정보
이 Claude Skill은 GitHub CLI를 사용하여 diff, 커밋 히스토리, CI/CD 체크를 종합적으로 분석하고 심각도 수준별 피드백을 제공하는 포괄적인 풀 리퀘스트 리뷰를 수행합니다. 이 기능은 개발자가 PR을 할당받았을 때 철저한 리뷰를 진행하거나, 외부 의견을 구하기 전에 자체 리뷰를 수행하거나, 머지된 코드를 감사할 수 있도록 설계되었습니다. 본 스킬은 분석부터 `gh pr review`를 통한 구조화된 피드백 제출까지의 리뷰 워크플로우를 자동화합니다.
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/review-pull-requestClaude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요
문서
審 PR
GitHub PR 端至端審——自解變至投結構饋。用 gh CLI 為諸 GitHub 互、生重級審註。
用
- PR 備審且授汝
- 二審於作者處饋後
- 審己 PR 於請他審前(自審)
- 審合後 PR 為合後質估
- 欲結構審程而非臨掃時
入
- 必:PR 識(號、URL、
owner/repo#number) - 可:審注(安、效、正、格)
- 可:庫熟級(熟、稍、生)
- 可:審時預(速掃、標、徹)
行
一:解脈
讀 PR 述、解變所欲達。
- 取 PR 屬:
gh pr view <number> --json title,body,author,baseRefName,headRefName,labels,additions,deletions,changedFiles,reviewDecision - 讀 PR 題與述:
- 此 PR 解何問?
- 作者所取何法?
- 作者欲特審何域乎?
- 察 PR 大估時需:
PR Size Guide:
+--------+-----------+---------+-------------------------------------+
| Size | Files | Lines | Review Approach |
+--------+-----------+---------+-------------------------------------+
| Small | 1-5 | <100 | Read every line, quick review |
| Medium | 5-15 | 100-500 | Focus on logic changes, skim config |
| Large | 15-30 | 500- | Review by commit, focus on critical |
| | | 1000 | files, flag if should be split |
| XL | 30+ | 1000+ | Flag for splitting. Review only the |
| | | | most critical files. |
+--------+-----------+---------+-------------------------------------+
- 審提交史:
gh pr view <number> --json commits --jq '.commits[].messageHeadline'- 提交邏結構良乎?
- 史敘故乎(各提交為連步)?
- 察 CI/CD 態:
gh pr checks <number>- 諸察過乎?
- 察敗→記何敗——影審
得:明解 PR 為何、何由存、幾大、CI 綠乎。此脈塑審法。
敗:PR 述空或不明→記為首饋。無脈 PR 為審反模。gh 命敗→驗已認(gh auth status)並有庫達。
二:析 diff
系讀實碼變。
- 取全 diff:
gh pr diff <number> - 為小/中 PR、依序讀全 diff
- 為大 PR、按提交審:
gh pr diff <number> --patch # full patch format - 各變檔、評:
- 正:碼為 PR 所述乎?
- 邊例:邊條件處乎?
- 錯處:錯捕處應乎?
- 安:注、認、數露險乎?
- 效:顯 O(n^2) 環、缺索、記患乎?
- 命:新變/函/類命明乎?
- 測:新為由測覆乎?
