 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。
- 讀
README.md觀架構與項目標 - 識入點、核模、公 API 面
- 圖試結構:試何處、何框、覆度
- 注代碼風格慣:linter 配、命名、入式
- 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。
- 列開放議:
gh issue list --state open --limit 50 - 依型分類:bug、功能、文、安全、good-first-issue
- 注標
help wanted、good first issue、hacktoberfest之議 - 察陳議(>90 日開、近無評)——或已棄
- 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。
- 對項根行
security-audit-codebase技能 - 同行
review-codebase技能附範圍quality - 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
- 評驗之發現:CRITICAL、HIGH、MEDIUM、LOW
- 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。
- 對各驗之發現,搜開放議相關之論
- 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
- 優符既議者(最高合併率)
- 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。
- 各候之分:
- 影響:此進項多少?(安全 > bug > 試 > 文)
- 力: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?
- 擇頂候(默 1-3)
- 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。
- 各貢:
git checkout -b fix/<description> - 嚴守項慣(linter、命名、入式)
- 加或更涵改之試
- 行項試套:驗諸試過
- 行項 linter:驗無新警
- 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。
- 推分支:
git push origin fix/<description> - 用
create-pull-request技能立 PR - 於 PR 體參相關議(如 "Fixes #123")
- 守項 PR 模板若有
- 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。
驗
- 諸擇貢已實作並提交為 PR
- 各 PR 參相關議(若有)
- 諸項試於各 PR 分支過
- 無偽陽性發現提交為實議
- PR 述守項 CONTRIBUTING.md 模板
陷
- 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)。
參
- security-audit-codebase — 第五步用於安全發現
- review-codebase — 第五步用於代碼質審
- create-pull-request — 第九步用於 PR 立
- create-github-issues — 為未為 PR 處之發現立議
- manage-git-branches — 實作中之分支管
- commit-changes — 提交流程
GitHub 저장소
연관 스킬
llamaguard
기타LlamaGuard는 폭력 및 혐오 발언 등 6가지 안전 범주에서 LLM 입력과 출력을 조정하기 위한 Meta의 70-80억 파라미터 모델입니다. 94-95% 정확도를 제공하며 vLLM, Hugging Face 또는 Amazon SageMaker를 사용해 배포할 수 있습니다. 이 기술을 사용하여 AI 애플리케이션에 콘텐츠 필터링 및 안전 가드레일을 손쉽게 통합하세요.
cost-optimization
기타이 Claude Skill은 리소스 적정화, 태깅 전략, 지출 분석을 통해 개발자들이 클라우드 비용을 최적화할 수 있도록 지원합니다. AWS, Azure, GCP에서 클라우드 비용을 절감하고 비용 거버넌스를 구현하기 위한 프레임워크를 제공합니다. 인프라 비용을 분석하거나, 리소스를 적정화하거나, 예산 제약을 충족해야 할 때 사용하세요.
quantizing-models-bitsandbytes
기타이 스킬은 bitsandbytes를 사용하여 LLM을 8비트 또는 4비트 정밀도로 양자화하며, 최소한의 정확도 손실로 50-75%의 메모리 감소를 달성합니다. 제한된 GPU 메모리에서 더 큰 모델을 실행하거나 추론을 가속화하는 데 이상적이며, INT8, NF4, FP4와 같은 형식을 지원합니다. 이 스킬은 HuggingFace Transformers와 통합되어 QLoRA 학습 및 8비트 옵티마이저를 가능하게 합니다.
dispatching-parallel-agents
기타이 Claude Skill은 3개 이상의 독립적인 문제를 동시에 조사하고 해결하기 위해 다중 에이전트를 배치합니다. 공유 상태나 의존성 없이 해결 가능한 무관련 장애 시나리오에 맞게 설계되었습니다. 핵심 기능은 병렬 문제 해결로, 각 독립 문제 영역마다 하나의 에이전트를 할당하여 효율성을 극대화합니다.
