MCP HubMCP Hub
스킬 목록으로 돌아가기

polish-claw-project

pjt222
업데이트됨 Yesterday
2 조회
17
2
17
GitHub에서 보기
기타general

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

추천
기본
npx skills add pjt222/agent-almanac -a claude-code
플러그인 명령대체
/plugin add https://github.com/pjt222/agent-almanac
Git 클론대체
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/polish-claw-project

Claude 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

  • 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 저장소

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

연관 스킬

llamaguard

기타

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.

스킬 보기

cost-optimization

기타

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.

스킬 보기

quantizing-models-bitsandbytes

기타

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.

스킬 보기

dispatching-parallel-agents

기타

이 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.

스킬 보기