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
Frequently asked questions
What is the polish-claw-project skill?
polish-claw-project is a Claude Skill by pjt222. Skills package instructions and resources that Claude loads on demand, so Claude can perform polish-claw-project-related tasks without extra prompting.
How do I install polish-claw-project?
Use the install commands on this page: add polish-claw-project to Claude Code as a plugin, or clone its repository into your skills directory, then restart Claude so it picks up the skill.
What category does polish-claw-project belong to?
polish-claw-project is in the Other category, tagged general.
Is polish-claw-project free to use?
Yes. polish-claw-project is listed on AIMCP and free to install. It runs inside Claude, so no separate service account is required to use the skill itself.
연관 스킬
LlamaGuard는 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.
이 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.
이 Claude Skill은 스프레드, 오버/언더, 프로프 베트를 포함한 스포츠 베팅 시장을 분석합니다. 역사적 추이와 상황별 통계를 검토하여 가치 베트를 발견하고, 교육적 목적으로 실행 가능한 권장 사항이 담긴 구조화된 마크다운 결과를 제공합니다. 개발자는 이 기능을 스포츠 베팅 분석 도구에 활용할 수 있으며, 단순히 엔터테인먼트/교육 목적으로만 설계되었음을 유의해야 합니다.
이 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.