- 讀時記、各察按重分
得:各意變含正、安、效、質察、含重級。
敗:diff 過大不能效審→標:「此 PR 變 {N} 檔 {M} 行。我薦分為小 PR 為效審。」仍審最高險檔。
三:分饋
組察入重級。
- 各察分:
Feedback Severity Levels:
+-----------+------+----------------------------------------------------+
| Level | Icon | Description |
+-----------+------+----------------------------------------------------+
| Blocking | [B] | Must fix before merge. Bugs, security issues, |
| | | data loss risks, broken functionality. |
| Suggest | [S] | Should fix, but won't block merge. Better |
| | | approaches, missing edge cases, style issues that |
| | | affect maintainability. |
| Nit | [N] | Optional improvement. Style preferences, minor |
| | | naming suggestions, formatting. |
| Praise | [P] | Good work worth calling out. Clever solutions, |
| | | thorough testing, clean abstractions. |
+-----------+------+----------------------------------------------------+
- 各 Blocking、釋:
- 何誤(特問)
- 何要(影)
- 如何修(具薦)
- 各 Suggest、釋替與何故勝
- Nit 簡——一句足
- 至少一 Praise 若有正出
得:饋條按重級分序列。Blocking 含修薦。比應:少 Blocking、些 Suggest、最少 Nit、至少一 Praise。
敗:諸覺皆 Blocking→PR 或需重作非補。考於 PR 級請變、非行行註。無誤覺→述之——「LGTM」於碼良時為效饋。
四:書審註
組結構、可動饋審。
- 書審摘(頂級註):
- 一句:PR 何為(確解)
- 總估:准、請變、註
- 關條:列 Blocking(若有)與首 Suggest 條
- Praise:揭良工
- 書內聯註為特碼處:
# Post inline comments via gh API gh api repos/{owner}/{repo}/pulls/{number}/comments \ -f body="[B] This SQL query is vulnerable to injection. Use parameterized queries instead.\n\n\`\`\`suggestion\ndb.query('SELECT * FROM users WHERE id = $1', [userId])\n\`\`\`" \ -f commit_id="<sha>" \ -f path="src/users.js" \ -F line=42 \ -f side="RIGHT" - 饋恆格:
- 各註首為重標:
[B]、[S]、[N]、[P] - 用 GitHub 薦塊為具修
- 鏈文為格/模薦
- 各註首為重標:
- 投審:
# Approve gh pr review <number> --approve --body "Review summary here" # Request changes (when blocking issues exist) gh pr review <number> --request-changes --body "Review summary here" # Comment only (when unsure or providing FYI feedback) gh pr review <number> --comment --body "Review summary here"
得:投審含明、可動饋。作者明知何修(Blocking)、何考(Suggest)、何良(Praise)。
敗:gh pr review 敗→察權。需庫寫權或為請審。內聯註敗→退置諸饋於審體含 file:line 引。
五:續
追審解。
- 作者應或推更後:
gh pr view <number> --json reviewDecision,reviews - 唯重審對饋之變:
gh pr diff <number> # check new commits - 准前驗 Blocking 已解
- 患處後解註串
- 諸 Blocking 修則准:
gh pr review <number> --approve --body "All blocking issues resolved. LGTM."
得:Blocking 驗已修。審話解。PR 准或請更變含特餘條。
敗:作者異饋→於 PR 串議。注影(何要)非權。非 Blocking 條議續→雅讓——作者主碼。
驗
- PR 脈解(旨、大、CI 態)
- 諸變檔審(XL PR 審最高險檔)
- 饋按重分(Blocking/Suggest/Nit/Praise)
- Blocking 含具修薦
- 至少一 Praise 為正
- 審決合饋(無 Blocking 乃准)
- 內聯註引特行含重標
- CI/CD 察驗(准前綠)
- 作者改後續畢
忌
- 橡章:未實讀 diff 而准。各准為質斷
- Nit 雪:以格偏淹作者。Nit 留導況;急審略之
- 失林:行行審而不解總設。先讀 PR 述與提交史
- 格 Blocking:格與命幾不為 Blocking。Blocking 留錯、安、數正
- 無 Praise:唯指患沮人。良碼當揚
- 審範蔓:註未變於 PR 之碼。前存患擾汝→別開問
參
review-software-architecture— 系級構審(補 PR 級審)security-audit-codebase— 安變 PR 之深安析create-pull-request— 程他面:建易審 PRcommit-changes— 潔提交史使 PR 審甚易
GitHub 저장소
Frequently asked questions
What is the review-pull-request skill?
review-pull-request is a Claude Skill by pjt222. Skills package instructions and resources that Claude loads on demand, so Claude can perform review-pull-request-related tasks without extra prompting.
How do I install review-pull-request?
Use the install commands on this page: add review-pull-request 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 review-pull-request belong to?
review-pull-request is in the Other category, tagged ai.
Is review-pull-request free to use?
Yes. review-pull-request 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.
